Semantic Communication and Control Co-Design for Multi-Objective Correlated Dynamics

要約

本論文では、異なる制御ルールとダイナミクスを持つ相関システムの意味的ダイナミクスを学習する機械学習アプローチを紹介する。オートエンコーダ(AE)フレームワークにおけるクープマン演算子を活用することで、動的セマンティッククープマン(DSK)モデルを用いてシステムの状態変化を潜在空間において線形化し、ベースラインのセマンティックダイナミクスを捉える。信号時間論理(STL)は論理セマンティッククープマン(LSK)モデルを通して組み込まれ、システム固有の制御ルールを符号化する。これらのモデルは、状態予測精度と制御性能を向上させながら通信コストを削減する論理クープマンAEフレームワークを形成し、通信サンプルの91.65%削減とシミュレーションでの大幅な性能向上を示す。

要約(オリジナル)

This letter introduces a machine-learning approach to learning the semantic dynamics of correlated systems with different control rules and dynamics. By leveraging the Koopman operator in an autoencoder (AE) framework, the system’s state evolution is linearized in the latent space using a dynamic semantic Koopman (DSK) model, capturing the baseline semantic dynamics. Signal temporal logic (STL) is incorporated through a logical semantic Koopman (LSK) model to encode system-specific control rules. These models form the proposed logical Koopman AE framework that reduces communication costs while improving state prediction accuracy and control performance, showing a 91.65% reduction in communication samples and significant performance gains in simulation.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL