Nous étudions un problème d'identification simultanée de systèmes et de modèles prédictifs.
contrôle de systèmes non linéaires. Particulièrement, nous fournissons un algorithme pour les systèmes
avec une dynamique résiduelle inconnue qui peut être exprimée par les opérateurs de Koopman. Tel
la dynamique résiduelle peut modéliser les perturbations externes et les erreurs de modélisation, tel que
perturbations dues au vent et aux vagues sur les véhicules aériens et marins, ou modèle inexact
paramètres. L'algorithme a des garanties de quasi-optimalité en temps fini et
converge asymptotiquement vers le contrôleur non causal optimal. Spécifiquement,
the algorithm enjoys sublinear \textit{regret dynamique}, défini ici comme le
sous-optimalité contre un contrôleur clairvoyant optimal qui sait comment le
une dynamique inconnue s'adaptera à ses états et à ses actions. À cette fin, nous supposons
l'algorithme reçoit des fonctions observables de Koopman telles que l'inconnue
la dynamique peut être approchée par un système dynamique linéaire. Alors, il emploie
modéliser le contrôle prédictif basé sur le modèle appris actuel de l'inconnu
dynamique résiduelle. Ce modèle est mis à jour en ligne en utilisant les moindres carrés dans un
de manière auto-supervisée sur la base des données collectées tout en contrôlant le
système. Nous validons notre algorithme dans des simulations basées sur la physique d'un poteau de charrette
système visant à maintenir le poteau droit malgré des paramètres de modèle imprécis.

Cet article explore les excursions dans le temps et leurs implications.

Télécharger PDF: