线性控制策略的模仿学习：通过LMI条件强制稳定性与鲁棒性约束
最优化与控制
2021-03-25 v1 机器学习
系统与控制
系统与控制
摘要
当应用模仿学习技术从专家示范中拟合策略时，可利用对专家策略的先验稳定性/鲁棒性假设，并将此类控制理论先验知识显式纳入学习过程。本文中，我们将线性策略的模仿学习表述为约束优化问题，并给出可用于在学习过程中强制稳定性与鲁棒性约束的高效方法。具体而言，我们表明通过对拟合策略施加线性矩阵不等式(linear matrix inequality, LMI)约束，可保证闭环稳定性与鲁棒性。进而投影梯度下降法与交替方向乘子法(alternating direction method of multipliers, ADMM)均可用于求解所得约束策略拟合问题。最后，我们给出数值结果以证明所提方法在生成具各种稳定性与鲁棒性保证的线性策略上的有效性。
引用
@article{arxiv.2103.12945,
title = {On Imitation Learning of Linear Control Policies: Enforcing Stability and Robustness Constraints via LMI Conditions},
author = {Aaron Havens and Bin Hu},
journal= {arXiv preprint arXiv:2103.12945},
year = {2021}
}
备注
To appear in ACC 2021