基于物理性能策略优化神经网络的通用自学习控制（USLC）
系统与控制
2024-06-27 v1 系统与控制
摘要
本研究针对模型不确定的非线性动态系统实现实时通用自学习控制（USLC）的挑战。 proposed 控制方法包含通用自学习模块，引入模型无关的在线执行-评估框架，以应对未知扰动。通过利用在历史系统性能数据上训练的神经网络模型，控制器能够在每个学习循环中自主学习以近似最优性能。因此，控制器的结构参数逐步调整以实现相当于人类水平的性能。利用非线性系统稳定性理论（具体而言是三维流形空间中的情况），我们证明了USLC在Lipschitz连续系统中的稳定性。我们通过两个案例研究数值说明USLC框架：一个低阶电路系统和一个高阶形变固定翼姿态控制系统。仿真结果验证了所提出方法的有效性和通用性。
关键词
引用
@article{arxiv.2406.18026,
title = {USLC: Universal Self-Learning Control via Physical Performance Policy-Optimization Neural Network},
author = {Yanhui Zhang and Weifang Chen},
journal= {arXiv preprint arXiv:2406.18026},
year = {2024}
}
备注
15 Pages