基于强化学习的不确定非线性系统抗扰控制
动力系统
2020-11-25 v1
摘要
本文研究具有非简单标称模型的不确定非线性系统基于强化学习(RL)的抗扰控制。首先设计扩张状态观测器(ESO)以估计系统状态与总不确定性,后者表示对标称系统动态的扰动。基于观测器输出,控制在实时补偿总不确定性的同时,利用基于经验模拟的RL技术在线逼近补偿后系统的最优策略。给出严格的理论分析,证明系统状态实际收敛至原点且所开发策略收敛至理想最优策略。值得指出的是,所建立的框架不需要广泛使用的限制性持续激励(PE)条件。仿真结果验证了所提方法的有效性。
引用
@article{arxiv.2011.11231,
title = {Reinforcement Learning-based Disturbance Rejection Control for Uncertain Nonlinear Systems},
author = {Maopeng Ran and Juncheng Li and Lihua Xie},
journal= {arXiv preprint arXiv:2011.11231},
year = {2020}
}