研究人员开发了一个新的物理信息学习框架，旨在改进端口哈密顿系统的能量整形控制。该框架使用轨迹数据和交替优化来同时学习系统模型和最优能量平衡控制器。该方法利用神经网络嵌入系统动力学和控制器结构，确保闭环系统的可解释性和可证明的稳定性。 AI
影响 为控制系统引入了一种新颖的物理信息学习方法，有望提高实际应用中的鲁棒性和稳定性。
排序理由 这是一篇详细介绍控制系统新物理信息学习框架的研究论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
研究人员共同学习物理信息AI模型和能量整形系统的控制器
报道来源 [2]
-
Co-Learning Port-Hamiltonian Systems and Optimal Energy-Shaping Control
arXiv:2604.26172v1 Announce Type: cross Abstract: We develop a physics-informed learning framework for energy-shaping control of port-Hamiltonian (pH) systems from trajectory data. The proposed approach {co-learns} a pH system model and an optimal energy-balancing passivity-based…
-
Co-Learning Port-Hamiltonian Systems and Optimal Energy-Shaping Control
We develop a physics-informed learning framework for energy-shaping control of port-Hamiltonian (pH) systems from trajectory data. The proposed approach {co-learns} a pH system model and an optimal energy-balancing passivity-based controller (EB-PBC) through alternating optimizat…