ハイブリッドパワートレイン制御への応用による深正定値力学系のモデリングと制御
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2509.19869v1発表タイプ：クロス
概要：深層学習は、第一原理に基づくモデリングが困難な複雑で大規模なシステムにおいてますます利用されています。しかし、標準的な深層学習モデルは、下流の制御において物理的構造を強制したり、凸性を維持したりすることに失敗することが多く、非凸性のために物理的に矛盾した予測と不連続な入力が生じます。本稿では、単調性、正値性、符号定符号性を統合するヤコビアン要素の符号制約を導入し、それらを強制するモデル構築方法と制御合成手順を開発します。特に、これらの制約を満たす厳密に線形化可能な深層モデルを設計し、モデル予測制御を凸二次計画問題として定式化することで、一意の最適解とリプシッツ連続な制御則を得ます。二槽システムとハイブリッドパワートレインにおいて、提案手法は既存手法よりも予測精度を向上させ、より滑らかな制御入力を生成します。
原文（英語）を表示
Title (EN): Modeling and Control of Deep Sign-Definite Dynamics with Application to Hybrid Powertrain Control
arXiv:2509.19869v1 Announce Type: cross
Abstract: Deep learning is increasingly used for complex, large-scale systems where first-principles modeling is difficult. However, standard deep learning models often fail to enforce physical structure or preserve convexity in downstream control, leading to physically inconsistent predictions and discontinuous inputs owing to nonconvexity. We introduce sign constraints–sign restrictions on Jacobian entries–that unify monotonicity, positivity, and sign-definiteness; additionally, we develop model-construction methods that enforce them, together with a control-synthesis procedure. In particular, we design exactly linearizable deep models satisfying these constraints and formulate model predictive control as a convex quadratic program, which yields a unique optimizer and a Lipschitz continuous control law. On a two-tank system and a hybrid powertrain, the proposed approach improves prediction accuracy and produces smoother control inputs than existing methods.
Published: 2025-09-24 19:00 UTC