Основные понятия
데이터 기반 제어는 시스템 모델 구축이 비용이나 시간이 많이 드는 제어 시나리오에서 실용적인 옵션을 제공합니다. 그러나 많은 이러한 알고리즘은 완전히 자동화되지 않으며, 번거로운 시행착오 과정을 통해 여러 하이퍼파라미터를 조정해야 하고 많은 양의 데이터가 필요합니다. 이 논문에서는 유사한(그러나 동일하지 않은) 시스템에 대한 기존 지식을 활용하여 실험 부담을 줄이고 사용 가능한 자유도의 튜닝을 용이하게 하는 메타 학습 접근법을 탐구합니다.
Аннотация
이 논문은 데이터 기반 제어 문제에 메타 학습 접근법을 적용하는 방법을 제안합니다.
먼저 기존 연구에서 제안된 직접 메타 제어 설계 방법을 요약합니다. 이 방법은 유사한 시스템에 대한 정보를 활용하여 제어기 설계 문제를 해결합니다.
그 다음으로, 이 논문은 참조 모델 자동 튜닝 절차를 제안합니다. 이 절차는 사용자가 지정한 목표 동작 범위 내에서 참조 모델 파라미터를 최적화합니다. 이를 통해 사용자가 참조 모델을 직접 지정할 필요가 없어집니다.
마지막으로, 이 논문은 BLDC 모터 속도 제어 실험을 통해 제안된 메타 자동 DDC 접근법의 효과를 입증합니다. 실험 결과는 메타 학습 기반 접근법이 기존 방법에 비해 성능 향상과 사용자 편의성 향상을 달성할 수 있음을 보여줍니다.
Статистика
실험에 사용된 BLDC 모터의 정격 전압, 전류, 속도는 각각 24V, 7A, 3000rpm과 18V, 5.46A, 3920rpm입니다.
실험에 사용된 10개의 관성 부하 구성은 반경 0.024~0.0841m, 질량 0.055~0.212kg, 관성 모멘트 0.0465~0.7497kg·m^2 범위입니다.
Цитаты
"데이터 기반 제어는 시스템 모델 구축이 비용이나 시간이 많이 드는 제어 시나리오에서 실용적인 옵션을 제공합니다."
"많은 이러한 알고리즘은 완전히 자동화되지 않으며, 번거로운 시행착오 과정을 통해 여러 하이퍼파라미터를 조정해야 하고 많은 양의 데이터가 필요합니다."
"이 논문에서는 유사한(그러나 동일하지 않은) 시스템에 대한 기존 지식을 활용하여 실험 부담을 줄이고 사용 가능한 자유도의 튜닝을 용이하게 하는 메타 학습 접근법을 탐구합니다."