RL-Controller：一种用于主动结构控制的强化学习框架
系统与控制
2021-03-16 v1 机器学习
系统与控制
摘要
为在结构设计的生命周期内保持结构完整性与功能性，工程师需考虑自然灾害及运行荷载水平。当结构遭受意外极端荷载时，主动控制系统是一种高效的结构响应控制方案。然而，以传统方式开发这些系统受限于其模型依赖特性。自适应学习方法尤其是强化学习（RL）在实时决策问题中的近期进展，以及高性能计算资源的快速增长，助力结构工程师将经典的基于模型的主动控制问题转化为纯数据驱动问题。本文提出一种基于RL设计主动控制器的新型方法，引入灵活且可扩展的仿真环境 RL-Controller。RL-Controller 包含为详细建模主动结构控制机制而定义的属性与功能。我们表明，所提框架易于训练，在五层基准建筑遭受强地面运动时，层间位移（ISD）平均降低65%。在与LQG主动控制方法的对比研究中，我们证明该无模型算法学到了更优的作动器施力策略，性能更高，例如相较LQG平均ISD降低多25%，且无需系统力学特性的先验信息。
引用
@article{arxiv.2103.07616,
title = {RL-Controller: a reinforcement learning framework for active structural control},
author = {Soheila Sadeghi Eshkevari and Soheil Sadeghi Eshkevari and Debarshi Sen and Shamim N. Pakzad},
journal= {arXiv preprint arXiv:2103.07616},
year = {2021}
}