유한 구간 Pontryagin 시스템의 심플렉틱 횡단성과 끝점 Green 추정
Symplectic Transversality and Endpoint Green Estimates for Finite-Horizon Pontryagin Systems
한국어 초록
우리는 매끄러운 제어 제거 이후 유한 구간 이산시간 Pontryagin 경계값 시스템의 구간 일관 국소 가지를 연구한다. 핵심 입력은 선형화에 대한 두 점 끝점 역이다. 스케일된 안정-불안정 경계 횡단성으로부터 이 역을 검증하고, 관련 끝점 보정 Green 추정을 증명하며, 가중 수축과 결합하여 구간과 무관한 상수를 갖는 존재성, 유일성, Lipschitz 종속성, 1차 전개를 얻는다. 이 프레임워크는 초기 상태를 고정하고 종단 코스트에이트를 종단 상태와 결합하는 원래 Pontryagin 행들을 포함하여 매끄러운 비선형 끝점 사상을 포괄한다. 심플렉틱 및 Riccati 기준은 행렬 데이터 수준에서 역 가설을 검증한다. 특히, 비가환 결합 데이터를 포함하여 역동학과 정부호 가중치를 갖는 모든 안정화 가능 선형-2차 시스템이 포함된다. 수치 예시 절에서는 인증서와 구간 일관 1차 전개를 설명한다.
원문 초록
We study horizon-uniform local branches of finite-horizon discrete-time Pontryagin boundary value systems after smooth control elimination. The central input is a two-point endpoint inverse for the linearization. We verify this inverse from scaled stable--unstable boundary transversality, prove the associated endpoint-corrected Green estimate, and combine it with weighted contractions to obtain existence, uniqueness, Lipschitz dependence, and first-order expansions with constants independent of the horizon. The framework covers smooth nonlinear endpoint maps, including the original Pontryagin rows that fix the initial state and couple the terminal costate to the terminal state. Symplectic and Riccati criteria verify the inverse hypothesis at the level of the matrix data; in particular, every stabilizable linear-quadratic system with invertible dynamics and definite weights is covered, including noncommuting coupled data. A numerical section illustrates the certificates and the horizon-uniform first-order expansion.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.17762v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
기계론적 해석가능성과 최적 제어를 통한 World Action Model 견고성 조향
Steering Robustness into World Action Models via Mechanistic Interpretability and Optimal Control
World Action Models(WAM)은 의미적·물리적 정보가 반영된 제어를 가능하게 하지만, 분포 이동(distribution shift) 하에서 취약하다. 본 연구에서는 기계론적 해석가능성(mechanistic interpretability)을 사용하여 견고성과 관련된 교란(perturbation)이 WAM 활성화 공간에서 어떻게 표현되는지 분석한다. 성공적인 롤아웃(rollout)과 실패한 롤아웃 간의 활성화를 비교한 결과, 일부 WAM 아키텍처는 견고성에 중요한 특징에 대해 저차원 선형 분리 가능성(linear separability)을 보이지만, 다른 아키텍처는 그렇지 않다. 이는 학습 없는(training-free) WAM 조향(steering)을 위해 대조적(contrastive) 활성화 방향을 사용할 동기를 제공한다. 또한 WAM 활성화 역학의 국소 선형성(local linearity)이 모델 기반 최적 제어(model-based optimal control)를 통한 효율적 피드백 조향을 가능하게 하며, 이는 최소 침습적(minimally-invasive) 저차(reduced-order) LQR 제어기인 World-Action Linear Quadratic Regulator(WA-LQR)를 산출한다. 기계론적 평가를 통해 Cosmos-Policy와 DiT4DiT 모델에서는 강한 조향 가능성(steerability)을, LingBot-VA에서는 약한 조향 가능성을 예측했으며, 이는 조향 개입 결과와 일치한다. Cosmos-Policy와 DiT4DiT에서 WA-LQR은 대조적 방향을 새로운 태스크로 일반화하고, 조향하지 않은(unsteered) 모델과 프롬프트 조향 기준선보다 카메라, 그리퍼(gripper), 시각 노이즈 교란에 대한 견고성을 향상시킨다.
쿠프만 연산자 회귀를 이용한 스위칭 비선형 시스템 제어 학습
Learning to control switching nonlinear systems with Koopman operator regression
이 연구에서는 유한 행동 공간을 가진 비선형 시스템의 식별 및 제어 문제를 다룬다. 알려지지 않은 동역학은 재생 커널 힐베르트 공간에서의 쿠프만 연산자 회귀를 통해 유한 샘플로부터 추정되며, 제어 변수의 값에 의해 스위치가 결정되는 선형 스위칭 예측 모델을 산출한다. 폐루프 제어를 수행하기 위해, 학습된 동역학은 시변 단계 비용을 가진 무한 수평 최적 제어 문제에 활용되며, 이는 모델 예측 제어(MPC)를 통해 해결된다. 이론적 분석에서는 쿠프만 동역학 근사에 대한 학습 수렴율을 도출한다. 또한 적절한 가정 하에, 정확한 쿠프만 동역학의 경우와 학습된 동역학의 경우 모두에서 모델 예측 제어 전략의 준최적성(sub-optimality)을 정량화한다. 더핑 진동자(Duffing oscillator)에 대한 수치 시뮬레이션이 이론적 결과를 뒷받침한다.
Differentiable Nonlinear Model Predictive Control
GenTL: 건물 열 동역학을 위한 일반 전이학습 모델
GenTL: A General Transfer Learning Model for Building Thermal Dynamics
전이학습(TL)은 건물 열 동역학 모델링 분야에서 새롭게 부상하는 영역이다. 이 방법은 소스 건물의 지식을 활용하여 대상 건물의 데이터 기반 모델에 필요한 데이터를 줄인다. 이에 따라 고급 제어 및 고장 탐지·진단(fault detection & diagnosis)에 활용할 수 있는 데이터 효율적 모델을 만들 수 있다. TL 접근법의 주요 한계는 서로 다른 소스에 걸쳐 성능이 일관되지 않다는 점이다. 대상에 대한 정확한 소스 건물 선택이 중요하지만, 이는 여전히 해결하기 어려운 과제로 남아 있다. 우리는 중앙 유럽의 단독주택을 위한 일반 전이학습 모델 GenTL을 제안한다. GenTL은 다양한 대상 건물에 효율적으로 미세조정할 수 있다. 이 모델은 450개 서로 다른 건물의 데이터로 Long Short-Term Memory(LSTM) 네트워크에 사전학습되었다. 이 일반 전이학습 모델은 미세조정을 위한 범용 소스 역할을 함으로써 소스 건물 선택의 필요성을 없앤다. 기존의 단일 소스-단일 대상 TL과의 비교 분석은 일반 사전학습 접근법의 효과와 신뢰성을 보여준다. 미세조정을 위해 144개 대상 건물에서 GenTL을 테스트한 결과, 단일 소스 모델 미세조정과 비교하여 평균 예측 오차(RMSE)가 42.1% 감소한 것으로 나타났다.
Evaluating the Impact of Model Accuracy for Optimizing Battery Energy Storage Systems
Re4MPC: Reactive Nonlinear MPC for Multi-model Motion Planning via Deep Reinforcement Learning
토론
이 논문과 연결된 포럼 글이 아직 없습니다.