用于基于逆模型前馈控制的物理引导门控循环单元
系统与控制
2025-07-21 v1 系统与控制
摘要
基于逆模型的前馈控制依赖于一个能够精确描述系统逆动力学的模型。门控循环单元(Gated Recurrent Unit, GRU)作为循环神经网络中的一种较新架构,是利用数据获取此类模型的强有力候选。然而,由于其黑箱特性,GRU 面临着可解释性有限以及易于过拟合等挑战。近年来,物理引导神经网络(Physics-Guided Neural Networks, PGNN)被提出,其将先验物理模型结构整合到预测过程中。该方法不仅改善了训练收敛性,还有助于学习一个基于物理的模型。在本工作中,我们在 PGNN 框架中集成 GRU,得到 PG-GRU,并在此基础上采用两步法进行前馈控制设计。首先,我们采用稳定逆方法设计一个稳定的逆动力学线性模型。然后,一个针对残差训练的 GRU 被定制用于逆系统辨识。所得到的 PG-GRU 前馈控制器通过在两质量弹簧-阻尼系统上的真实实验得到验证,在积分绝对误差指标上相较于线性前馈以及基于预观(preview)的 GRU 前馈,实现了约两倍的性能提升。
引用
@article{arxiv.2507.14052,
title = {Physics-guided gated recurrent units for inversion-based feedforward control},
author = {Mingdao Lin and Max Bolderman and Mircea Lazar},
journal= {arXiv preprint arXiv:2507.14052},
year = {2025}
}
备注
8 pages