Smooth Attitude Tracking Control of a 3-DOF Helicopter with Guaranteed Performance
针对机械约束下存在集中扰动的三自由度直升机姿态跟踪问题,提出了一种新的指定性能控制方案。首先,定义了一种新的性能函数,保证跟踪误差性能在瞬态过程中有小的过冲,在稳态过程中在预定时间内收敛到任意小的区域,而不需要预先知道初始跟踪误差。然后,基于新的指定的性能函数,结合平滑有限时间控制方法,我们提出了一种误差变换驱动的仰角和俯仰角跟踪给定的期望轨迹与保证跟踪性能。有限时间李雅普诺夫稳定性的理论分析表明,闭环系统是快速有限时间一致最终有界的。最后通过对比实验验证了该控制方案的有效性和优越性。
2021-01-27 cs.SY eess.SY
Singularity-Avoidance Prescribed Performance Attitude Tracking of Spacecraft
具有预定性能要求的姿态跟踪问题近年来引起了人们极大的兴趣,而预定性能控制(PPC)方案常被用来解决这一问题。然而,传统的PPC方案存在固有的问题,如违反状态约束时的奇异性问题和状态轨迹接近约束边界时的潜在过控制问题。本文提出了一种避免奇异性的规定性能控制方案(SAPPC)来处理这些问题。提出了一种新的基于剪切映射的误差变换方法,提供了一种全局非奇异的误差变换过程,同时采用时变约束边界,在不同的控制阶段施加适当的约束强度,减轻了过控制问题带来的潜在不稳定性.此外,一个新的分段参考性能函数(RPF)的构造提供了一个相关的参考轨迹的状态响应信号,允许精确控制系统的响应行为。基于所提出的SAPPC方案,反推控制器的开发,与预定义的时间稳定性技术和动态表面控制技术,以提高控制器的鲁棒性和性能。最后,理论分析和数值仿真结果验证了所提出的控制方案的有效性和鲁棒性。
2022-06-26 cs.SY eess.SY
Tracking Control of Euler-Lagrangian Systems with Prescribed State, Input, and Temporal Constraints
Center for Cyber-Physical Systems IISc(网络物理系统中心IISc);Dept. of Mechanical Engineering IISc(机械工程系IISc)
本文针对欧拉-拉格朗日系统在状态、输入和时间约束下的跟踪控制问题,提出一种无近似自适应障碍函数控制策略,实现规定时间收敛,并推导可行性条件,通过实验验证其有效性。
2025-08-18 cs.RO cs.SY eess.SY
Learning-Based Progressive Barrier Control for Robot Manipulators with Initial Errors Outside Prescribed Tracking Bounds
University of Luxembourg(卢森堡大学);University of Hertfordshire(赫特福德大学)
针对延迟约束下的机械臂控制问题,提出基于强化学习的神经自适应控制框架,改进障碍Lyapunov函数实现平滑约束执行,结合actor-critic架构免建模自适应处理约束,经稳定性证明和仿真验证有效。
2026-10-01 cs.RO cs.SY eess.SY
Dynamic consensus with prescribed convergence time for multi-leader formation tracking
研究了一组跟随完整移动机器人围绕参考信号的分布式编队跟踪问题。参考信号由多个引线的位置的几何中心组成。本文的主要贡献是提出了一种新型的调制分布式虚拟观测器。此外,所提出的MDVO是基于一个精确的动态共识算法与规定的收敛时间。此外,我们还提供了模拟示例,展示了该提案的两种不同应用场景。
2022-06-23 cs.MA cs.SY eess.SY
Prescribed Performance Control Guided Policy Improvement for Satisfying Signal Temporal Logic Tasks
Division of Decision and Control Systems, School of Electrical Engineering and Computer Science, KTH Royal Institute of Technology(决策与控制系统系,电气工程学院和计算机科学学院,皇家理工学院)
本文提出结合传统控制方法与强化学习的优势,利用高效的预规性能控制(PPC)基础律引导强化学习算法的探索,以满足复杂信号时间逻辑任务。
2019-03-11 cs.SY eess.SY
Approximation-free Prescribed Performance Control with Prescribed Input Constraints
研究了一类具有时变有界扰动的未知非线性系统在给定性能指标和输入约束下的跟踪控制问题。当性能和输入约束同时指定这样的问题,权衡是不可避免的。因此,一个可行性条件,规定的性能和输入约束的设计,以解决这种困难的任意处方。此外,提出了一种低复杂度的无近似控制器,在可行性条件成立的情况下,该控制器可以保证约束不被违反。最后,仿真结果证实了所提出的控制器的有效性。
2022-10-12 cs.SY eess.SY
Bootstrap Policy Iteration for Stochastic Linear Quadratic Tracking with Multiplicative Noise
Institute of Science Tokyo(东京科学大学);University of Science and Technology of China(中国科学技术大学)
本文针对带乘性噪声的连续时间随机系统线性二次跟踪问题,提出自举策略迭代算法,结合离策略强化学习与数据驱动计算,给出无模型解决方案,数值实验验证了方法有效性。
2026-08-04 cs.SY eess.SY
Posture Adjustment for a Wheel-legged Robotic System via Leg Force Control with Prescribed Transient Performance
Beijing Institute of Technology(北京理工大学);Beijing Institute of Control Engineering(北京控制工程研究所)
针对轮腿式机器人系统,提出了一种具有预定瞬态性能的力控制策略,以实现其在不平路面上的姿态调整。建立了以人体姿态为输入、腿力为输出的机器人系统动力学模型,通过姿态参考和反馈计算出轮腿所需的力。基于漏斗控制方案,腿实现力跟踪与指定的瞬态性能。为提高力控制系统的鲁棒性,设计了基于事件的漏斗函数在线分段机制。结果表明,轮腿的力跟踪误差在性能漏斗内演化,并证明了收敛性。还保证事件触发条件不存在Zeno行为。该控制方案被应用到轮腿式物理样机的力跟踪和姿态调整的性能。多个对比实验结果验证了所提出的方法的稳定性和有效性。
2021-11-24 cs.RO cs.SY eess.SY
Cooperative Optimal Output Tracking for Discrete-Time Multiagent Systems: Stabilizing Policy Iteration Frameworks
State Key Laboratory of Synthetical Automation of Process Industries, Northeastern University(东北大学流程工业综合自动化国家重点实验室)
本文提出两种基于策略迭代的算法,用于离散时间多智能体系统的协同最优输出跟踪,通过稳定化策略迭代框架和Q学习框架实现高效稳定的控制方案。
2026-01-26 cs.SY eess.SY
Prescribed Performance Control of Unknown Euler-Lagrange Systems Under Input Constraints
Centre for Cyber-Physical Systems IISc(网络物理系统研究中心IISc)
本文提出了一种用于欧拉-拉格朗日系统轨迹跟踪的规定性能控制方法,通过硬 funnel 约束和两种安全策略,确保在输入限制下实现鲁棒的跟踪性能。
2026-02-17 cs.RO cs.SY eess.SY
Data Informed Residual Reinforcement Learning for High-Dimensional Robotic Tracking Control
本文提出数据知情残差强化学习(DR-RL)方法,通过将高维机器人解耦为低维子系统并利用一步反向数据构造增量子系统,在并行学习架构下结合基础策略与残差策略,提升高维机器人跟踪控制的样本效率与可扩展性。
2024-06-07 cs.SY eess.SY
Approximation-free control for unknown systems with performance and input constraints
针对受时变有界扰动且带性能与输入约束的未知非线性系统,提出解析可行性条件及无逼近控制器,并通过数值算例验证有效性。
2023-04-21 cs.SY eess.SY math.OC
Periodic Event-Triggered Prescribed Time Control of Euler-Lagrange Systems under State and Input Constraints
Center for Cyber-Physical Systems IISc(网络物理系统中心IISc);Interdisciplinary Data Research Division CSIR-4PI(跨学科数据研究部CSIR-4PI);Dept. of Mechanical Engineering IISc(机械工程系IISc)
针对带状态、输入和时间约束的受扰欧拉-拉格朗日系统,提出周期事件触发自适应屏障控制策略,实现预设时间跟踪收敛,减少触发次数且避免芝诺行为,经仿真与实验验证有效。
2025-10-03 cs.RO cs.SY eess.SY
Distributed Control of Multi-agent Systems with Unknown Time-varying Gains: A Novel Indirect Framework for Prescribed Performance
针对具有未知时变增益的网络化不确定非线性严格反馈系统,在有向交互拓扑结构下,建立了一种新的间接性能保证框架.所提出的框架包括两个步骤:在第一个,一个完全分布式的鲁棒滤波器被构造为估计每个代理的期望轨迹与保证的观察性能,允许代理之间的方向是不相同的。第二种方法通过建立Nussbaum函数的引理,基于反步技术为每个智能体设计了一种新的自适应控制协议,不仅使输出渐近跟踪相应的估计信号,且具有任意的瞬态性能,而且由于允许未知控制增益是时变的,甚至是状态依赖的,因此大大扩展了应用范围.以这种间接的方式,根本的问题是解决与输出跟踪误差收敛到一个任意预先指定的残差集表现出任意预定义的收敛速度。此外,所有的内部信号被确保是半全局最终一致有界的(SGUUB)。最后,仿真结果表明了该方案的有效性。
2022-07-12 cs.SY eess.SY
Separation Principle for Event-Triggered Prescribed-Time Consensus Tracking of Nonlinear Multi-Agent Systems under DoS Attacks
Nanyang Technological University(南洋理工大学);University of Macau(澳门大学)
针对DoS攻击下非线性多智能体系统,提出基于参数化李雅普诺夫方程和混合观测器的分离原理,实现观测器与控制器独立设计,仅需三个参数即可保证预设时间一致性跟踪。
2026-10-06 cs.SY eess.SY
Linear Convergence of Data-Enabled Policy Optimization for Linear Quadratic Tracking
本研究将数据驱动策略优化(DeePO)框架拓展至带离线数据的线性二次跟踪问题,通过策略协方差参数化得到数据驱动表述,用梯度下降迭代求解最优策略,证明了该迭代的线性收敛性并经数值实验验证,为直接自适应LQT研究奠定基础。
2024-10-08 cs.SY eess.SY math.OC
Life-Long Multi-Task Learning of Adaptive Path Tracking Policy for Autonomous Vehicle
Beijing Institute of Technology(北京理工大学);Delft University of Technology(代尔夫特理工大学)
提出了一种自主车辆终身自适应路径跟踪策略学习方法,该方法能够利用多任务知识进行自进化和自适应。首先,该方法可以直接从历史驾驶经验中学习无模型路径跟踪控制策略,同时学习车辆动力学特性和相应的控制策略。其次,利用终身学习的方法,该方法可以学习策略的任务增量知识,而不会遇到灾难性遗忘。因此,通过不断学习多任务知识,策略可以迭代地适应新任务,并利用来自新任务的知识提高其性能。第三,采用记忆评估和更新方法优化记忆结构,使策略能够向选定的方向学习。在复杂曲线路面上,使用高保真车辆动力学模型进行实验,以评估所提出的方法的性能。实验结果表明,该方法能有效地利用连续多任务知识进行进化,并适应新的环境,进化后的性能优于两种常用的基线方法。
2021-09-15 cs.RO cs.SY eess.SY
Fish Growth Trajectory Tracking via Reinforcement Learning in Precision Aquaculture
本文研究了在一个典型的生物能量生长模型下,通过强化学习跟踪鱼类生长轨迹的方法。由于养殖条件复杂,环境因素不确定,如温度、溶解氧、非离子氨等,以及鱼类生长模型的多输入、强非线性耦合等,基于模型的控制方法无法有效解决精密养殖中的生长轨迹跟踪问题。为此,我们制定的增长轨迹跟踪问题的采样数据最优控制使用离散状态-动作对马尔可夫决策过程。我们提出了两个Q-学习算法,学习最优控制策略从采样数据的鱼的生长轨迹在鱼的生命周期的每个阶段,从青少年到所需的市场重量在水产养殖环境。Q-学习方案学习最优的饲养控制策略,以在笼子里养殖的鱼的生长速率和最优的饲养速率控制策略与最优的温度曲线的水产养殖鱼的生长速率在坦克。仿真结果表明,两种Q学习策略都能在较小的进给量下实现较高的轨迹跟踪性能。
2021-03-12 cs.SY eess.SY
LQG Reference Tracking with Safety and Reachability Guarantees under Unknown False Data Injection Attacks
我们研究了一个线性二次高斯(LQG)跟踪问题的安全性和可达性的限制存在的对手谁安装的FDI攻击一组未知的传感器。对于每个可能的受损传感器集合,我们维护一个状态估计器,不考虑该集合中的传感器,并基于此估计计算每次的最优LQG控制输入。我们提出了一种控制策略,约束控制输入位于一个固定的距离内的最优控制输入对应于每个状态估计。控制输入在每个时间步通过求解二次约束二次规划(QCQP)。我们证明了我们的政策可以实现一个理想的概率的安全性和可达性使用屏障证书的方法。我们的控制策略是通过数值案例研究进行评估。
2022-07-11 cs.SY eess.SY
Neuro-adaptive distributed control with prescribed performance for the synchronization of unknown nonlinear networked systems
King Fahd University of Petroleum and Minerals(国王法赫德石油与矿物大学);University of Western Ontario(韦仕敦大学);The University of Texas at Arlington(阿灵顿得克萨斯大学)
本文提出了一种具有预设性能函数(PPF)的神经自适应分布式协作跟踪控制,用于高度非线性多智能体系统。PPF允许误差跟踪从预定义的较大集合被限制到预定义的较小集合。关键思想是通过输出误差的变换将受约束系统转换为无约束系统。假设智能体的动力学完全未知,控制器针对强连接的结构网络进行开发。所提出的控制器使所有智能体能够跟随领导者节点的轨迹,同时满足必要的动态要求。所提出的方法保证了变换误差和自适应神经网络权重的均匀最终有界性。仿真包括两个例子,以验证所提出控制器在具有时间变化不确定参数和外部扰动的高非线性异构网络系统中的鲁棒性和平滑性。
2018-11-18 cs.SY eess.SY math.OC
Developing Path Planning with Behavioral Cloning and Proximal Policy Optimization for Path-Tracking and Static Obstacle Nudging
University of Pennsylvania(宾夕法尼亚大学);Yale University(耶鲁大学)
本文提出一种结合行为克隆进行路径跟踪和近端策略优化进行静态障碍物微调避让的路径规划方法,通过输出横向偏移调整参考航路点,实验证明其能模仿专家路径跟踪表现并避免碰撞。
2024-10-22 cs.RO cs.SY eess.SY
An Index Policy Based on Sarsa and Q-learning for Heterogeneous Smart Target Tracking
School of Automation, Northwestern Polytechnical University(西北工业大学自动化学院);School of Engineering, RMIT University(RMIT大学工程学院)
针对主被动雷达网络多智能目标跟踪的非短视雷达调度问题,提出基于Sarsa和Q-learning的ISQ策略,通过近似Whittle索引最大化长期跟踪奖励,优于传统方法并快速收敛至基准策略。
2024-02-19 cs.LG cs.SY eess.SY
Proximal Policy Optimization for Tracking Control Exploiting Future Reference Information
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);IAV GmbH(IAV有限公司)
近年来,强化学习(RL)在控制工程中得到了越来越多的关注。特别是策略梯度方法被广泛应用。在这项工作中,我们提高了跟踪性能的近端策略优化(PPO)的任意参考信号,将未来的参考值的信息。扩展的演员和评论家考虑到未来的参考价值的参数的两个变种。在第一个变体中,全局未来引用值被添加到参数中。对于第二种变体,引入了一种新的适用于无模型强化学习的具有未来参考值的残差空间。我们的方法进行评估对一个简单的驱动训练模型的PI控制器。我们希望我们的方法比以前的方法更好地推广到任意参考,指向RL控制真实系统的适用性。
2021-07-20 cs.LG cs.RO cs.SY
Optimal Measurement Policy for Predicting UAV Network Topology
Northern Arizona University(北亚利桑那大学);University of Alabama(阿拉巴马大学)
本文提出基于粒子群优化与卡尔曼滤波的算法,用于优化无人机在时变信道条件下感知周围网络配置,以最小化整体网络估计误差。
2017-10-30 cs.SY eess.SY
Robust Control For Spacecraft Attitude Tracking Under Multiple Physical Limitations with Guaranteed Performance
研究了多物理约束下航天器姿态跟踪的规定性能控制问题,重点研究了鲁棒性问题。提出了一种新的Barrier李雅普诺夫函数,实现了角速度约束下的无奇异性的性能优化控制。此外,性能函数的自适应策略,软化的约束,并迅速重新稳定的系统发生严重的干扰后,提供强大的鲁棒性。此外,一个辅助系统的设计,以处理输入饱和的问题,将致动器的限制到系统中。基于所提出的结构,反推控制器的开发相应地使用双层PPC框架。数值仿真结果验证了所提出的控制器框架的有效性和鲁棒性。
2022-09-13 cs.SY eess.SY
Direct Data-Driven Linear Quadratic Tracking via Policy Optimization
Tsinghua University(清华大学)
本文提出一种直接数据驱动的线性二次跟踪方法,通过策略优化解决时间变化参考与反馈-前馈策略结构的耦合问题,实现固定维度决策变量的参数化,并在理论和实验上验证了方法的收敛性和跟踪性能。
2026-05-15 cs.SY eess.SY math.OC
Non-myopic Beam Scheduling for Multiple Smart Target Tracking in Phased Array Radar Network
针对相控阵雷达网络中多智能目标跟踪的波束调度问题,提出基于Whittle指数的非近视可扩展策略,有效提升跟踪性能且适用于大型网络。
2023-12-13 cs.SY eess.SY
Model Free Deep Deterministic Policy Gradient Controller for Setpoint Tracking of Non-minimum Phase Systems
本文针对非最小相位系统设定点跟踪问题,设计了基于DDPG的无模型深度强化学习控制器,并与经典LQR状态反馈控制器在十二项性能准则下进行比较,揭示了DRL方法的潜力与不足。
2024-02-27 cs.SY eess.SY
Constrained Optimal Tracking Control of Unknown Systems: A Multi-Step Linear Programming Approach
研究了具有输入约束的未知离散确定性系统的最优状态反馈跟踪控制问题。为了处理输入约束,最先进的方法利用一定的非二次级代价函数,这有时会限制实际系统。此外,众所周知,策略迭代(PI)和值迭代(VI)是数据驱动控制中两种广泛使用的算法,它们提供了互补的优势和劣势。在这项工作中,采用两步变换,它转换的约束输入的最优跟踪问题的无约束增广最优调节问题,并允许考虑一般阶段代价函数。在此基础上,提出了一种基于Q学习和线性规划的多步虚拟仪器算法。该算法提高了VI的收敛速度,避免了PI对初始稳定控制策略的要求,并且在不知道系统模型和阶段代价函数的情况下计算约束最优反馈控制器。仿真研究证明了所提出的方法的可靠性和性能。
2020-12-08 cs.SY eess.SY
Appointed-Time Fault-Tolerant Control for Flexible Hypersonic Vehicles with Unmeasurable States Independent of Initial Errors
本文针对柔性吸气式高超声速飞行器在不可测状态、集总扰动和执行器故障下的跟踪控制问题,提出一种基于反步法、新型状态观测器、误差变换函数和固定时间神经网络观测器的指定时间容错控制策略,实现不依赖初始误差的实用固定时间收敛,并通过仿真验证其有效性。
2025-04-13 cs.SY eess.SY
Disturbance Rejection Control for Autonomous Trolley Collection Robots with Prescribed Performance
Southern University of Science and Technology(南方科技大学);Jiaxing Research Institute, Southern University of Science and Technology(南方科技大学嘉兴研究院)
针对自主推车收集机器人在复杂环境下的轨迹跟踪问题,提出基于自适应滑模扰动观测器和预设性能反步控制的抗扰方案,以改善瞬态性能并保证快速收敛。
2023-09-22 cs.RO cs.SY eess.SY
Timely Trajectory Reconstruction in Finite Buffer Remote Tracking Systems
针对远程跟踪系统中信息年龄(AoI)无法衡量历史轨迹重构精度的问题,提出到达间隔感知丢弃策略,在有限缓冲区场景下平衡AoI与重构误差,为资源受限物联网的缓冲区管理提供设计参考。
2025-05-18 cs.SY eess.SY
Model-based reinforcement learning for infinite-horizon approximate optimal tracking
University of Florida(佛罗里达大学)
本文提出了一种近似在线自适应解决方案,用于解决具有未知漂移动力学的连续时间非线性系统的无限 horizon 最优跟踪问题,通过基于模型的强化学习放松持续激励条件,并通过Lyapunov稳定性分析证明了策略收敛性。
2015-06-01 cs.SY eess.SY math.OC
Prescribed-time Cooperative Output Regulation of Linear Heterogeneous Multi-agent Systems
Huazhong University of Science and Technology(华中科技大学);Chongqing University(重庆大学);The University of Newcastle(纽卡斯尔大学)
本文研究了线性异构多智能体系统在定向通信图下的预设时间协同输出调节问题,提出了一种预设时间稳定准则,解决了传统渐近稳定中收敛时间依赖初始条件的问题。
2024-09-28 cs.SY eess.SY
Adaptive Tracking Control of Euler-Lagrange Systems with Time-Varying State and Input Constraints
Indian Institute of Technology Delhi(印度德里理工学院)
本文提出了一种针对Euler-Lagrange系统的时间变化状态和输入约束的自适应控制方法,通过时间变化障碍Lyapunov函数和饱和控制律实现约束满足,并通过实验验证了其有效性。
2026-03-09 cs.SY eess.SY
Real-time Tracking System with Partially Coupled Sources
本文研究部分耦合源节点的实时跟踪问题,将其建模为POMDP并转化为信念MDP,利用相对值迭代算法提出控制策略,以最小化平均失真与传输成本之和。
2025-04-08 cs.SY eess.SP eess.SY
Assessing Strong String Stability of Constant Spacing Policy under Speed Limit Fluctuations
Texas A&M University(德克萨斯农工大学)
本文研究了在速度限制波动下,基于自适应跟车控制的编队系统设计,探讨了在跟踪给定目标速度剖面时保持车辆间恒定间距的控制器设计问题,指出此类控制器不存在。
2018-02-01 cs.SY eess.SY
Enhancing reinforcement learning for population setpoint tracking in co-cultures
本研究提出一种新颖的强化学习回报函数,通过奖励多设定点同时满足来优化神经网络策略,解决了共培养中种群设定点跟踪的挑战,并在大肠杆菌共培养实验中验证了其有效性。
2025-03-15 cs.SY eess.SY
Angle-Based Formation Tracking of Underactuated Planar Agents
Nanyang Technological University(南洋理工大学);The University of Queensland(昆士兰大学);VinUniversity(越南-新加坡联合大学)
本文针对受扰动的异构平面欠驱动智能体,提出基于角度的编队跟踪控制方法,通过两种控制律实现渐近跟踪,并经USV仿真验证有效性。
2026-09-15 cs.SY eess.SY
Planning and Tracking Control of Full Drive-by-Wire Electric Vehicles in Unstructured Scenario
采用X-by-wire技术的全线控电动汽车(FDWEV)可以实现每个车轮的独立驱动、制动和转向,为自动驾驶技术提供了良好的应用平台。路径规划和跟踪控制是自动驾驶的关键组成部分。然而,在复杂的非结构化场景下,如何综合设计一种鲁棒控制算法来实现车辆路径规划是一个挑战。针对上述问题,提出了一种基于人工势场法的路径规划方法,该方法在具有不同静态障碍物的指定停车场内生成参考路径信息,并结合运动学和动力学约束进行速度规划。其次,提出了基于曲率计算和基于模型预测控制的两种跟踪控制方法,并基于模糊控制理论设计了驾驶员可变预瞄距离的前视行为模型。在存在障碍物的情况下,进行了CarSim-AMESim-Simulink联合仿真。仿真结果表明,所提出的两种控制方法在多种驾驶场景下都是有效的,基于MPC的路径跟踪控制器提高了动态跟踪性能,保证了高动态驾驶条件下的良好机动性。
2023-01-07 cs.SY eess.SY
Finite-Time Adaptive Fuzzy Tracking Control for Nonlinear State Constrained Pure-Feedback Systems
本文针对全状态约束纯反馈系统,提出一种有限时间自适应模糊跟踪控制方法,通过中值定理、状态变换和积分障碍李雅普诺夫函数实现误差有限时间收敛与状态约束满足,并通过仿真验证其有效性。
2024-12-28 cs.SY eess.SP eess.SY
Approximate Solution Methods for the Average Reward Criterion in Optimal Tracking Control of Linear Systems
本文针对确定性线性系统的平均奖励最优控制问题,推导值函数与最优策略,并提出基于模型预测控制的近似求解方法以支持实际实现。
2025-07-04 cs.SY eess.SY math.OC
Chasing the Intruder: A Reinforcement Learning Approach for Tracking Intruder Drones
Indian Institute of Technology Ropar(印度理工学院鲁尔基分校)
本文提出一种基于强化学习和计算机视觉的追踪无人机控制策略,用于识别和跟踪入侵无人机,实验表明该策略收敛且对入侵者速度和方向变化具有鲁棒性。
2023-09-10 cs.AI cs.RO cs.SY
Action-Increment-Constrained Policy Optimization for Smooth Online Adaptive Critic Flight Control with Actuator Rate Constraints and Low Computational Complexity (extended version with Ultimate Uniform Boundedness analysis)
Section Control and Simulation, Faculty of Aerospace Engineering, Delft University of Technology(控制与仿真部门,航空航天工程学院,代尔夫特理工大学)
本文提出在线时间平滑技术与低通滤波器以提升飞行控制系统动作平滑性,通过FFT分析策略性能,验证了方法的有效性。
2026-10-27 cs.AI cs.SY eess.SY
Approximate Optimal Trajectory Tracking for Continuous Time Nonlinear Systems
University of Florida(佛罗里达大学);Indian Institute of Technology, Delhi(德里印度理工学院);University of Transport and Communications(交通与通信大学)
针对连续时间非线性系统的最优跟踪问题,提出一种基于近似动态规划的控制方法,保证跟踪误差最终有界且控制器收敛到近似最优策略。
2013-10-02 cs.SY eess.SY math.OC
Nonlinear POMDPs for Active State Tracking with Sensing Costs
University of Southern California(南加州大学)
本文研究了在有限状态马尔可夫链中主动状态跟踪的问题,利用非线性POMDPs方法优化跟踪性能与传感成本的平衡,提出两种低复杂度策略并在无线体传感应用中验证了其效果。
2014-05-22 cs.SY eess.SY math.OC
Robotic Knee Tracking Control to Mimic the Intact Human Knee Profile Based on Actor-critic Reinforcement Learning
Arizona State University(亚利桑那州立大学);North Carolina State University(北卡罗来纳州立大学);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
我们解决了一个国家的最先进的强化学习(RL)的控制方法,自动配置机器人假体阻抗参数,使端到端,连续的运动,旨在为经股截肢受试者。具体来说,我们的演员-评论家基于RL提供跟踪控制的机器人膝关节假体模仿完整的膝关节轮廓。这是一个显着的进步,从我们以前的RL为基础的自动调整假肢控制参数,集中在调节控制与设计师规定的机器人膝关节轮廓作为目标。除了提出完整的跟踪控制算法的基础上直接启发式动态规划(dHDP),我们提供了一个分析框架的跟踪控制器的约束输入。我们证明了我们提出的跟踪控制具有几个重要的性质,如学习网络的权值收敛,Bellman(次)最优的成本去价值函数和控制输入,和实际稳定的人-机器人系统下的输入约束。我们还提供了一个系统的模拟所提出的跟踪控制使用一个现实的人类-机器人系统模拟器,OpenSim,模拟如何dHDP使平地行走,行走在不同的地形和不同的步伐。这些结果表明,我们提出的基于dHDP的跟踪控制不仅在理论上是合适的,而且在实践中也是有用的。
2021-01-22 cs.RO cs.SY eess.SY
State-aware Real-time Tracking and Remote Reconstruction of a Markov Source
本文针对两状态马尔可夫源的实时远程跟踪与重建问题,提出状态感知随机平稳采样传输策略,并证明其在快速演变源及特定条件下优于现有策略。
2023-09-21 cs.IT cs.NI cs.SY
Reinforcement Learning for Heterogeneous Sensor Selection in Maritime Surveillance
针对异构海上传感器网络单船跟踪问题,提出信息增益引导的强化学习传感器选择框架,通过近端策略优化智能体选传感器,结合贝叶斯跟踪器估计船只状态,经模拟比较,该策略在单传感器激活下性能接近全传感且避免复杂计算。
2026-09-03 cs.AI cs.IT cs.LG