Core Concepts
알려지지 않은 비선형 시스템의 입력 궤적을 입출력 데이터를 기반으로 최적화하고, 성능 및 제약 조건 만족에 대한 확률적 보장을 제공한다.
Abstract
이 논문은 입출력 데이터만 이용 가능한 경우에도 시스템의 동역학과 잠재 상태를 함께 추정할 수 있는 새로운 최적 제어 방법을 제안한다.
먼저, 입출력 데이터를 이용하여 시스템 동역학과 잠재 상태에 대한 사후 분포를 입자 마르코프 체인 몬테카를로 방법으로 추정한다. 이를 통해 시스템의 불확실성을 정량화할 수 있다.
다음으로, 이 사후 분포에서 추출한 시나리오를 활용하여 최적 입력 궤적을 계산한다. 이때 모든 시나리오에서 제약 조건이 만족되도록 하여 확률적 제약 만족 보장을 제공한다. 또한 최악의 비용을 최소화하는 입력 궤적을 계산함으로써 성능 보장을 제공한다.
제안된 방법은 수치 시뮬레이션을 통해 그 효과를 입증한다. 알려진 기저 함수와 일반적인 가우시안 과정 기반 기저 함수 두 경우 모두에서 강건하고 성능이 우수한 입력 궤적을 생성할 수 있음을 보인다.
Stats
상태 방정식: xt+1 = f(xt, ut) + vt
출력 방정식: yt = g(xt, ut) + wt
비용 함수: JH = ∑H
t=0 ut^2
제약 조건: 2 ≤ y20:25, |u| ≤ 5
Quotes
"As control engineering methods are applied to increasingly complex systems, data-driven approaches for system identification appear as a promising alternative to physics-based modeling."
"Since it is often very time-consuming or even impossible to derive physics-based models, e.g., for flexible robotic manipulators or human-robot interaction, data-driven modeling approaches are gaining attention."