应对意外：稳定即设计的神经反馈控制与 Youla-REN
系统与控制
2025-06-05 v2 机器学习
系统与控制
摘要
我们研究了用于基于学习的控制的稳定非线性策略的参数化。我们提出了一种基于 Youla-Kucera 参数化的非线性版本与鲁棒神经网络（如循环平衡网络（REN））相结合的结构。所得的参数化是无约束的，因此可以通过一阶优化方法进行搜索，同时在构造上始终确保闭环稳定性。我们研究了以下三者的组合： 非线性动力学、 部分观测以及 增量闭环稳定性要求（收缩性和 Lipschitz 性）。我们发现，在这三种困难中的任意两种情况下，收缩且 Lipschitz 的 Youla 参数总是导出收缩且 Lipschitz 的闭环。然而，如果三者同时成立，则在外源扰动下增量稳定性可能会丧失。取而代之的是，系统维持一种较弱的条件，我们称之为 d-管收缩性和 Lipschitz 性。我们进一步获得了逆结果，表明所提出的参数化涵盖了某些类别非线性系统的所有收缩且 Lipschitz 的闭环。数值实验说明了我们在学习具有内置稳定性证书的控制器时，该参数化的实用性，适用于： 没有稳定效应的“经济”奖励； 短训练周期；以及 不确定系统。
引用
@article{arxiv.2506.01226,
title = {React to Surprises: Stable-by-Design Neural Feedback Control and the Youla-REN},
author = {Nicholas H. Barbara and Ruigang Wang and Alexandre Megretski and Ian R. Manchester},
journal= {arXiv preprint arXiv:2506.01226},
year = {2025}
}