Learning differentiable simulation models of control systems

QC 20260508

Abstract

Den ständigt ökande komplexiteten hos moderna tekniska system utesluter användandet av konventionella modelleringsramverk för design, reglering och estimering. För att hantera dessa utmaningar studerar vi i denna avhandling nya metoder för modellering av dynamiska system baserade på djupinlärningsmetoder.

Vårt huvudsakliga bidrag är en ny arkitektur och metod för tidskontinuerlig modellering av styrsystem. De resulterande modellerna är mycket effektiva i jämförelse med traditionella numeriska integrationsmodeller. De är därtill differentierbara, vilket innebär att man enkelt och på ett tillförlitligt sätt kan beräkna gradienten av tillståndet med avseende på initialvärden, parametrar och insignaler. Dessa använder dessutom endast gängse maskininlärningskomponenter och är därav enkla att implementera. Vi tillämpar metoden på system med flerskaliga och högfrekventa tidssvar samt utvidgar den till spatial-temporala system och bevisar att arkitekturen kan approximera lösningsoperatorer för en allmän klass av styrsystem.

I ett andra bidrag utvecklar vi metoder för lärande av lösningar av partiella differentialekvationer. Vi föreslår en ny arkitektur och träningsmetod som förbättrar avbildningen av högfrekventa och flerskaliga komponenter i lösningen, samt tar fram en lösningsmetod för fall där mätningarna är glesa.

Vi förutser att sådana modeller kan användas i operationer med obemannade farkoster för havsobservation, samt betraktar tre utmaningar i samband med denna tillämpning, nämligen uppdragsplanering, banplanering och adaptiv sampling, där simulering av dynamiska system spelar en nyckelroll. I avhandlingens tredje bidrag utvecklar vi algoritmer för sampling av havsfronter, samt uppdragsplanering och banoptimering för komplexa uppdrag med flera havsfarkoster.

Link to DiVA