Youla-REN：学习具有鲁棒稳定性保证的非线性反馈策略
系统与控制
2021-12-03 v1 机器学习
系统与控制
最优化与控制
摘要
本文基于一种近期开发的称为循环平衡网络（REN）的神经网络架构以及Youla参数化的非线性版本，给出了不确定系统非线性控制器的参数化方法。所提框架具有“内置”的稳定性保证，即搜索空间中的所有策略均产生收缩（全局指数稳定）的闭环系统。因此，其对代价函数的选择仅需非常温和的假设，且该稳定性性质可推广至未见过的数据。该方法的另一有用特性是策略直接参数化且没有任何约束，从而简化了基于无约束优化（如随机梯度下降）的广泛策略学习方法的训练。我们通过多种仿真示例说明了所提方法。
引用
@article{arxiv.2112.01253,
title = {Youla-REN: Learning Nonlinear Feedback Policies with Robust Stability Guarantees},
author = {Ruigang Wang and Ian R. Manchester},
journal= {arXiv preprint arXiv:2112.01253},
year = {2021}
}
备注
submitted to ACC2022