Nat. Commun. 速递：基于机器学习的复杂动态轨迹无模型跟踪控制

关键词：机器学习，混沌系统，非线性跟踪控制，蓄水池计算

论文标题：Model-free tracking control of complex dynamical trajectories with machine learning论文来源：Nature Communications斑图链接：https://pattern.swarma.org/paper/6ea5eae2-5353-11ee-933f-0242ac17000d原文链接：https://www.nature.com/articles/s41467-023-41379-3
传统的控制混沌系统方法通常涉及使用微小的扰动来将混沌轨迹转化为所需的周期性轨迹。基本原则是生成混沌运动的动态不变集合包含无限数量的不稳定周期轨道，对于任何所需的系统性能，通常可以找到一个不稳定的周期轨道，其运动将产生所需的行为，然后问题就变成了在所需的不稳定周期轨道附近稳定系统的状态空间或相空间轨迹，这可以通过在轨道附近的线性控制来实现，因此只需要微小的控制扰动。然而，对于高维动力系统来说，控制复杂的非线性动力网络是一个活跃的研究领域。
文章旨在开发一种模型无关的、基于机器学习的控制框架，用于控制一个双臂机器人操纵器，仅使用部分观察到的状态信息，这个控制器通过蓄水池计算实现。
训练过程中利用随机输入，其中包括观察到的部分状态向量作为第一个组件，以及其立即未来作为第二组件，使神经机器将后者视为前者的未来状态。在测试阶段，将立即未来组件替换为来自参考轨迹的所需观测向量。研究通过使用各种周期性和混沌信号展示了控制框架的有效性，并确定了它对测量噪声、干扰和不确定性的稳健性。
这项研究对机器人技术在民用和国防应用中的控制具有重要意义，因为它提供了一种不需要完全了解系统模型和方程的方法来实现动态轨迹跟踪控制。
图1. 本文提出的机器学习跟踪控制器。
图2. 基于机器学习的跟踪控制工作原理。
图3. 为双臂机器人系统提出的基于机器学习的跟踪控制框架的基本架构。
图4 跟踪控制示例。

编译｜董佳欣

AI+Science 读书会

详情请见：人工智能和科学发现相互赋能的新范式：AI+Science 读书会启动

推荐阅读

‍1. Nature Reviews Physics 速递：格点 QCD 推动机器学习进展2. Nat. Mach. Intell. 速递：临床机器学习的算法公平性和减少偏差3. 探索“AI 大统一理论”：科学启发的机器学习理论4. 张江：第三代人工智能技术基础——从可微分编程到因果推理 | 集智学园全新课程5. 成为集智VIP，解锁全站课程／读书会6. 加入集智，一起复杂！

点击“阅读原文”，报名读书会