Model Reference Gaussian Process Regression: Data-Driven State Feedback Controller
本文提出了一种数据驱动的状态反馈控制器,能够对非线性离散时间系统进行参考跟踪。该控制器的设计基于所识别的系统的逆模型和给定的参考模型,假设逆模型的识别仅使用系统的状态/输入测量进行。当它的结果提供,我们提出的条件,保证一定程度的参考跟踪性能,无论采用的逆模型的识别方法。具体来说,当高斯过程回归(GPR)被用作识别方法,我们提出了所需的数据的充分条件,通过应用一些引理相关的识别误差的上述条件,确保模型参考GPR(MR-GPR)控制器可以保证一定水平的参考跟踪性能。最后,通过算例验证了MR-GPR控制器的有效性。
2023-03-17 cs.SY eess.SY
Feedback Linearization based on Gaussian Processes with event-triggered Online Learning
将控制工程与来自机器学习的非参数建模技术相结合,允许使用数据驱动模型在没有分析描述的情况下进行控制系统。大多数现有方法将学习(即,基于固定数据集的系统辨识)和控制(即,基于模型的控制律的执行)分离。这种分离使得性能对训练数据的初始选择高度敏感,并且可能需要非常大的数据集。本文提出了一种利用在线闭环辨识的学习反馈线性化控制律。所采用的高斯过程模型更新其训练数据,只有当模型的不确定性变得太大。这种事件触发的在线学习确保了高数据效率,从而降低了计算复杂度,这是在实时约束下使用高斯过程的主要障碍。我们提出了数据点的安全遗忘策略,以遵守预算约束并进一步提高数据效率。我们所提出的事件触发法下的跟踪误差的渐近稳定性,并在仿真中说明了有效的识别和控制。
2019-11-15 cs.SY eess.SY
Combining Convex-Concave Decompositions and Linearization Approaches for solving BMIs, with application to Static Output Feedback
K.U. Leuven(荷语鲁汶大学);Katholieke Universiteit Leuven(荷语鲁汶大学)
提出一种将双线性映射分解为两个半正定凸映射之差,并通过线性化凹部分转化为凸子问题的新优化方法,用于求解双线性矩阵不等式约束下的凸函数最小化问题,并应用于输出反馈控制器综合。
2011-09-15 cs.SY eess.SY math.OC
Characterizing Human Feedback-Based Control in Naturalistic Driving Interactions via Gaussian Process Regression with Linear Feedback
Electrical & Comp. Eng., Univ. of New Mexico(新墨西哥大学电气与计算机工程系);Information Science, Cornell Tech(康奈尔科技学院信息科学系)
通过高斯过程回归与线性反馈分析自然驾驶互动中的人类反馈控制,研究驾驶员策略形成机制及群体差异。
2025-12-09 cs.RO cs.SY eess.SY
Conservation-Based Feedback-Circuit Decomposition for Linear Forced Systems
Florida State University(佛罗里达州立大学)
提出一种基于守恒的反馈回路分解方法,通过本征回路增益和强迫变换向量完整解析线性受迫系统的瞬态和平衡解。
2026-05-28 cs.SY eess.SY math-ph
Gaussian inference for data-driven state-feedback design of nonlinear systems
具有严格保证的非线性系统的数据驱动控制是一个具有挑战性的问题,因为它通常需要非凸优化,并且通常需要系统动态的真实基函数的知识。为了解决这些缺点,这项工作是基于数据驱动的多项式表示的一般非线性系统利用泰勒多项式。因此,我们设计的状态反馈法,使一个已知的平衡点全局渐近稳定,同时相对于一个所需的二次性能标准。多项式状态反馈的计算归结为一个单一的平方和最优化问题,因此,计算易处理的线性矩阵不等式。此外,我们检查状态输入数据中存在的高斯噪声贝叶斯推理,以克服保守性的确定性噪声表征从最近的数据驱动的控制方法高斯噪声。
2023-03-24 cs.SY eess.SY math.OC
Sequential decomposition of discrete memoryless channel with noisy feedback
在本文中,我们考虑一个离散的无记忆点到点信道的噪声反馈,有一个发送者的私人信息,她希望通过顺序发送符号在一个嘈杂的信道通信到一个接收器。在每次传输之后,她接收由接收器接收的符号的噪声反馈。目标是设计发送方的传输控制策略,使平均错误概率最小。这是信息分散控制的一个例子,其中两个控制者,发送者和接收者没有共同的信息。有没有方法在文献中,提供了一个概念的“状态”和一个动态的程序来找到最优的政策,这个问题在本文中,我们展示了引入一个概念的状态,基于此,我们提供了一个顺序分解的方法,找到最优的政策类马尔可夫策略相对于这个状态(不需要是全局最优的)。这允许跨时间分解问题,并将复杂度对时间的依赖性从双指数降低到线性。
2020-02-21 cs.IT cs.SY eess.SY
Control of Uncertain PWA Systems using Difference-of-Convex Decompositions
在这份报告中,我们分析和设计反馈策略的离散时间分段仿射(PWA)系统的仿射动力学和多面体分区的不确定性。其主要思想是利用连续PWA系统的差分凸(DC)分解,以获得二次李雅普诺夫函数作为稳定性证书和稳定的仿射策略在一个更高的维度空间。当投影回状态空间时,我们得到时变PWQ李雅普诺夫函数和时变PWA反馈策略。
2023-03-20 cs.SY eess.SY math.OC
Feedback Capacity and a Variant of the Kalman Filter with ARMA Gaussian Noises: Explicit Bounds and Feedback Coding Design
New York University(纽约大学)
在本文中,我们与任何有限阶自回归移动平均(ARMA)高斯噪声的反馈信道的一个变种的卡尔曼滤波器。鉴于此,我们得到了相对明确的下界的反馈能力,这样的有色高斯噪声,和边界被认为是一致的各种现有的结果在文献中。同时,这种变体的卡尔曼滤波器也导致明确的递归编码方案具有明确的结构,以实现下界。在一般情况下,我们的研究结果提供了另一种观点,同时指出潜在的更严格的反馈能力问题的界限。
2021-06-03 cs.IT cs.LG cs.SY
Control of Mechanical Systems via Feedback Linearization Based on Black-Box Gaussian Process Models
Mitsubishi Electric Research Laboratories(三菱电机研究实验室);University of Padova(帕多瓦大学)
在本文中,我们考虑使用黑箱高斯过程(GP)模型的轨迹跟踪控制的反馈线性化的基础上,在机械系统的背景下。我们考虑了两种策略。第一个计算控制输入直接使用GP模型,而第二个计算输入后,估计的各个组成部分的动态。我们测试了这两种策略的模拟机械手与七个自由度,也不同的GP内核的选择。结果表明,第二个实现是更强大的w.r.t.核选择和模型不准确。此外,关于内核的选择,所获得的性能表明,使用结构化内核,如多项式内核,是有利的,因为它的有效性与这两种策略。
2021-05-02 cs.RO cs.SY eess.SY
A dynamic program for linear sequential coding for Gaussian MAC with noisy feedback
本文考虑了带噪声反馈两用户多址接入信道。存在两个具有独立消息的中继器,其通过加性白高斯信道将符号发送到接收器,接收器又通过两个独立的噪声高斯信道发送回由两个中继器接收的符号。我们考虑的情况下,当反馈是主动的,即接收器主动编码的反馈使用线性状态过程。我们提出这是一个问题的线性顺序编码在接收机和接收机,以尽量减少终端均方误差概率在接收机。这是分散控制的一个实例,在发送器和接收器处没有公共信息。在本文中,我们在发送端和接收端分别构造了两个线性控制器。由于策略和控制器的线性,所有涉及的随机变量都是联合高斯的。此外,在接收器处的相应的协方差矩阵的估计过程的消息是一个确定性的过程,这是一个函数的参数的控制器和球员的策略,因此是完美的观察到的。在此基础上,我们使用确定性动态规划来寻找最优策略和最优线性控制器。被动反馈的问题可以被认为是一种特殊情况。
2021-12-17 cs.IT cs.SY eess.SY
Model-Based Koopman-Galerkin Lifting for Guaranteed H-Infinity Output Feedback Control of Nonlinear Systems
Santa Clara University(圣克拉拉大学)
提出基于模型的Galerkin提升框架,通过精确LTI分解和残差界,实现非线性系统仅用测量误差的$\mathcal{H}_\infty$输出反馈控制,保证闭环稳定并优于反步法。
2026-11-04 cs.SY eess.SY math.OC
Chance-Constrained Covariance Steering in a Gaussian Random Field via Successive Convex Programming
本文研究了在高斯随机场存在下,仿射反馈律的优化问题,该反馈律能明确地控制不确定系统状态的均值和协方差。空间相关的干扰连续近似相对于一个标称轨迹由一系列的联合高斯随机向量。标称控制输入的顺序更新通过凸优化计算,包括仿射状态反馈的效果,空间扰动的扰动效果,以及对闭环状态和控制的机会约束。所开发的方法应用于解决仿射反馈法,以最大限度地减少第99百分位数的$Δv$需要完成一个行星周围的随机扰动大气的aerocapture任务。
2022-01-17 cs.SY eess.SY math.OC
Latent Function Decomposition for Forecasting Li-ion Battery Cells Capacity: A Multi-Output Convolved Gaussian Process Approach
University of Michigan-Dearborn(密歇根大学迪尔伯恩分校);University of Central Florida(中佛罗里达大学)
提出了一种基于潜函数分解的锂离子电池容量预测方法。该方法使用多输出高斯过程,这是一种用于多任务和迁移学习的生成式机器学习框架。MCGP将来自多个电池单元的可用容量趋势分解为潜在函数。然后在核平滑器上卷积潜在函数以重构和/或预测电池单元的容量趋势。该方法不仅具有较高的预测精度,还能提供预测的不确定性信息,并能捕捉不同电池单元容量趋势之间的非平凡互相关性。这两个优点使得所提出的MCGP成为使用电池组的应用的非常可靠和实用的解决方案。MCGP的推导和比较基准方法的实验锂离子电池数据。结果表明了该方法的有效性。
2019-07-19 cs.LG cs.SY eess.SP
Feedback Capacity of Parallel ACGN Channels and Kalman Filter: Power Allocation with Feedback
New York University(纽约大学)
在本文中,我们涉及的反馈能力的并行加性高斯有色噪声(ACGN)信道的一个变种的卡尔曼滤波器。通过这样做,我们得到这样的信道的反馈容量的下限,以及相应的反馈(递归)编码方案,这基本上是反馈的功率分配政策,以实现的界限。结果被认为是减少到现有的下界的情况下,一个单一的ACGN反馈信道,而当它涉及到并行加性高斯白噪声(AWGN)信道的反馈,递归编码方案减少到反馈“注水”功率分配政策。
2021-02-15 cs.IT cs.LG cs.SY