Computationally Efficient Data-Driven Discovery and Linear Representation of Nonlinear Systems For Control

要約

この研究は、システム識別および制御のための非線形システムの線形化にクープマン演算子理論を使用したデータ駆動型フレームワークの開発に焦点を当てています。
私たちが提案する手法は、再帰学習を備えた深層学習フレームワークを提示します。
結果として得られる線形システムは、線形二次制御を使用して制御されます。
振り子システムを使用した例を、ノイズのあるデータのシミュレーションとともに示します。
私たちの提案した方法がより効率的にトレーニングされ、オートエンコーダーのベースラインよりも正確であることを示します。

要約(オリジナル)

This work focuses on developing a data-driven framework using Koopman operator theory for system identification and linearization of nonlinear systems for control. Our proposed method presents a deep learning framework with recursive learning. The resulting linear system is controlled using a linear quadratic control. An illustrative example using a pendulum system is presented with simulations on noisy data. We show that our proposed method is trained more efficiently and is more accurate than an autoencoder baseline.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google