Safe Control and Learning Using the Generalized Action Governor

要約

この記事では、一般化されたアクション ガバナー (AG) に基づく安全な制御と学習のための一般的なフレームワークを紹介します。
AG は、規定の安全制約を厳密に処理する能力を備えた名目上の閉ループ システムを強化するための監視スキームです。
この記事の最初の部分では、一般化された AG 方法論を紹介し、一般的な設定でその主要な特性を分析します。
次に、線形システムと離散システムの一般化された方法論から導き出された、カスタマイズされた AG 設計アプローチを紹介します。
その後、安全なオンライン学習を促進するための一般化 AG の適用について説明します。これは、リアルタイム データを使用して制御パラメータを安全に進化させ、不確実なシステムでの制御パフォーマンスを向上させることを目的としています。
このアプリケーションを例示するために、強化学習と一般化 AG と統合されたデータ駆動型のクープマン オペレーターベースの制御にそれぞれ基づく 2 つの安全な学習アルゴリズムを紹介します。
最後に、数値例を用いて発展を説明します。

要約(オリジナル)

This article introduces a general framework for safe control and learning based on the generalized action governor (AG). The AG is a supervisory scheme for augmenting a nominal closed-loop system with the ability of strictly handling prescribed safety constraints. In the first part of this article, we present a generalized AG methodology and analyze its key properties in a general setting. Then, we introduce tailored AG design approaches derived from the generalized methodology for linear and discrete systems. Afterward, we discuss the application of the generalized AG to facilitate safe online learning, which aims at safely evolving control parameters using real-time data to enhance control performance in uncertain systems. We present two safe learning algorithms based on, respectively, reinforcement learning and data-driven Koopman operator-based control integrated with the generalized AG to exemplify this application. Finally, we illustrate the developments with a numerical example.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google