基于哈密顿信息的神经控制新方法，提升闭环系统控制精度与稳定性。
Receding Hamiltonian-Informed Optimal Neural Control and State Estimation for Closed-Loop Dynamical Systems
- 融合哈密顿原理与神经网络，用庞特里亚金极值法求解最优控制
- 在多类系统中实现更优跟踪性能与控制优化，优于传统模型预测控制
- 适合需高精度反馈控制的复杂动态系统研究与工程应用
本文提出一类新型基于神经网络的控制器——哈密顿信息最优神经（Hion）控制器，用于动态系统与显式非线性模型预测控制。该控制器通过庞特里亚金极值原理，估计未来状态并制定最优控制策略。所提出的框架结合我们设计的针对神经微分方程与最优控制的定制多面方法（T-mano）架构，可实现定制暂态行为、预测控制与闭环反馈，克服了现有方法的局限性。与主流模型预测控制器的对比分析表明，Hion控制器在最优性与跟踪能力方面表现更优。同时，该方法在线性和非线性动态系统中均验证了其最优控制策略的有效性。
原文摘要 · Abstract (English)
This paper formalizes Hamiltonian-Informed Optimal Neural (Hion) controllers, a novel class of neural network-based controllers for dynamical systems and explicit non-linear model-predictive control. Hion controllers estimate future states and develop an optimal control strategy using Pontryagin's Maximum Principle. The proposed framework, along with our Taylored Multi-Faceted Approach for Neural ODE and Optimal Control (T-mano) architecture, allows for custom transient behavior, predictive control, and closed-loop feedback, addressing limitations of existing methods. Comparative analyses with established model-predictive controllers revealed Hion controllers' superior optimality and tracking capabilities. Optimal control strategies are also demonstrated for both linear and non-linear dynamical systems.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。