Learning Switching Port-Hamiltonian Systems with Uncertainty Quantification

要約

スイッチング物理システムは、ロボットや動物の移動動作、スイッチやダイオードを備えた電力コンバータなど、現代の制御アプリケーションで広く使用されています。
ダイナミクスとスイッチング条件は、事前に未知の環境や非線形コンポーネントの場合には、取得するのが困難であるか、アクセスできないことがよくあります。
ブラックボックス ニューラル ネットワークは、スイッチング ダイナミクスを近似的に表現することを学習できますが、通常は大量のデータを必要とし、基礎となる物理学の公理が無視され、不確実性の定量化が欠如しています。
物理的に妥当なシステムダイナミクスを学習し、スイッチング状態を識別するために、スイッチングポートハミルトニアンシステム（GP-SPHS）によって強化されたガウスプロセスベースの学習アプローチを提案します。
ガウス プロセスのベイジアンな性質は、収集されたデータを使用して、考えられるすべてのスイッチング ポリシーとダイナミクスにわたる分布を形成し、不確実性の定量化を可能にします。
さらに、提案されたアプローチは、ポートハミルトン系の組成的性質を保存します。
ホッピングロボットを使用したシミュレーションにより、提案されたアプローチの有効性が検証されます。

要約(オリジナル)

Switching physical systems are ubiquitous in modern control applications, for instance, locomotion behavior of robots and animals, power converters with switches and diodes. The dynamics and switching conditions are often hard to obtain or even inaccessible in case of a-priori unknown environments and nonlinear components. Black-box neural networks can learn to approximately represent switching dynamics, but typically require a large amount of data, neglect the underlying axioms of physics, and lack of uncertainty quantification. We propose a Gaussian process based learning approach enhanced by switching Port-Hamiltonian systems (GP-SPHS) to learn physical plausible system dynamics and identify the switching condition. The Bayesian nature of Gaussian processes uses collected data to form a distribution over all possible switching policies and dynamics that allows for uncertainty quantification. Furthermore, the proposed approach preserves the compositional nature of Port-Hamiltonian systems. A simulation with a hopping robot validates the effectiveness of the proposed approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google