Machine Learning for Sparse Nonlinear Modeling and Control

Steven L. Brunton

doi:10.1146/annurev-control-030123-015238

Machine Learning for Sparse Nonlinear Modeling and Control

2025-01-14

0

PRE

AI

DOI：10.1146/annurev-control-030123-015238

原文链接

原文求助

摘要

En 中文

机器学习正在迅速推动科学与工程领域的几乎所有学科发展，控制理论也不例外。特别是，它已展现出处理现代动力学与控制所面临的主要挑战的巨大潜力，包括复杂性、未建模动态、强非线性以及隐藏变量。然而，机器学习模型的训练和部署成本高昂，难以超越训练数据实现泛化，且缺乏可解释性、可理解性和保证，这些因素均限制了它们在真实世界和安全关键控制应用中的使用。稀疏非线性建模与控制技术是一类强大的机器学习方法，通过稀疏优化促进简洁性，提供数据高效的模型，这些模型更具可解释性和泛化性，并已被证明在控制领域有效。在本综述中，我们探讨在机器学习背景下使用稀疏优化，以开发易于训练、所需数据显著减少且能实现低延迟预测的紧凑型模型与控制器。具体而言，我们重点关注模型预测控制和强化学习在控制理论中的两项基础算法的应用。

Keyword:

machine learning

sparse regression

system identification

model

reduction

observability

uncertainty quantification

reinforcement

learning

model predictive control

nonlinear dynamics

Machine Learning for Sparse Nonlinear Modeling and Control

摘要

期刊

机构

引用论文