基于 Koopmanizing Flows 的数据驱动 LQR 方法
系统与控制
2022-05-24 v2 机器学习
系统与控制
动力系统
最优化与控制
摘要
我们提出一种新颖的框架，基于 Koopman 算子的表示，为一类连续时间非自治非线性动力学学习线性时不变（LTI）模型。一般而言，该算子是无限维的，但关键在于它是线性的。为将其用于高效的 LTI 控制设计，我们学习 Koopman 算子的有限维表示，其在控制上线性，同时学习有意义的提升坐标。对于后者，我们依赖 Koopmanizing Flows——一种基于微分同胚的 Koopman 算子表示，并将其推广到具有线性控制输入的系统。借助此类学习到的模型，我们可将具二次代价的非线性最优控制问题替换为线性二次调节器（LQR）问题，从而促成对非线性系统的有效最优控制。所提方法的优越控制性能在仿真示例中得到了验证。
引用
@article{arxiv.2201.11640,
title = {Towards Data-driven LQR with Koopmanizing Flows},
author = {Petar Bevanda and Max Beier and Shahab Heshmati-Alamdari and Stefan Sosnowski and Sandra Hirche},
journal= {arXiv preprint arXiv:2201.11640},
year = {2022}
}
备注
Final version, accepted for presentation at the 6th IFAC Conference on Intelligent Control and Automation Sciences (ICONS), 2022. arXiv admin note: text overlap with arXiv:2112.04085