Physics-Guided Gated Recurrent Units for Inversion-Based Feedforward Control

Mingdao Lin

doi:10.1109/TCST.2026.3662610

Physics-Guided Gated Recurrent Units for Inversion-Based Feedforward Control

2026-02-25

0

PRE

AI

DOI：10.1109/TCST.2026.3662610

原文链接

原文求助

摘要

En 中文

基于逆系统的前馈控制依赖于描述逆系统动力学的精确模型。门控循环单元（GRU）作为循环神经网络（RNNs）中的一种新兴架构，是利用数据获取此类模型的强有力候选者。然而，由于其黑箱特性，GRU面临可解释性有限和易受过拟合等挑战。近期，物理引导神经网络（PGNNs）被引入，其将先验物理模型结构整合到预测过程中。这种方法不仅改善了训练收敛性，还有助于学习基于物理的模型。在本工作中，我们将GRU整合到PGNN框架中以获得PG-GRU，并在此基础上采用两步法进行前馈控制设计。首先，我们采用稳定逆技术设计逆动力学的稳定线性模型。然后，针对残差训练的GRU用于逆系统辨识。通过在双质量弹簧阻尼系统上的实际实验验证了所得的PG-GRU前馈控制器，其在积分绝对误差（IAE）方面相较于线性前馈和基于预览的GRU前馈表现出约两倍的改进。

Keyword:

Feedforward control

gated recurrent units (GRUs)

motion control

recurrent neural networks (RNNs)

Physics-Guided Gated Recurrent Units for Inversion-Based Feedforward Control

摘要

期刊

机构

引用论文