Control of a Two-Dimensional Magnetic Positioning System with Deep Reinforcement Learning and Feedback Linearization

Bejar, Eduardo; Moran, Antonio

doi:10.1109/mwscas.2018.8623948

Cited by 2 publications

(1 citation statement)

References 9 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Neste tipo de aprendizagem, temos a realização de um mapeamento entrada-saída através da interação contínua com o ambiente, visando minimizar umíndice escalar de desempenho (Haykin, 2007). RL também tem sido incorporada em diversas técnicas de controle para sistemas lineares tanto na forma de compensação de dinâmica não modelada quanto no ajuste dos parâmetros dos controladores utilizados como nos trabalhos (Brinkmann et al, 2018;Kim et al, 2019;Pradeep et al, 2016;Zhu et al, 2015;Jardine et al, 2019;Yang et al, 2018;Bejar and Moran, 2019). A aprendizagem por reforçoé um subtópico dentro da aprendizagem de máquinas, porém não se assemelha com a aprendizagem supervisionada e não-supervisionada, sendo considerada o terceiro pilar da aprendizagem de máquinas.…”

Section: Introductionunclassified

Linearização por realimentação e aprendizagem por reforço para o controle do sistema de posicionamento do ROV

Cadengue

Fidelis

Lima

et al. 2019

Anais Do 14º Simpósio Brasileiro De Automação Inteligente

View full text Add to dashboard Cite

A ROV (Remotely Operated underwater Vehicle) system needs a precise estimation of its position in order to avoid damage and imprecise movements in certain missions. In this paper, an intelligent controller for the trajectory tracking of a ROV susceptible to external forces (water dynamics, currents, animals, etc.) is proposed based on feedback linearization with an adaptative function optimized using a machine learning strategy. This work proposes an approach to the matter employing an reinforcement learning algorithm, the-greedy, to let him discover for itself an optimal learning rate for the used compensator. Numerical results confirm a strong improvement in the performance of the controller when the proposed compensator and learning strategy is inserted. Resumo: Um sistema ROV (Remotely Operated underwater Vehicle) precisa de uma estimação precisa da sua posição para evitar danos e movimentos imprecisos para certas tarefas. Neste artigo, um controlador inteligente foi proposto para o rastreamento da trajetória de um ROV suscetível a forças externas (dinâmica daágua, correntes, animais, etc.), este controlador foi baseado no método de linearização por realimentação com uma função adaptativa otimizada utilizando uma estratégia de aprendizagem de máquina. Este trabalho propõe o emprego de um algoritmo de aprendizagem por reforço, o-greedy, para o deixar descobrir por si só uma taxa de aprendizagemótima para o compensador. Resultados numéricos confirmam uma forte melhora na performance do controlador quando o compensador proposto e a estratégia de aprendizageḿ e inserida.

show abstract