告别传统建模！新框架让神经李导数直接替代控制器，实现完全数据驱动的反馈线性化。
Learning Neural Feedback Linearization for Data-driven Systems via Augmented Lagrangian
📖 AI 总结
该论文提出一种数据驱动的反馈线性化控制器设计与训练框架，其核心创新在于将相对度相关条件显式嵌入学习过程，并用神经李导数替代传统反馈控制器的解析组件，从而实现完全数据驱动的反馈线性化。作者进一步推导了闭环稳定性的充分条件，证明在辨识误差有界的前提下跟踪误差亦有界，为数据驱动控制提供了理论保障。研究通过电枢控制直流电机的案例验证了理论结果的有效性。这项工作将深度学习与非线性控制理论相结合，为缺乏精确物理模型的系统提供了一条兼具理论保证与数据适应性的控制设计路径。
🔑 关键词速览
| 反馈线性化 | 一种非线性控制方法，通过状态反馈将非线性系统精确转化为线性系统，从而便于控制器设计。 |
| 相对阶 | 描述系统输出对输入导数依赖程度的指标，决定了反馈线性化中需要微分输出的次数。 |
| 神经李导数 | 使用神经网络来近似计算李导数，从而避免对系统精确数学模型的依赖。 |
| 数据驱动 | 指直接利用系统输入输出数据来设计控制器，而不需要显式的物理机理模型。 |
| 闭环稳定性 | 指在反馈控制作用下，系统状态能够保持有界并收敛到期望平衡点的性质。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅