Synthesis of data-driven controllers via nested neural approximators
Loading...
Date
2025
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
El control basado en datos ha recibido una atención creciente en los últimos años como una alternativa flexible a los métodos tradicionales basados en modelos. Este trabajo aborda la síntesis de controladores puramente basados en datos mediante un esquema jerárquico que combina aproximaciones neuronales regionales de políticas estabilizantes con un mecanismo de supervisión por conmutación para coordinar controladores neuronales locales en regiones particionadas. Se demuestra que la dinámica en lazo cerrado bajo cada controlador neuronal regional aproximado satisface propiedades de estabilidad input-to-state y estabilidad asintótica, y que existe una política de conmutación supervisada que preserva estas garantías durante el cambio de controladores. Para su implementación, se introduce una estrategia basada en aprendizaje reforzado y neuroevolución. Experimentos numéricos en sistemas lineales y no lineales demuestran la efectividad del método propuesto.
Description
Tesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2025
Keywords
Control basado en datos, Redes neuronales, Control predictivo, Aprendizaje reforzado