Structured Deep Neural Networks-Based Backstepping Trajectory Tracking Control for Lagrangian Systems

要約

ディープ ニューラル ネットワーク (DNN) は、その優れた近似機能により、コントローラーの学習に使用されることが増えています。
ただし、そのブラックボックスの性質により、閉ループの安定性の保証とパフォーマンス分析に重大な課題が生じます。
この論文では、バッキング技術を使用したラグランジュ システムの軌道追跡制御のための構造化 DNN ベースのコントローラーを紹介します。
ニューラル ネットワーク構造を適切に設計することにより、提案されたコントローラーは、互換性のあるニューラル ネットワーク パラメーターに対して閉ループの安定性を確保できます。
さらに、ニューラルネットワークパラメータをさらに最適化することで、制御性能の向上を実現できます。
さらに、コントローラー パラメーターに関してトラッキング エラーの明示的な上限を提供するため、コントローラー パラメーターを適切に選択することで、目的のトラッキング パフォーマンスを達成できます。
さらに、システムモデルが不明な場合、システムダイナミクスを学習してコントローラーを設計するために、改良されたラグランジュニューラルネットワーク（LNN）構造を提案します。
モデル近似誤差と外乱が存在する場合でも、閉ループの安定性と追跡制御性能が保証できることを示します。
提案されたアプローチの有効性は、シミュレーションを通じて実証されます。

要約(オリジナル)

Deep neural networks (DNN) are increasingly being used to learn controllers due to their excellent approximation capabilities. However, their black-box nature poses significant challenges to closed-loop stability guarantees and performance analysis. In this paper, we introduce a structured DNN-based controller for the trajectory tracking control of Lagrangian systems using backing techniques. By properly designing neural network structures, the proposed controller can ensure closed-loop stability for any compatible neural network parameters. In addition, improved control performance can be achieved by further optimizing neural network parameters. Besides, we provide explicit upper bounds on tracking errors in terms of controller parameters, which allows us to achieve the desired tracking performance by properly selecting the controller parameters. Furthermore, when system models are unknown, we propose an improved Lagrangian neural network (LNN) structure to learn the system dynamics and design the controller. We show that in the presence of model approximation errors and external disturbances, the closed-loop stability and tracking control performance can still be guaranteed. The effectiveness of the proposed approach is demonstrated through simulations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google