Unifying Model-Based and Neural Network Feedforward: Physics-Guided Neural Networks with Linear Autoregressive Dynamics
Eindhoven University of Technology(埃因霍温理工大学);Philips Engineering Solutions(飞利浦工程解决方案公司);ASML(阿斯麦);Delft University of Technology(代尔夫特理工大学)
未知的非线性动态往往限制前馈控制的跟踪性能。本文的目的是开发一个前馈控制框架,可以补偿这些未知的非线性动态使用通用函数逼近。前馈控制器被参数化为基于物理的模型和神经网络的并行组合,其中两者共享相同的线性自回归(AR)动态。这种参数化允许通过Sanathanan-Koerner(SK)迭代进行有效的输出误差优化。在每次SK迭代中,神经网络的输出通过基于正交投影的正则化在基于物理的模型的子空间中被惩罚,使得神经网络仅捕获未建模的动态,从而产生可解释的模型。
2022-09-26 cs.LG cs.SY eess.SY
A physics-guided data-driven feedforward tracking controller for systems with unmodeled dynamics -- applied to 3D printing
混合(即,针对具有未建模线性或非线性动态的系统,提出了一种基于物理指导的数据驱动前馈跟踪控制器。该控制器是基于滤波基函数(FBF)的方法,因此它被称为混合FBF控制器。它将系统的前馈控制输入公式化为一组基函数的线性组合,基函数的系数被选择为使跟踪误差最小。使用两个线性模型的组合来过滤基函数以预测并最小化跟踪误差。第一个模型是基于物理的,并且在控制器的执行期间保持不变,而第二个模型是数据驱动的,并且在控制器的执行期间不断更新。为了确保其实用性和安全的学习,建议的混合FBF控制器配备了处理数据采集延迟和检测即将发生的不稳定,由于其固有的数据驱动的反馈回路的能力。通过应用于具有未建模线性和非线性动力学的3D打印机的振动补偿,证明了其有效性。由于所提出的混合FBF控制器,与不包含数据驱动模型的标准FBF控制器相比,在涉及高速打印的实验中,3D打印机的跟踪精度得到了显着提高。此外,混合FBF控制器的检测能力,因此,潜在地避免即将发生的不稳定性证明离线使用从实验中在线收集的数据。
2022-06-23 cs.SY eess.SY
On feedforward control using physics-guided neural networks: Training cost regularization and optimized initialization
ASML(阿斯麦尔);Eindhoven University of Technology(埃因霍温理工大学)
基于模型的前馈控制器的性能通常受限于逆系统动态模型的精度。物理引导的神经网络(PGNN)是一种已知物理模型与神经网络并行协作的网络,最近被提出作为实现所识别的逆动力学的高精度的方法。然而,神经网络的灵活性,可以创建overparameterization时,与物理模型,这导致在训练过程中的参数漂移。这种漂移可能导致物理模型的参数不对应于它们的物理值,这增加了PGNN对训练数据中不存在的操作条件的脆弱性。为了解决这个问题,本文提出了一种正则化方法,通过识别的物理参数,结合优化的训练初始化,提高训练收敛性。正则化的PGNN框架在现实生活中的工业直线电机上进行了验证,它提供了更好的跟踪精度和外推。
2022-01-28 cs.LG cs.SY eess.SY
Adaptive Feedforward Control For Reset Feedback Control Systems -- Application in Precision Motion Control
TU Delft(代尔夫特理工大学)
本文提出了一种新的自适应前馈控制器的设计复位控制系统。前馈和复位反馈控制的组合保证高性能,因为前馈保证参考跟踪,而非线性反馈元件拒绝干扰。为了克服不可避免的模型失配,前馈控制器自适应以提高参考跟踪的精度。线性现有的自适应前馈控制器不保证收敛,在复位的存在下,这项工作提出了一种新的自适应法律的基础上收敛和发散区域的适应,以实现良好的跟踪。实验结果证明了新方法的优势。
2020-10-30 cs.RO cs.SY eess.SY
Feedforward Density-Driven Optimal Control (D2OC) for Tracking Time-Varying Distributions
New Mexico Institute of Mining and Technology(新墨西哥矿业理工学院)
本文提出前馈增强的D²OC框架,通过引入参考速度场模型,解决多智能体在时间变化环境中的分布跟踪滞后问题,理论分析和数值结果表明该方法能有效降低跟踪延迟,保证鲁棒性和高保真度。
2026-11-03 cs.SY eess.SY
Data-driven feedforward control design for nonlinear systems: A control-oriented system identification approach
针对非线性系统前馈控制中逆模型误差只能事后分析的问题,提出基于提升轨迹模型与跟踪误差上界最小化的面向控制系统辨识方法,并在非最小相位机电系统中验证其优于线性 ILC。
2023-06-12 cs.SY eess.SY
Certified Feedforward Tracking for Unknown Nonlinear Systems via Invertible Neural Networks
University of Minnesota–Twin Cities(明尼苏达大学双城分校);DEVCOM Army Research Laboratory(DEVCOM陆军研究实验室)
该研究针对部分状态测量下未知非线性系统的周期跟踪问题,采用可逆神经网络规避非凸逆问题,结合共形预测提供跟踪误差概率保证,在直流电机驱动机械负载上验证了方法有效性。
2026-08-10 cs.LG cs.SY eess.SY
Comparative Analysis of Interval Reachability for Robust Implicit and Feedforward Neural Networks
University of California, Santa Barbara(加州大学圣巴巴拉分校);Georgia Institute of Technology(佐治亚理工学院)
我们使用区间可达性分析来获得隐式神经网络(INNs)的鲁棒性保证。INN是一类使用隐式方程作为层的隐式学习模型,并且已经被证明比传统的深度神经网络具有几个显著的优点。我们首先建立紧包含函数的神经网络,它提供了最紧密的矩形过近似的输入输出映射,导致更尖锐的鲁棒性保证比研究充分的鲁棒性措施的本地Lipschitz常数。像Lipschitz常数,紧包含函数是计算上具有挑战性的获得,因此,我们建议使用混合单调性和收缩理论,以获得计算效率的估计,紧包含函数的INN。我们表明,我们的方法执行至少以及,一般优于,应用国家的最先进的区间界限传播方法的INNs。我们设计了一个新的优化问题来训练鲁棒的INN,我们提供了经验证据表明,适当训练的INN可以比比较训练的前馈网络更强大。
2022-04-01 cs.LG cs.SY eess.SY
Local Observability and Moving Horizon Estimation-based Training of Feedforward Neural Networks
Leibniz University Hannover(汉诺威莱布尼茨大学)
从控制理论角度,将前馈神经网络重新表述为以权重为状态的动态系统,通过局部可观性分析设计持续激励输入,提出基于移动视界估计的训练方法,并给出收敛保证。
2026-05-27 cs.SY eess.SY
Adaptive Feedforward Neural Network Control with an Optimized Hidden Node Distribution
具有格型分布隐层节点的复合自适应径向基函数神经网络(RBFNN)控制存在3个固有缺点:1)自适应RBFNN的逼近域难以先验确定; 2)只能保证部分激励持续性(PE)条件; 3)通常情况下,RBFNN所需的隐层节点数很大。本文提出了一种自适应前馈RBFNN控制器的隐节点的优化分布,以适当地解决上述缺点。由K-均值算法计算的隐藏节点的分布沿着期望的状态轨迹最优地分布。自适应RBFNN满足PE条件的周期性参考轨迹。所有隐藏节点的权重将收敛到最优值。该方法大大减少了隐藏节点的数量,同时实现了更好的逼近能力。该控制方案在两种特殊情况下具有与经典PID控制相似的合理性,因此可以看作是一种具有更好逼近能力的增强型PID控制方案。对于由数字器件实现的控制器,对于具有未知动力学的机械手,该方法比具有精确动力学的基于模型的方法具有更好的控制性能,仿真结果验证了该方法的有效性。这一结果为自适应神经网络控制和确定性学习理论的协调提供了更深入的见解。
2021-04-22 cs.SY eess.SY
Counterexample Guided Synthesis of Switched Controllers for Reach-While-Stay Properties
本文提出基于反例引导归纳合成的框架,用于合成连续时间切换控制器以保证闭环系统的达到并保持性质,通过合成特定类别的切换控制李雅普诺夫函数并引入终止放松和启发式方法进行迭代求解。
2015-09-23 cs.SY eess.SY
Performance guaranteed MPC Policy Approximation via Cost Guided Learning
College of Chemical and Biological Engineering, Zhejiang University(浙江大学化学工程与生物工程学院);Institute of Zhejiang University-Quzhou(浙江大学衢州研究院);Department of Computer Science, University of Reading(雷丁大学计算机系)
本文提出基于成本敏感性的引导学习方法,通过最小化闭环性能损失来改进MPC策略近似,实验显示在CSTR基准上表现更优。
2026-05-07 cs.SY eess.SY math.OC
A Novel Feedforward Youla Parameterization Method for Avoiding Local Minima in Stereo Image Based Visual Servoing Control
University of California, Davis(加利福尼亚大学戴维斯分校)
针对基于图像的立体视觉伺服中超定约束导致的局部极小值问题,提出结合前馈控制器与Youla参数化反馈控制器的新策略,仿真验证其可有效避坑,实现相机位姿精准高效定位。
2025-06-12 cs.RO cs.SY eess.SY
LA-RL: Language Action-guided Reinforcement Learning with Safety Guarantees for Autonomous Highway Driving
the University of Hong Kong(香港大学)
LA-RL通过整合大语言模型的语义推理和改进的安全层,提升自动驾驶高速公路驾驶的效率与安全性。
2025-12-05 cs.SY eess.SY
Economic Model Predictive Control with Policy-Guided Terminal Ingredients
Delft University of Technology(代尔夫特理工大学)
针对传统MPC依赖稳态假设的局限,提出策略引导MPC框架,利用次优控制策略构建终端要素,经能源管理示例数值模拟验证了其有效性。
2026-09-03 cs.SY eess.SY
Virtual Reference Feedback Tuning for linear discrete-time systems with robust stability guarantees based on Set Membership
在本文中,我们提出了一种新的方法,允许设计,在一个纯粹的基于数据的方式和线性单输入单输出系统,既鲁棒稳定和执行控制系统跟踪分段恒定的参考信号。该方法同时使用(i)虚拟参考反馈调整执行合适的性能和(ii)集成员框架提供先验的鲁棒稳定性保证。事实上,一个不确定性集的系统参数是通过集成员身份识别,其中提出了一种算法的基础上的情景方法来估计通货膨胀参数的概率方式。在此基础上,将鲁棒稳定性条件作为优化问题中的线性矩阵不等式约束,该优化问题的线性代价函数依赖于虚拟参考反馈调节。为了证明我们方法的通用性和有效性,我们将其应用于两种最广泛使用但简单的控制方案,即,其中由于(i)静态前馈动作和(i i)闭环中的积分器而实现跟踪。由于集员识别的原因,该方法不是完全直接的。然而,不确定性集的唯一目标是为闭环系统提供鲁棒稳定性保证,而不是直接用于性能优化,而是完全基于数据。通过两个仿真算例验证了该方法的有效性。与其他数据驱动的方法进行了比较。
2023-01-16 cs.SY eess.SY
Data-Efficient Control of Polynomial Systems via Physics-Guided Quadratic Constraints
Newcastle University(纽卡斯尔大学);Tampere University(坦佩雷大学)
针对模型不确定且数据受噪声干扰的复杂系统,提出一种物理引导的直接数据驱动框架,利用鲁棒控制屏障证书和二次约束整合物理信息,以数据高效的方式综合安全控制器。
2026-06-01 cs.SY eess.SY
NNSynth: Neural Network Guided Abstraction-Based Controller Synthesis for Stochastic Systems
在本文中,我们介绍了NNSynth,一个新的框架,使用机器学习技术来指导设计基于抽象的控制器的正确性保证。NNSynth利用神经网络(NN)来指导控制器空间的搜索。经过训练的神经网络被“投影”并用于构建系统的“局部”抽象。基于抽象的控制器,然后从这样的“本地”抽象合成。如果没有找到满足规范的控制器,则将找到的最佳控制器“提升”到神经网络进行额外的训练。我们的实验表明,这种神经网络引导的合成导致更多的$50\times$甚至$100\times$在高维系统的加速相比,国家的最先进的。
2022-04-07 cs.SY eess.SY
Exponentially Stable Projector-based Control of Lagrangian Systems with Gaussian Processes
针对拉格朗日系统的非线性不确定性,本文提出一种基于拉格朗日高斯过程的结构保持投影跟踪控制律,利用矩阵分析和收缩理论推导出指数稳定性的概率保证,并通过机械臂仿真验证了其有效性。
2024-06-05 cs.SY eess.SY
Reachable Set Estimation for Neural Network Control Systems: A Simulation-Guided Approach
人工智能(AI)和机器学习(ML)对对抗性干扰和攻击的脆弱性严重限制了它们在安全关键系统中的适用性,包括在传感和控制的各个阶段配备神经网络组件的网络物理系统(CPS)。研究了嵌入神经网络作为反馈控制器的动力系统的可达集估计和安全性验证问题。闭环系统可以抽象为一个连续时间采样系统的形式下的神经网络控制器的控制。首先,一种新的可达集的计算方法,在适应神经网络产生的模拟。在区间算术框架下,对一类具有一般激励函数的多层感知器(MLP)前向神经网络进行了可达性分析。然后,结合常微分方程建模的各类动力系统的可达性方法,给出了一种过逼近闭环系统可达集的递推算法.神经网络控制系统的安全性验证可以通过检查可达集的过逼近与不安全集的交集是否为空来实现。通过对机器人手臂模型和自适应巡航控制系统的仿真,验证了该方法的有效性。
2020-04-26 cs.SY eess.SY math.OC
A Learn-and-Control Strategy for Jet-Based Additive Manufacturing
在本文中,我们开发了一个基于物理指导的递归神经网络(RNN)模型的预测几何控制框架,用于基于喷射的增材制造(AM)。由于其物理上可解释的架构,该模型的参数是通过使用少量层的输入输出数据通过反向传播训练网络来获得的。此外,我们证明,该模型可以双重表示,使层液滴输入模式(每一层)的一部分,现在成为网络参数,通过反向传播学习。该方法适用于前馈预测控制,其中网络参数从先前数据离线学习,并且合成所有待打印层的控制输入图案。预测控制器的稳定性的充分条件。此外,我们设计了一种算法,有效地实现反馈预测控制,其中网络参数和输入模式(滚动时域)在线学习,没有增加提前期计算。前馈控制方案的实验表明,提高RMS参考跟踪误差超过30%的最先进的状态。我们还实验证明,过程的不确定性补偿的在线学习和反馈控制。
2022-07-07 cs.SY eess.SY math.OC
Controller Synthesis of Wind Turbine Generator and Energy Storage System with Stochastic Wind Variations under Temporal Logic Specifications
在本文中,我们提出了一种控制器综合方法的风力涡轮发电机(WTG)和能量存储系统的度量时序逻辑(MTL)规范,可证明的概率保证在随机环境中的风力发电。MTL规范是对电网频偏、WTG转子速度变化和不同线路的功率流约束的要求。提出了随机控制互模拟函数,该函数以概率的方式限制了切换随机控制系统和切换标称控制系统的轨迹的发散,通过求解确定性控制系统标称轨迹的优化问题,设计了一个前馈控制器,该前馈控制器对初始状态变化和随机不确定性具有鲁棒性.然后,我们从模拟轨迹的数据生成反馈控制律。我们实现了我们的控制方法的四节点系统和九节点系统,并测试了该方法的有效性与发电损失的干扰。我们还测试了反馈控制器的优势时,意外的干扰发生的前馈控制器。
2019-11-26 cs.LO cs.SY eess.SY
Vector-Field-Guided Constraint-Following Control for Geometric Path Following of Uncertain Mechanical Systems
State Key Laboratory of Advanced Design and Manufacturing Technology for Vehicle, Hunan University(车辆先进设计与制造技术国家重点实验室,湖南大学);KUKA Robotics(库卡机器人);School of Artificial Intelligence and Robotics, Hunan University(人工智能与机器人学院,湖南大学)
本文提出一种通用控制方法,用于解决一类不确定机械系统的几何路径跟随动力学控制问题,适用于全驱动和欠驱动系统及未知边界不确定性和自相交路径。
2026-11-13 cs.SY eess.SY
User manual and tutorial for ISIM1s: a tiny MATLAB package for single stage invariant manifold-guided impulsive stabilization of delay equations
ISIM1s由几个MATLAB函数和一个脚本组成,可用于导出延迟微分方程的稳定脉冲控制器。本文档既可作为手册,也可作为ISIM 1s软件包功能的教程。在解释主要的MATLAB脚本之前,提供了理论上保证稳定的情况的简要背景。该教程演示了如何包可以用来获得稳定的脉冲控制器的延迟微分方程的各种复杂性尺度。重点放在各种调整参数的作用。
2021-02-12 cs.SY eess.SY math.OC
MAGICS: Adversarial RL with Minimax Actors Guided by Implicit Critic Stackelberg for Convergent Neural Synthesis of Robot Safety
Department of Electrical and Computer Engineering, Princeton University, USA(电气与计算机工程系,普林斯顿大学)
提出MAGICS对抗强化学习算法,通过隐式Critic Stackelberg引导的Minimax Actor保证局部收敛至minimax均衡,为深度RL机器人安全合成提供收敛保证,并在仿真和四足机器人实验中优于现有方法。
2025-04-27 cs.AI cs.LG cs.RO
Reachability-based Control Synthesis under Signal Temporal Logic Specifications
在本文中,我们研究的控制器设计问题的线性扰动系统下的信号时序逻辑(STL)规格施加空间和时间的限制系统的行为。我们首先实现基于zonotope的技术划分的状态空间到有限的细胞,然后提出了一个评估机制,重新安排的STL规范的时间约束,最后分解的全球STL公式到有限的本地STL公式。以这种方式,每个单元具有局部控制设计问题,该局部控制设计问题被进一步公式化为局部优化问题。针对每一个局部优化问题,我们利用区域空间的性质和可达性分析设计了由前馈和反馈部分组成的局部控制器。通过求解所有的局部优化问题,所有的局部控制器组合,以保证全局STL规格。最后,给出了一个数值例子来说明推导的结果。
2021-10-15 cs.SY eess.SY
UAVGENT: A Language-Guided Distributed Control Framework
Department of Electrical and Computer Engineering(电气与计算机工程系);Carnegie Mellon University(卡内基梅隆大学)
UAVGENT通过结合语言引导的任务推理与分布式反馈控制,实现了多无人机系统在复杂任务中的鲁棒性和稳定性。
2026-01-18 cs.MA cs.RO cs.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
Recurrent Equilibrium Networks: Flexible Dynamic Models with Guaranteed Stability and Robustness
Australian Centre for Robotics(澳大利亚机器人中心);The University of Sydney(悉尼大学)
提出循环平衡网络(RENs),通过无约束参数化内置收缩稳定性、IQC、Lipschitz 与增量无源性保证,并在系统辨识、观测器和控制中验证其灵活建模能力。
2023-07-12 cs.LG cs.SY eess.SY
Robust-Sub-Gaussian Model Predictive Control for Safe Ultrasound-Image-Guided Robotic Spinal Surgery
Balgrist University Hospital(巴尔格里斯特大学医院);University of Zurich(苏黎世大学);ETH Zurich(苏黎世联邦理工学院);OR-X Translational Center for Surgery(OR-X转化外科中心)
针对高维数据状态估计误差分布未知导致的安全保证难题,提出基于有界均值次高斯噪声的鲁棒MPC框架,结合基于集合的鲁棒方法与方差代理传播,在超声引导机器人脊柱手术流程中实现了闭环安全保证。
2025-08-08 cs.RO cs.SY eess.SY
Backstepping-Guided Reinforcement Learning for Wide-Range Saint-Venant Canal Regulation
School of Information and Intelligent Science, Donghua University(东华大学信息智能学院)
本研究针对圣维南系统宽范围调节问题,提出反步引导SAC控制器框架,结合DeepONet学习反步控制先验与迁移学习,在桑布尔河模型仿真中提升了学习效率与大偏差下的调节效果。
2026-08-21 cs.SY eess.SY math.AP
Detection of Unknown-Unknowns in Human-in-Plant Human-in-Loop Systems Using Physics Guided Process Models
Arizona State University(亚利桑那州立大学)
针对安全关键型人在回路人在设备系统的未知-未知场景检测问题,提出结合DiH-RNN与物理引导代理模型的检测框架,并在人工胰腺系统上验证了对未知胰岛素药筒故障的检测效果。
2023-12-12 cs.AI cs.SY eess.SY
RRT Guided Model Predictive Path Integral Method
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Mercer University(默瑟大学)
本文提出了一种基于最优采样的方法来解决静态和动态环境下的实时运动规划问题,利用快速探索随机树(RRT)算法和模型预测路径积分(MPPI)算法。RRT算法在MPPI算法中提供随机控制分布的标称平均值,从而在静态和动态环境中获得令人满意的控制性能,而无需进行精细的参数调整。我们还讨论了选择正确的平均值的MPPI算法,平衡探索和最优性差距,给定一个固定的样本量的重要性。特别地,需要足够大的均值来充分探索状态空间,并且需要足够小的均值来保证样本重构最优控制。所提出的方法自动化的过程中,选择正确的意思,将RRT算法。仿真结果表明,该算法可以实时解决静态或动态环境下的运动规划问题。
2023-01-30 cs.RO cs.SY eess.SY
Data-driven Power Loss Identification through Physics-Based Thermal Model Backpropagation
University of Padova(帕多瓦大学);Newtwen(纽特文公司)
针对电力电子数字孪生中功率损耗难以直接测量的问题,提出结合物理热模型与数据驱动技术的级联混合框架,通过自举前馈网络经降阶热模型反向传播校正功率损耗,大幅降低温度与功率损耗估计误差,适用于受限的实时工业场景。
2025-03-31 cs.AI cs.CC cs.LG
Guided Constrained Policy Optimization for Dynamic Quadrupedal Robot Locomotion
University of Oxford(牛津大学)
深度强化学习(RL)使用无模型技术来优化特定于任务的控制策略。尽管强化学习已成为解决复杂问题的一种有前途的方法,但它仍然很难可靠地用于现实世界的应用。除了精确的奖励函数调整、不准确的传感和驱动以及非确定性响应等挑战外,现有的RL方法不能保证在所需的安全约束内的行为,而这些安全约束对于真实的机器人场景至关重要。在这方面,我们介绍了指导约束策略优化(GCPO),我们的约束近端策略优化(CPPO)跟踪基本速度命令,同时遵循定义的约束的实现的基础上的RL框架。我们还介绍了计划,鼓励状态恢复到约束区域的情况下,约束违反。我们提出了我们的训练方法的实验结果,并在真正的ANYmal四足机器人上进行测试。我们将我们的方法与无约束RL方法进行比较,结果表明,引导约束RL提供了更快的收敛速度,接近所需的最佳结果,从而获得最佳的,但物理上可行的机器人控制行为,而无需精确的奖励函数调整。
2020-02-22 cs.LG cs.RO cs.SY