收缩感知强化学习:融合控制收缩度量与强化学习的非线性路径跟踪控制
《IEEE Transactions on Robotics》:Contraction-Aware Reinforcement Learning for Nonlinear Control with Statistical Robustness
【字体:
大
中
小
】
时间:2026年09月18日
来源:IEEE Transactions on Robotics 11.1
编辑推荐:
**摘要:**
控制收缩度量(Control Contraction Metrics, CCMs)——定义为使闭环系统具有增量指数稳定性的黎曼度量——为合成非线性路径跟踪问题中的收缩策略提供了一个建设性框架。然而,虽然所合成的策略确保了逐点满足CCM条件,但它们可能无法保证
**摘要:**控制收缩度量(Control Contraction Metrics, CCMs)——定义为使闭环系统具有增量指数稳定性的黎曼度量——为合成非线性路径跟踪问题中的收缩策略提供了一个建设性框架。然而,虽然所合成的策略确保了逐点满足CCM条件,但它们可能无法保证在瞬态和稳态阶段下的长期最优性(即使得累积轨迹级跟踪误差最小化)。此外,这些策略的近视特性也可能使它们在使用近似动力学来构建CCM时更容易受到学习偏差的影响。为了解决这些问题,我们提出将CCM与强化学习(RL)相结合。CCM为学习具有稳定性保证——即具备收缩感知能力——的策略提供了动力学信息反馈,而RL则提供了一种在近似动力学条件下最小化累积跟踪误差的框架。给定一个预训练的动力学模型,我们的算法——收缩感知强化学习(CARL)——同时学习生成CCM并针对由这些CCM定义的奖励优化策略。我们证明,与相关基线方法相比,CARL在模拟和真实机器人实验中都能提升路径跟踪性能,并对近似动力学中的误差具有鲁棒性。我们还提供了将CCM与RL集成的理论依据。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号