안정성 보장을 갖춘 CNN 기반 End-to-End 적응형 컨트롤러

이 논문은 세 가지 주목할 만한 특징을 가진 컨볼루션 신경망(CNN) 기반 적응형 컨트롤러를 제안합니다: 1) 이는 역사적 센서 데이터에서 직접 제어 입력을 결정합니다(End-to-End 프로세스). 2) 이는 미리 훈련된 네트워크를 사용하지 않고 실시간 구현 중 원하는 제어 정책을 학습합니다(온라인 적응 방식). 3) 학습 과정에서 점근적 추적 오차 수렴이 증명됩니다(안정성 보장을 제공하기 위해). 원하는 제어 정책을 학습하기 위한 적응 법칙은 기울기 하강 최적화 방법을 사용하여 도출되며, 그 안정성은 Lyapunov 접근법을 기반으로 분석됩니다. 제어-비선형 시스템을 사용한 시뮬레이션 연구에서는 제안된 컨트롤러가 이러한 특징을 보여주었으며, 성능은 설계 매개변수를 조작하여 조정할 수 있습니다. 또한, 제안된 컨트롤러가 딥 신경망(DNN) 기반 적응형 컨트롤러에 비해 우수한 추적 성능을 갖는 것이 입증되었습니다.