帰納バイアスを用いた非線形制御のリアプノフ安定性学習

- 動的システムにおける control Lyapunov function (CLF) と CLF-based controller を、Lyapunov 条件を inductive biases として組み込んだ neural network で学習する手法。 - learner-verifier framework における CLF 学習の改善を目的とする。 - 安定性保証が重要な safety-concerned applications を動機とする。

- 既存の deep learning ベース CLF 手法は Lyapunov 条件を複雑な最適化制約として扱い、global convergence が困難であった。 - また Lyapunov 条件の verification 実装が煩雑であった。 - 提案法は Lyapunov 条件を inductive biases として扱うことで、制約を限定した安定な最適化と CLF・controller の end-to-end learning を可能にする。 - 既存法より高い convergence rate と大きな region of attraction (ROA) を達成。

- Lyapunov 条件を inductive biases として neural CLF と CLF-based controller の設計に組み込む。 - これにより制約が限定された stable な最適化プロセスを実現。 - CLF と controller を end-to-end で学習する。 - learner-verifier framework を前提とした設計。

- 多数の experiment cases において、既存手法と比較して CLF 学習の convergence rate と ROA が向上することを示した。 - 既存手法で学習中に success rate が低下する理由を詳細に分析・明示した。 - 具体的なデータセット名やベンチマーク名は要旨からは不明。

- 既存手法の success rate 低下の原因を明らかにした点が議論の中心。 - 制約を限定した最適化の安定性と verification の簡便化が利点として議論される。 - 限界や失敗事例の詳細は要旨からは不明。

- learner-verifier framework を用いた既存の neural CLF 研究（要旨で比較対象として言及）。 - control Lyapunov function (CLF) と CLF-based controller の関連研究。 - 具体的な論文名は要旨からは不明。