Neural Control: Concurrent System Identification and Control Learning with Neural ODE

要約

連続時間動的システムの制御は、一般に 2 段階のプロセスです。まず、微分方程式を使用してシステムのダイナミクスを特定またはモデル化します。次に、最適な制御機能と最適な状態軌道を達成するために制御目標を最小化します。
ただし、ダイナミクス モデリングに不正確性があると、結果として得られる制御関数が最適化されなくなります。
これに対処するために、ニューラル制御 (NC) と呼ばれる未知の動的システムを制御するためのニューラル ODE ベースの方法を提案します。この方法は、結合ニューラル ODE を使用したダイナミクスの同定と最適な制御学習を組み合わせたものです。
結合ニューラル ODE 構造における 2 つのニューラル ネットワーク間の興味深い相互作用を通じて、私たちのモデルはシステム ダイナミクスと、目標状態に導く最適な制御を同時に学習します。
私たちの実験は、未知の動的システムの最適な制御を学習するためのモデルの有効性を実証しています。
コードは https://github.com/chichengmessi/neural_ode_control/tree/main で入手できます。

要約(オリジナル)

Controlling continuous-time dynamical systems is generally a two step process: first, identify or model the system dynamics with differential equations, then, minimize the control objectives to achieve optimal control function and optimal state trajectories. However, any inaccuracy in dynamics modeling will lead to sub-optimality in the resulting control function. To address this, we propose a neural ODE based method for controlling unknown dynamical systems, denoted as Neural Control (NC), which combines dynamics identification and optimal control learning using a coupled neural ODE. Through an intriguing interplay between the two neural networks in coupled neural ODE structure, our model concurrently learns system dynamics as well as optimal controls that guides towards target states. Our experiments demonstrate the effectiveness of our model for learning optimal control of unknown dynamical systems. Codes available at https://github.com/chichengmessi/neural_ode_control/tree/main

arxiv情報

提供元, 利用サービス

arxiv.jp, Google