通过神经仿真关系进行控制系统的迁移学习
系统与控制
2024-12-03 v1 机器学习
系统与控制
摘要
迁移学习是机器学习方法的一个总称，用于利用解决一个问题（源域）中所获知识，以提高在解决另一个但相关问题（目标域）中的速度、效率和数据需求。目标域中迁移模型的性能通常通过某种目标域中的损失函数来衡量。本文聚焦于在提供大致类似行为保证的两个域中有效地将控制逻辑从源控制系统迁移到目标控制系统。然而，由于缺乏对行为规范的完整表征，这一问题无法以损失函数的形式来描述。为克服这一挑战，我们使用（近似）仿真关系来 characterize 两个系统行为之间的观察等价性。仿真关系确保两个系统（各自配备其相应控制器）的输出随时间保持彼此接近，其接近程度可先验地量化。通过使用神经网络参数化仿真关系，我们引入了神经仿真关系的概念，这提供了一种数据驱动的方法，用于Transfer 任何合成的控制器，无论其感兴趣的规范如何，以及其正确性证明。与先前方法相比，我们的方法消除了对闭环数学模型和源系统和目标系统的特定要求的需求。我们还引入了有效性条件，当满足这些条件时，可保证配备其相应控制器的两个系统输出的接近性，从而消除事后验证的需要。我们通过涉及车辆和双倒立摆的案例研究，展示了我们方法的有效性。
引用
@article{arxiv.2412.01783,
title = {Transfer Learning for Control Systems via Neural Simulation Relations},
author = {Alireza Nadali and Bingzhuo Zhong and Ashutosh Trivedi and Majid Zamani},
journal= {arXiv preprint arXiv:2412.01783},
year = {2024}
}