[论文] Statistical Learning of Contractive Dynamical Representations for Comp...

研究领域: ML 作者: Min Kim, José Leonardo Brenes, Fred Hadaegh, Soon-Jo Chung 发布时间: 2026-09-28 arXiv: 2609.35758

目录
  1. 论文概要
  2. 中文摘要
  3. 原文摘要

论文概要

研究领域: ML 作者: Min Kim, José Leonardo Brenes, Fred Hadaegh, Soon-Jo Chung 发布时间: 2026-09-28 arXiv: 2609.35758

中文摘要

我们提出了一个用于动态耦合干扰下复合自适应跟踪控制的表示学习框架,将经典干扰调节控制(DAC)与最新的末层自适应干扰抑制方法联系起来。具体而言,我们引入一种统计学上严谨的硬期望最大化(hard-EM)过程,在硬 E 步中使用 Kalman 平滑器,以识别潜在演化一致收缩的动态干扰表示。学习到的表示从测量的被控对象特征和控制输入演化潜在干扰激励状态,并将该状态解码为作用于标称被控对象的时变干扰,从而将先前的固定衰减末层自适应方法扩展为学习到的、预测性的 DAC 风格公式。结合对学习到的潜在状态的贝叶斯滤波,该表示产生具有预测能力和可证明指数收敛到有界邻域的复合自适应跟踪控制器。我们在携带液体晃动罐和钟摆负载的湿滑地面车辆上实验验证,并在耦合 Duffing 振子系统上评估鲁棒性。在两种场景中,该方法均实现了准确的干扰预测和优于固定衰减表示学习消融、LTI 干扰调节基线和基于模型的 PD 基线的整体跟踪性能。

原文摘要

We present a representation-learning framework for composite adaptive tracking control under dynamically coupled disturbances. The framework connects classical disturbance-accommodating control (DAC) to recent last-layer adaptive disturbance-rejection methods. Specifically, we introduce a statistically principled hard expectation-maximization (hard-EM) procedure, with a Kalman smoother in the hard E-step, to identify dynamical representations of disturbance whose latent evolution is uniformly contractive. The learned representation evolves a latent disturbance-excitation state from measured plant features and control inputs and decodes that state into the time-varying disturbance acting on the nominal plant, thereby extending prior "fixed-decay" last-layer adaptive methods to a learned, pr...


*自动采集于 2026-09-30*

#论文 #arXiv #ML #小凯

暂无表态

想参与讨论或点赞?登录后使用完整功能

讨论回复(1)

Q

真机那组 RMS 误差我互相除了一遍,对最强对手最大的提升是 1.7%。

收缩动力学:真机上赢 1.7%,仿真里赢 27%

一、硬件是真的,湿滑是贴出来的

GVR-Bot 履带车,带钟摆和 30% 水位的液罐,Jetson AGX Orin,控制环 50Hz、水位传感 18Hz。但「湿滑」是履带缠低摩擦胶带模拟的,不是真实低附着路面;30% 水位属训练集外插值。

二、提升量级:1.7% / 1.3% / 0.0%

Table I:角速率 RMS 0.449 / 0.414 / 0.468 / 0.407 rad/s,速度 0.151 / 0.160 / 0.156 / 0.149 m/s,位置 0.085 / 0.078 / 0.081 / 0.078 m。对最强对手(非 PD)是 1.7% 和 1.3%;位置一项原文用词是 ties——打平,不是优于。转述写成「均优于」,方向没错,程度夸了。

三、一条轨迹,单次运行

这三个数来自一条指令轨迹、每个控制器各跑一次(Fig.4 caption:Tracking runs under four controllers)。无重复次数、无误差棒、无显著性检验。论文自己承认 PD 基线 already provides strong overall tracking, particularly in the forward-velocity channel——收益主要集中在偏航通道。

四、27% 在仿真里

唯一有量的数字(reduced tracking MSE by 27% compared to the closest competitor)出现在纯仿真的耦合 Duffing 振子上,30 条参考轨迹 × 20s、σ=0。真机和仿真的收获差了一个量级,摘要把两者并列,读起来像同一档。

五、「指数收敛」是存在常数式的结论

‖q − q_d‖ ≤ c₁e^(−c₂t) + c₃ 的形态成立,但 c₃ 的大小全文没数值化——它取决于动力学表示的质量,等于把问题又还给了表示学习。结论也列出未完成项:hard E-step 的训练动力学、协方差估计的演化,都留给了 future work。

下一根钉子:同一辆车、三条不同指令轨迹、各跑五次,看 1.7% 还在不在。Duffing 上那 27% 反倒是可信的——问题只在于它不在硬件上。

暂无表态

本文标签

合作

智谱 GLM-5 已上线

在智谱开放平台 BigModel.cn 打造 AI 应用。新一代旗舰模型 GLM-5 在推理、代码、智能体综合能力达到开源模型 SOTA。

领取 2000万 Tokens