基于深度强化学习的中低速磁浮列车悬浮调节
系统与控制
2020-05-12 v2 系统与控制
摘要
悬浮调节对中低速磁浮列车（mlsMTs）的运行至关重要。由于环境不确定、强干扰以及系统动力学的高非线性，该问题无法被大多数基于模型的控制器很好解决。本文中，我们将其重新表述为具有未知转移概率的连续状态、连续动作马尔可夫决策过程（MDP），从而提出一种无模型控制器。利用确定性策略梯度和神经网络逼近，我们设计强化学习（RL）算法求解该MDP，并使用来自悬浮系统的采样数据获得状态反馈控制器。为进一步提升性能，我们采用双重Q学习方案来学习调节控制器。我们利用来自中国长沙mlsMT的真实数据集，并通过仿真说明所提控制器优于现有PID控制器，甚至可与那些假设已知模型完整信息的基于模型的控制器相媲美。
引用
@article{arxiv.1910.12491,
title = {Suspension Regulation of Medium-low-speed Maglev Trains via Deep Reinforcement Learning},
author = {Feiran Zhao and Keyou You and Shiji Song and Wenyue Zhang and Laisheng Tong},
journal= {arXiv preprint arXiv:1910.12491},
year = {2020}
}
备注
12 pages, 15 figures