基于物理信息神经网络的多连杆机械臂模型预测控制
最优化与控制
2021-09-23 v1 机器学习
机器人学
摘要
我们讨论了通过物理信息机器学习方法进行多体动力学的非线性模型预测控制（NMPC）。物理信息神经网络（PINNs）是近似（偏）微分方程的一种有前景的工具。PINNs在其原始形式下不适用于控制任务，因为它们并非设计用于处理可变控制作用或可变初值。因此我们提出通过添加控制作用和初始条件作为额外网络输入来增强PINNs的思想。随后通过采样策略和零阶保持假设降低高维输入空间。该策略使得基于PINN作为底层系统动力学近似的控制器设计成为可能。额外的好处是灵敏度可通过自动微分轻松计算，从而产生高效的基于梯度的算法。最后，我们展示了使用基于PINN的MPC解决复杂机械系统（多连杆机械臂）跟踪问题的结果。
引用
@article{arxiv.2109.10793,
title = {Physics-informed Neural Networks-based Model Predictive Control for Multi-link Manipulators},
author = {Jonas Nicodemus and Jonas Kneifl and Jörg Fehr and Benjamin Unger},
journal= {arXiv preprint arXiv:2109.10793},
year = {2021}
}