【标题】Toward reliable designs of data-driven reinforcement learning tracking control for Euler–Lagrange systems

【作者团队】Zhikai Yao, Ruofan Wu, Jianyong Yao

【发表日期】2022.6.3

【论文链接】https://www.sciencedirect.com/science/article/pii/S0893608022001915

【推荐理由】与线性系统的对应问题或调节控制问题不同，数据驱动的非线性最优跟踪控制问题非常具有挑战性。本文讨论了基于强化学习的直接信号跟踪控制，具体来说，旨在提供可靠且易于实施的设计，以实现可重现的基于神经网络的解决方案。本文提出的新设计利用了两个控制设计框架：基于强化学习的数据驱动方法来提供所需的适应和（次）最优性，以及基于反推的方法来提供闭环系统稳定性框架。作者为整个动态系统的稳定性、逼近非线性神经网络的权重收敛以及所得到的控制策略的贝尔曼（次）最优性提供了理论保证。逼近非线性神经网络的权重收敛，以及由此产生的控制策略的贝尔曼（次）最优性。作者使用模拟来证明所提出的方法相对于原始 dHDP 的设计性能显着提高。逼近非线性神经网络的权重收敛，以及由此产生的控制策略的贝尔曼（次）最优性。

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除