Data-driven approximation of regions of attraction via an LP-based selection of PWA Lyapunov functions
本文提出了一种方法，通过数据近似未知非线性动力系统吸引区。假设向量场的点评和已知利普希茨界，构造了多面体不确定性集。该描述使能通过线性规划合成连续分段仿射李雅普诺夫函数，强制所有允许的向量场的鲁棒递减条件。该方法允许认证与可用数据一致的吸引区。数值例子展示了所提方法在稀疏数据中提取认证吸引区的有效性。
2026-10-02 cs.SY eess.SY math.OC
Learning Region of Attraction for Nonlinear Systems
估计一般非线性自治系统的吸引域（ROA）仍然是一个具有挑战性的问题，需要逐案分析。利用神经网络的普适逼近特性，提出了一种反例引导的方法来估计一般非线性动力系统的ROA，前提是它们可以用分段线性神经网络逼近，且逼近误差有界.具体来说，我们的方法使用反例搜索鲁棒的李雅普诺夫函数，即，李雅普诺夫条件失效的状态。我们使用混合二次规划生成反例。我们的方法是保证找到一个强大的李雅普诺夫函数在参数化的函数类，如果存在的话，在收集有限数量的反例。我们通过数值例子来说明我们的方法。
2021-10-02 cs.SY eess.SY
Regions of Attraction Approximation Using Individual Invariance
Masdar Institute of Science and Technology, Khalifa University（马斯达尔科学与技术学院，哈利法大学）；University of Tennessee（田纳西大学）
本文提出利用个体不变性定理简化非线性系统吸引区域近似，通过构造人工系统并验证其在电力系统暂态稳定中的有效性。
2018-06-11 cs.SY eess.SP eess.SY
Estimation of Regions of Attraction for Nonlinear Systems via Coordinate-Transformed TS Models
The Ohio State University（俄亥俄州立大学）；Virginia Tech（弗吉尼亚理工大学）；Technical University of Munich（慕尼黑工业大学）
本文提出一种通过坐标变换构建多个TS模型以估计非线性系统更大吸引区的方法，利用变换减少保守性并扩大稳定区域。
2026-03-29 cs.SY eess.SY
On Compatibility and Region of Attraction for Safe, Stabilizing Control Laws
提出了一种新的控制方法，以确保安全，稳定的控制律，即兼容，非线性仿射系统渐近稳定性与约束满足同时满足结果依赖于渐近稳定的控制律和归零控制障碍函数（ZCBF），但不需要控制李雅普诺夫函数（CLF）。定义了吸引区域的充分条件，使所提出的控制安全地稳定系统，同时保持原稳定控制律的递减李雅普诺夫函数。所提出的用于非线性仿射系统的方法需要在状态空间的相当大的部分上检查系统动态的条件，这在计算上可能是昂贵的。为了便于搜索的兼容性，我们扩展的结果，一类非线性系统，包括机械系统，一种新的控制器的设计，以保证无源性，安全性和稳定性。数值例子被用来证明所提出的技术。
2022-04-21 cs.SY eess.SY
Optimisation of Region of Attraction Estimates for the Exponential Stabilisation of the Intrinsic Geometrically Exact Beam Model
提出了一种系统的方法，通过边界反馈的几何精确（非线性）梁模型的指数稳定的吸引力区域的最大化估计。从最近建立的稳定性结果的基础上李雅普诺夫参数，所提出的工作的主要贡献是最大限度地提高分析发现的边界上的初始数据，局部指数稳定性得到保证，通过搜索（最佳）多项式李雅普诺夫泛函使用迭代半定规划方法。
2021-10-12 cs.SY eess.SY math.OC
Region of Attraction Estimation Using Union Theorem in Sum-of-Squares Optimization
本文提出 Union theorem 及基于此的高效 Region of Attraction 估计数值方法，利用多个 shape function 构建多项式 Lyapunov function，显著提升了估计性能并克服了现有 Sum-of-Squares 优化方法的保守性。
2023-05-19 cs.SY eess.SY math.OC
Probabilistic Region-of-Attraction Estimation with Scenario Optimization and Converse Theorems
本文融合场景优化与逆定理构建概率吸引域估计框架，保证误纳概率独立于系统复杂度并证明依概率收敛，可推广至多种非线性系统安全属性验证。
2023-06-05 cs.SY eess.SY math.OC
Region of Attraction Estimation for Free-Floating Systems under Time-Varying LQR Control
针对ADR与OOS任务中自由漂浮系统的运动动力学耦合，本文采用TVLQR稳定消旋机动，结合概率方法估计闭环ROA，并通过自由漂浮试验台验证适用性。
2024-05-10 cs.SY eess.SY
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
Convex computation of regions of attraction from data using Sums-of-Squares programming
本文提出基于求和平方规划的数据驱动方法，用于计算未知自主动态系统的区域吸引域，通过绕过系统模型约束，实现更有效的区域吸引域外近似。
2025-12-12 cs.SY eess.SY math.OC
Combining Trajectory Data with Analytical Lyapunov Functions for Improved Region of Attraction Estimation
基于逆变器的资源（IBR）的不断增加的摄取导致了许多新的挑战，电力系统运营商在世界各地。IBR发电机的高度复杂性使得精确的经典基于模型的稳定性分析成为一项困难的任务。本文提出了一种新的方法来解决的问题，估计的吸引域（ROA）的非线性系统的经典模型为基础的方法和现代数据驱动的方法相结合。我们的方法产生可验证的内部近似的ROA，典型的基于模型的方法，但也利用轨迹数据，以产生一个改进的准确的ROA估计。该方法通过使用解析的李雅普诺夫函数（例如能量函数）结合用于拟合逆李雅普诺夫函数的数据来执行。我们的方法是独立的函数拟合方法。在这项工作中，为了实现的目的，我们使用伯恩斯坦多项式函数拟合。给出了单机无穷大系统、三机系统和Van-der-Pol系统的ROA估计算例。
2022-06-20 cs.SY eess.SY
Computation of Regions of Attraction for Hybrid Limit Cycles Using Reachability: An Application to Walking Robots
University of California, Berkeley（加州大学伯克利分校）；University of Southern California（南加利福尼亚大学）
接触丰富的机器人系统，如足式机器人和机械手，通常表示为混合系统。然而，这些系统的稳定性分析和区域的吸引力计算往往是具有挑战性的，因为接触时的不连续状态变化（也称为状态重置）。在这项工作中，我们投区域的吸引力的计算作为一个哈密尔顿-雅可比（HJ）的可达性问题。这使我们能够利用HJ可达性工具，与一般的非线性系统动力学兼容，并可以正式处理状态和输入约束以及有界干扰。我们的主要贡献是HJ可达性框架的推广，占不连续的状态变化源于状态重置，这一直是一个挑战，直到现在。我们应用我们的方法来计算几个欠驱动步行机器人的吸引区域，并证明了所提出的方法可以（a）恢复一个更大的区域的吸引比国家的最先进的方法，（b）处理状态重置，非线性动力学，外部干扰，和输入约束，（c）还提供了一个稳定的控制器的系统，可以利用状态重置，以提高系统的稳定性。
2022-02-09 cs.RO cs.SY eess.SY
Nonlinear Trajectory-Based Region of Attraction Estimation for Aircraft Dynamics Analysis
目前的飞行控制验证主要基于线性分析和高保真度的非线性仿真。飞行控制非线性分析工具的不断发展大大地加强了验证过程。许多分析工具都依赖于假设的解析飞行动力学，但本文提出了一种方法，只使用仿真数据。首先，本文提出了一种改进的方法，用于估计的吸引区（ROA）的非线性系统由常微分方程（ODE）的基础上，只有轨迹测量。更快、更准确地收敛到真实的ROA结果。这些改进使得所提出的算法在高维和更复杂的系统中是可行的。接下来，这些工具用于分析NASA通用运输模型（GTM）飞机的四状态纵向动力学。一个分段多项式模型的GTM是用来模拟轨迹和开发的分析工具被用来估计的ROA周围的修剪条件下，只基于这个轨迹数据。最后，将所提出的算法推广到多个平衡点系统和一般平衡集（任意平衡点和极限环）系统的ROA估计。
2021-06-16 cs.SY eess.SY
Implicit Predecessor-Based Region of Attraction Estimation and Robust Invariance Analysis for a Two-Wheeled Inverted Pendulum
1 Université Côte d‘Azur, i3S/CNRS, Sophia Antipolis, France
本文针对非线性系统吸引域估计问题，结合基于李雅普诺夫的正不变集与基于前驱的隐式表示，计算出保守性更低的吸引域内近似，同时分析其鲁棒正不变性。通过两轮倒立摆验证，结果表明该方法能扩大认证操作区域，适用于吸引域近似和鲁棒性评估。
2026-10-21 cs.SY eess.SY
Region of Attraction Estimation Using Invariant Sets and Rational Lyapunov Functions
University of Oxford（牛津大学）
本文提出通过不变集和有理李雅普诺夫函数估计非线性动力系统平衡点的吸引区域，提供了一种无需依赖李雅普诺夫函数水平集的正不变集方法，并给出了相关条件。
2016-04-04 cs.SY eess.SY math.OC
Underapproximating Safe Domains of Attraction for Discrete-Time Systems Using Implicit Representations of Backward Reachable Sets
针对非线性系统吸引域估计难、现有方法保守或仅适用于低维的问题，提出基于安全后向可达集隐式表示的迭代方法，实现离散时间自治非线性系统安全吸引域的单调欠逼近，可高效验证点包含性，经二维、四维系统算例验证。
2025-05-20 cs.SY eess.SY math.OC
Model-free Learning of Regions of Attraction via Recurrent Sets
Johns Hopkins University（约翰斯·霍普金斯大学）
研究无模型下渐近稳定平衡点吸引域的内部近似问题，提出利用条件更宽松的递归集替代不变集，并开发基于轨迹采样反例的序列处理算法，提供了反例数量上界与几乎必然收敛保证。
2023-09-14 cs.LG cs.SY eess.SY
Region of attraction analysis of nonlinear stochastic systems using Polynomial Chaos Expansion
提出了一种估计具有有限二阶矩和不确定依赖平衡点的随机系统吸引域的方法。该方法采用多项式混沌（PC）的扩展表示的随机系统的高维确定性方程组。首先，我们展示了如何平衡点的确定性配方提供的随机矩的不确定性依赖的平衡点的随机系统。然后推导出随机系统矩的有界性与其PC展开式的李雅普诺夫稳定性之间的联系。定义相应的概念的ROA的两个系统表示，我们展示了如何利用这种连接来恢复的随机系统的ROA的PC扩展系统的ROA的估计。两个优化程序，从平方和编程技术，计算内部估计的ROA。第一个优化程序使用李雅普诺夫稳定性参数来返回PC扩展的ROA的估计。基于此结果和用户对初始条件的时刻的指定，第二个采用所示的连接，以提供相应的随机系统的ROA。通过两个实例说明了该方法。
2019-11-01 cs.SY eess.SY
Region of Attraction Estimation for Linear Quadratic Regulator, Linear and Robust Model Predictive Control on a Two-Wheeled Inverted Pendulum
Université Côte d‘Azur CNRS, I3S（法国蔚蓝海岸大学CNRS第三信息科学与系统研究所）；ETH Zürich IDSC（苏黎世联邦理工学院智能系统与控制系）；KTH Royal Institute of Technology Digital Futures（瑞典皇家理工学院数字未来中心）
本文研究了两轮倒立摆在三种基于模型的控制策略下吸引区的估计问题，结合分析保证与数据驱动方法，提供了一种评估控制器性能的实用方法。
2026-10-22 cs.SY eess.SY
Synthesis of Feedback Controller for Nonlinear Control Systems with Optimal Region of Attraction
Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）
我们提出了一个框架，用于合成的反馈控制策略，最大限度地提高区域的吸引力（ROA）的闭环非线性动力系统。我们的合成技术依赖于随机优化，这涉及到一个目标函数的计算捕获的ROA的反馈控制律。我们采用基于深度神经网络的机器学习技术来估计给定反馈控制器的ROA。总的来说，我们的技术是能够合成一个控制器共同优化传统的控制目标，如LQR成本与ROA。我们证明了我们的技术的有效性，通过详尽的实验进行各种非线性系统。
2020-04-26 cs.RO cs.SY eess.SY
Safe Learning of Regions of Attraction for Uncertain, Nonlinear Systems with Gaussian Processes
ETH Zurich（苏黎世联邦理工学院）；University of Toronto（多伦多大学）
本文提出通过实验学习真实系统的吸引区域，利用高斯过程先验假设和Lyapunov函数，在不离开真实吸引区域的前提下，安全扩展估计。
2017-08-16 cs.SY eess.SY
SCORE: Statistical Certification of Regions of Attraction via Extreme Value Theory
Johns Hopkins University（约翰斯·霍普金斯大学）；Pacific Northwest National Laboratory（太平洋西北国家实验室）
本文提出SCORE框架，通过极值理论和随机梯度动力学方法，解决高维非线性系统区域吸引域认证问题，实现高效且可靠的统计认证。
2026-09-30 cs.SY eess.SY
A Feasibility Governor for Enlarging the Region of Attraction of Linear Model Predictive Controllers
针对带逐时刻约束的线性 MPC 跟踪问题，提出附加 Feasibility Governor，通过离线多面体投影与在线凸二次规划修改参考，以扩大吸引域并保证稳定、零偏差和有限时间收敛。
2020-11-03 cs.SY eess.SY math.OC
Regions of Attraction for Hybrid Limit Cycles of Walking Robots
Massachusetts Institute of Technology（麻省理工学院）
本文应用非线性混合极限环吸引域分析的最新研究成果，通过范德波尔振荡器、无辐车轮和指南针步态三个示例系统，详细阐述了利用平方和分析和半定规划寻找横向动力学李雅普诺夫函数的方法，并展示了优化横向面、处理冲击映射、优化李雅普诺夫函数以及轨道稳定控制设计等不同方面的应用。
2010-10-11 cs.RO cs.SY eess.SY
Optimization-Based Safe Stabilizing Feedback with Guaranteed Region of Attraction
针对仿射控制系统的安全镇定问题，提出了一种基于惩罚的反馈优化设计框架。我们的出发点是可用性的控制李雅普诺夫函数（CLF）和控制障碍函数（CBF）定义的仿射输入不等式，证明，分别为动态的稳定性和安全性目标。利用约束优化的惩罚方法的思想，所提出的设计框架将其中一个不等式作为硬约束，另一个作为软约束。我们研究了闭环系统的性能下得到的反馈控制器，并确定条件的罚参数，以消除不需要的平衡，可能会出现。超越了文献中的局部稳定性保证，我们能够提供一个内部近似的平衡吸引区域，并确定条件下，整个安全集属于it.Simulations说明我们的结果。
2022-07-25 cs.SY eess.SY math.OC
Lyapunov Neural Network with Region of Attraction Search
提出一种Lyapunov神经网络，通过构造确保非负性和唯一全局最小值，并最大化水平集内切正方形以扩大吸引域，加速控制器与Lyapunov证书的求解，在多个系统上训练时间减半且ROA更大。
2024-03-15 cs.SY eess.SY
Barrier-Riccati Synthesis for Nonlinear Safe Control with Expanded Region of Attraction
Control & Instrumentation Engineering Department, King Fahd University of Petroleum and Minerals（国王法赫德石油和矿物大学控制与仪器工程系）；Department of Electrical & Computer Engineering（电气与计算机工程系）；Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；Daniel Guggenheim School of Aerospace Engineering（丹尼尔·古根海姆航空航天工程学院）；George W. Woodruff School of Mechanical Engineering（乔治·W·伍德鲁夫机械工程学院）
本文提出一种基于里茨的非线性安全控制框架，结合屏障状态方法与状态依赖里茨方程方法，通过辅助状态嵌入安全约束，扩展吸引区域并保证渐近安全稳定。
2026-03-21 cs.RO cs.SY eess.SY
HALO: Hybrid Auto-encoded Locomotion with Learned Latent Dynamics, Poincaré Maps, and Regions of Attraction
Caltech（加州理工学院）；NC State University（北卡罗来纳州立大学）
HALO通过从轨迹数据中学习低维潜在线性模型，结合庞加莱映射和吸引区域分析，提升混合动力系统稳定性与安全性。
2026-04-20 cs.RO cs.SY eess.SY
Estimation of Regions of Attraction for Nonlinear Systems via Coordinate-Transformed TS Models and Piecewise Quadratic Lyapunov Functions
本文提出通过多重坐标变换生成多个TS模型表示，并结合分段二次Lyapunov函数分别计算吸引域后取并集，从而显著扩大非线性系统吸引域估计。
2025-07-17 cs.SY eess.SY math.DS
Local Stability and Region of Attraction Analysis for Neural Network Feedback Systems under Positivity Constraints
Department of Electrical & Computer Engineering, Northeastern University（电子与计算机工程系，东北大学）
针对Lur'e形式的神经网络反馈非线性系统，结合正性约束与局部Aizerman猜想，提出两种吸引域估计方法，在规模和可扩展性上优于现有基于积分二次约束的方法。
2025-10-03 cs.AI cs.SY eess.SY
Expanding the Transient Stability Region of Attraction of Networked Grid-Interactive Inverters: A Probabilistic Active Learning Framework
针对并网电网交互逆变器暂态稳定分析的保守性问题，该文提出概率主动学习框架，结合神经李雅普诺夫函数与高斯过程代理，将认证稳定域体积最高扩大20倍，且仿真查询量远少于穷举评估。
2026-08-25 cs.SY eess.SY
Improving the Region of Attraction of a Multi-rotor UAV by Estimating Unknown Disturbances
Faculty of Engineering, Memorial University of Newfoundland（纽芬兰纪念大学工程学院）
本文提出用神经网络估计未知扰动并融入标称模型，结合图形化技术计算LQR控制下多旋翼无人机的吸引域，实验表明该方法比传统Lyapunov方法更准确且更少保守。
2024-08-30 cs.LG cs.RO cs.SY
LyZNet: A Lightweight Python Tool for Learning and Verifying Neural Lyapunov Functions and Regions of Attraction
University of Waterloo（滑铁卢大学）；University of Illinois（伊利诺伊大学）
本文介绍LyZNet，一个基于PINN和SMT求解器学习并验证神经Lyapunov函数及接近吸引域的轻量级Python工具，适用于非线性系统稳定性分析。
2024-03-15 cs.LG cs.SY eess.SY
Regions of Attraction of CBF-Based Safety Filters for Stable Planar Linear Systems
California Institute of Technology（加州理工学院）；Budapest University of Technology and Economics（布达佩斯技术与经济大学）
本文针对稳定平面线性系统，研究基于CBF的安全滤波器的动力学特性，刻画了原点全局稳定的参数、鞍点的吸引域及不同CBF增益下的边界形式，并用实例验证结果。
2026-10-16 cs.SY eess.SY
Nonlinear System Identification with Prior Knowledge of the Region of Attraction
研究了当平衡点的吸引域（ROA）上存在先验知识时的非线性系统辨识问题。我们提出了一种识别方法的形式的最优化问题，最大限度地减少拟合误差，并保证所需的稳定性。通过联合辨识系统的动态特性和验证系统稳定性的李雅普诺夫函数来解决该问题。在这种情况下，假设集是一个再生核希尔伯特空间，并且相对于ROA的给定子集的每个点，李雅普诺夫函数的李导数不等式施加了约束。该问题是一个具有无穷多个约束的非凸无穷维优化问题。为了获得一个易于处理的配方，只有一个适当设计的有限子集的约束被认为是。由此产生的问题承认一个解决方案的形式的线性组合的部分内核及其衍生物。推导了一个等价的具有二次费用函数的线性和双线性约束的最优化问题。适当的变量变量变换给出了该问题的凸变换形式。为了减少超参数的数量，最优化问题适用于对角核的情况。通过实例说明了该方法。
2020-03-27 cs.SY eess.SP eess.SY
Region of Attraction of a Backstepping Observer for the Quasilinear Heat Equation
University of Waterloo（滑铁卢大学）
本文设计了基于反步设计的边界输出观测器，用于解决具有状态依赖热容量和导热系数的准线性热方程，证明了观测误差在H^1空间中的指数稳定性，并探讨了非线性设定下观测器增益与收敛率的关系。
2026-09-29 cs.SY eess.SY math.AP
Actor-Critic Physics-informed Neural Lyapunov Control
Johns Hopkins University（约翰斯·霍普金斯大学）
本文提出一种基于 actor-critic 和 Zubov 偏微分方程的神经 Lyapunov 控制方法，交替优化控制策略与 Lyapunov 证书以最大化吸引域，并通过 SMT 求解器计算最大可认证吸引域，实验表明该方法能显著提升吸引域大小。
2024-08-01 cs.LG cs.RO cs.SY
Region of Attraction Estimate Learning and Verification for Nonlinear Systems using Neural-Network-based Lyapunov Functions
Mitsubishi Electric R&D Centre Europe（三菱电机欧洲研发中心）
针对非线性系统吸引域估计传统方法保守性强、高维场景构建难的问题，提出结合复合神经网络李雅普诺夫函数、齐次损失训练与SMT形式化验证的数据驱动框架，在基准系统上验证了其低保守性与可验证性。
2025-11-14 cs.SY eess.SY math.DS
Hybrid Systems Neural Control with Region-of-Attraction Planner
Massachusetts Institute of Technology（麻省理工学院）
混合系统在机器人技术中很普遍。然而，由于复杂的连续和离散动态，确保混合动力系统的稳定性是具有挑战性的。一个所有系统模式都稳定的系统仍然可能是不稳定的。因此，在模式切换时需要特殊处理以稳定系统。在这项工作中，我们提出了一个分层的，神经网络（NN）为基础的方法来控制一般的混合动力系统。对于每个系统模式，我们首先学习一个神经网络李雅普诺夫函数和神经网络控制器，以确保吸引区域（RoA）内的状态可以稳定。然后在不同的模式下学习RoA NN估计器。在模式切换时，我们提出了一个可微规划器，以确保切换后的状态可以降落在下一个模式的RoA，从而稳定的混合动力系统。我们提供了新的理论稳定性保证，并在汽车跟踪控制，pogobot导航和双足步行机运动进行实验。我们的方法只需要其他基于学习的方法所需的训练时间的0.25倍。由于运行时间短（比模型预测控制（MPC）快10- 50倍），我们的控制器实现了比其他基线更高的稳定性/成功率，如MPC，强化学习（RL），共同李雅普诺夫方法（CLF），线性二次调节器（LQR），二次规划（QP）和基于汉密尔顿-雅可比矩阵的方法（HJB）。该项目的页面在https://mit-realm.github.io/hybrid-clf上。
2023-03-18 cs.LG cs.RO cs.SY
Region of Attraction for Power Systems using Gaussian Process and Converse Lyapunov Function -- Part I: Theoretical Framework and Off-line Study
School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）
本文提出利用高斯过程和逆Lyapunov定理构建电力系统吸引域的新框架，并设计GP-UCB采样算法平衡探索与利用，显著扩大了估计的吸引域范围。
2019-06-09 cs.LG cs.SY eess.SY
Approximate Regions of Attraction in Learning with Decision-Dependent Distributions
UIUC（伊利诺伊大学厄巴纳-香槟分校）
本文研究决策依赖分布下重复风险最小化的闭环收敛行为，将其建模为执行式风险最小化梯度流的受扰轨迹，并提出多均衡吸引域条件与执行式对齐概念。
2023-04-24 cs.LG cs.SY eess.SY
Learning Dynamical Systems using Local Stability Priors
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；ETH Zürich（苏黎世联邦理工学院）
提出了一种耦合计算方法，从系统生成的轨迹中同时学习矢量场和平衡点的吸引区域。非线性识别利用局部稳定性信息作为系统的先验信息，有效地赋予估计这一重要的结构属性。此外，吸引区域的知识通过告知从其生成轨迹的初始条件的选择以及通过使得能够使用系统的李雅普诺夫函数作为正则化项来发挥实验设计的作用。数值结果表明，所提出的方法允许有效的采样，并提供了一个准确的估计的动力学在其吸引区域的内部近似。
2020-08-23 cs.LG cs.SY eess.SY
Analytical Characterization of Epileptic Dynamics in a Bistable System
本文用稳定平衡点与极限环共存的双稳态模型刻画癫痫发作，解析构建吸引域并分析外部扰动和耦合网络参数的影响。
2024-04-04 cs.SY eess.SY math.DS
Set-point control and local stability for flat nonlinear systems using model-following control
Technische Universtät Ilmenau（埃尔福特工业大学）
本文研究了受扰动的平坦非线性系统设定点控制问题，采用模型跟踪控制方法，通过模型控制回路生成前馈信号，利用过程控制回路补偿扰动，分析闭环系统并讨论其与标准平坦性高增益方法的关系，通过案例研究量化了不同控制方法的吸引区域。
2025-03-31 cs.SY eess.SY math.OC
Sliding Mode Control Design: a Sum of Squares Approach
Tarbiat Modares University（塔比巴特莫达雷斯大学）
本文提出一种基于平方和编程的滑模控制与流形设计方法，用于稳定非线性不确定系统，扩大闭环动力学吸引区，并保证渐近和有限时间稳定性。
2016-01-10 cs.SY eess.SY
Deep Reinforcement Learning Graphs: Feedback Motion Planning via Neural Lyapunov Verification
本文提出一种基于深度强化学习控制器图与神经网络的反馈运动规划算法，通过树结构和图结构两种连接方式分别实现点到点和空间到空间控制，并在一阶动态系统上验证了其有效性。
2023-11-29 cs.RO cs.SY eess.SY
