Robust Fundamental Lemma for Data-driven Control
由Willems和合著者的基本引理有利于参数化的线性定常系统的所有轨迹的一个单一的,测量的。这一结果在数据驱动的仿真和控制中起着重要的作用。在引擎盖下,基本引理通过向系统施加持续激励输入来工作。这确保所得输入/输出数据的汉克尔矩阵具有“正确”秩,这意味着其列跨越轨迹的整个子空间。然而,这样的二进制秩条件在小的加性噪声可能已经导致汉克尔矩阵具有满秩的意义上是脆弱的。因此,在这个扩展的抽象,我们提出了一个强大的版本的基本引理。该方法背后的思想是保证数据Hankel矩阵的奇异值的某些下界,而不仅仅是秩条件。这是通过设计实验的输入使得更深的输入汉克尔矩阵的最小奇异值足够大来实现的。这激发了一个新的定量和强大的概念的持久性的兴奋。通过比较不同程度的持续激励数据的预测控制性能,也将突出数据驱动控制结果的相关性。
2022-05-13 math.OC
Fundamental Lemma for Data-Driven Analysis of Linear Parameter-Varying Systems
基于Willems等人的基本引理,线性时不变(LTI)系统的整个行为可以由系统的单个数据序列来表征,只要输入持续激励。这是数据驱动分析和控制的基本结果。在这项工作中,我们的目标是推广这个LTI结果的线性参数变化(LPV)系统。基于LPV系统的行为框架,我们证明了可以得到类似于Willems的结果。基于LPV表示,即,嵌入,非线性系统,这允许应用的基本引理的系统以外的线性类。
2022-01-24 cs.SY eess.SY math.OC
Data-enabled Policy Optimization for the Linear Quadratic Regulator
针对线性二次型调节器(LQR)中策略优化数据需求过大的问题,提出数据使能策略优化(DeePO)方法,利用持续激励数据计算策略梯度并证明其全局收敛性,同时通过正则化增强控制器鲁棒性。
2023-09-15 cs.SY eess.SY math.OC
Analog Data-Driven Theory and Estimation of the Region of Attraction Using Sampled-Data
本研究提出基于系统轨迹获取非线性向量场线性表示的凸优化方法并证明相关稳定性,还给出基于逐点几何流的吸引域估计算法,经仿真验证有效。
2024-07-11 cs.SY eess.SY math.OC
Robust adaptive model predictive control with persistent excitation conditions
针对具有有界扰动和参数不确定性的约束线性系,提出了一种在线参数估计的鲁棒自适应模型预测控制策略。针对集员参数辨识方案,引入了强制执行持续激励闭环控制动作的约束。该算法要求在线求解凸规划,鲁棒地满足约束条件,并确保递归可行性和输入-状态稳定性。几乎必然收敛到实际系统参数的假设下,证明了稳定性,可达性,和紧干扰界。
2023-03-07 math.OC
Robust Constraint Satisfaction in Data-Driven MPC
我们提出了一个纯粹的数据驱动的模型预测控制(MPC)计划,以控制未知的线性时不变系统的稳定性和约束满足的保证存在噪声数据。该计划预测未来的轨迹的基础上,数据相关的汉克尔矩阵,跨越整个系统的行为,如果输入是持续兴奋。本文扩展了以前的工作数据驱动的MPC包括一个合适的约束收紧,确保闭环轨迹满足所需的逐点输出约束。此外,我们提供的估计程序来计算系统常数的可控性和可观测性,这是需要实施约束收紧。通过一个数值例子说明了所提出的方法的实用性。
2021-03-24 cs.SY eess.SY math.OC
Sample- and computationally efficient data-driven predictive control
针对现有LTI系统数据驱动预测控制方案数据需求大、计算复杂度高的问题,提出基于新型数据表示的eDDPC方案,提升了样本效率与计算效率,并通过理论和数值验证了性能。
2024-03-06 cs.SY eess.SY math.OC
Formulas for Data-driven Control: Stabilization, Optimality and Robustness
University of Groningen(格罗宁根大学);University of Florence(佛罗伦萨大学)
本文基于持续激励数据,提出了一种线性反馈系统的参数化方法,仅使用数据依赖的线性矩阵不等式解决控制问题,无需显式识别系统矩阵,解决了状态和输出反馈稳定性、线性二次调节问题以及非线性系统不稳定平衡点的鲁棒性问题。
2019-09-08 cs.SY eess.SY math.OC
A quantitative and constructive proof of Willems' Fundamental Lemma and its implications
本文受经典自适应控制启发,以定量、有向且构造性的方式重新证明Willems基本引理,给出奇异值界与显式PE下界,并揭示系统零点的关键作用。
2023-03-07 cs.SY eess.SY math.OC
Necessary and Sufficient Conditions for Data-driven Model Reference Control
Southeast University(东南大学);Bernoulli Institute for Mathematics, Computer Science and Artificial Intelligence, University of Groningen(格罗宁根大学伯努利数学、计算机与人工智能研究所)
该研究从数据驱动角度出发,基于数据信息性概念、不依赖持续激励数据,推导了无噪声和含噪声场景下模型参考控制的充要条件,可仅用系统生成数据直接完成参考模型匹配。
2024-10-31 math.OC
Uniform stabilization for linear systems with persistency of excitation. The neutrally stable and the double integrator cases
考虑受控系统$dx/dt = Ax + α(t)Bu$,其中对$(A,B)$是可稳定的,并且$α(t)$取$[0,1]$中的值并且是持续激励的,即,存在两个正常数$μ,T$,使得对于每个$t\geq 0$,$\int_t^{t+T}α(s)ds\geq μ$。特别地,当$α(t)$变为零时,系统动态切换到不可控系统。在本文中,我们解决以下问题:是否有可能找到一个线性时不变的状态反馈$u=Kx$,与$K$只取决于$(A,B)$,并可能在$μ,T$,这是全局渐近稳定的系统?对于$A$是中性稳定的和系统是双积分器的两种情况,我们给出了肯定的回答。
2007-02-23 math.OC
An Adaptive Data-Enabled Policy Optimization Approach for Autonomous Bicycle Control
Mälardalen University(梅拉达伦大学);ETH Zurich(苏黎世联邦理工学院)
本文提出内回路FL与外回路自适应DeePO相结合的自主自行车平衡控制框架,利用离线数据、鲁棒正则化和遗忘因子提升抗扰与时变适应能力,仿真和实车实验证明其跟踪性能优于仅用FL。
2025-02-19 cs.RO cs.SY eess.SY
Willems' Fundamental Lemma for State-space Systems and its Extension to Multiple Datasets
Willems等人的基本引理断言,所有的轨迹的线性系可以得到从一个单一的给定,假设一个持久的激励条件成立。这一结果对系统辨识和数据驱动控制有着深远的影响,并且在过去几年中得到了复兴。本文的目的是将Willems引理推广到多个(可能是短的)系统轨迹而不是一个长的系统轨迹的情况。为此,我们引入一个概念的集体持久性的激发。然后,我们将表明,所有的轨迹的线性系可以得到从一个给定的有限数量的轨迹,只要这些集体持续激励。我们将证明,这一结果使线性系的识别数据集与缺失的数据样本。此外,我们的结果是在不稳定系统的数据驱动控制的实际意义。
2020-05-07 math.DS math.OC
Online convex optimization for data-driven control of dynamical systems
提出了一种基于在线凸优化的离散线性动力系统控制算法。该算法是数据驱动的,即,不需要系统的模型,并且能够处理先验未知的和时变的费用函数。为此,我们利用一个单一的持续激励的输入输出序列的系统和结果的行为系统理论,使其能够处理未知的线性定常系统。此外,我们考虑噪声输出反馈,而不是完整的状态测量,并允许一般的经济费用函数。我们的闭环分析表明,该算法是能够实现次线性遗憾,测量噪声只增加了一个额外的常数项的遗憾上界。为了做到这一点,我们推导出一个数据驱动的表征的稳态流形的未知系统。此外,我们的算法是能够渐近准确地估计测量噪声。通过一个详细的热控仿真实例说明了该方法的有效性和应用前景。
2022-11-16 math.OC
Data-Driven Robust Model Reference Adaptive Control with Parameter Convergence
University of Groningen(格罗宁根大学);Southeast University(东南大学)
针对受过程噪声影响的系统,提出一种数据驱动设计,在不依赖持续激励信号的情况下保证模型参考自适应控制中自适应增益收敛到匹配方程的近似解,并显式刻画匹配误差与噪声的关系。
2026-06-06 math.OC
Flexible-step MPC for Unknown Linear Time-Invariant Systems
Chair of Intelligent Control Systems at RWTH Aachen University(亚琛工业大学智能控制系统讲席);Department of Mathematics and Statistics at Queen’s University(女王大学数学与统计系)
针对未知线性时不变离散系统,提出无需预采集数据集、避免初始开环辨识的灵活步长MPC算法,通过在线学习更新模型、灵活调整执行输入数并结合广义控制李雅普诺夫函数约束,证明可实现系统状态全局渐近稳定。
2025-10-01 math.OC