安定なTransformer-Actor-Criticモデル予測制御：収縮解析によるアプローチ
Stable Transformer-Actor-Critic Model Predictive Control: A Contraction Analysis Approach
TransformerネットワークがδISSを満たすことを証明し、リーマン収縮理論を用いて物理プラントと予測ニューラルネットワークの結合ダイナミクスを解析することで、閉ループ安定性を保証するTransformer-Actor-Critic MPCアーキテクチャを提案した。非線形3Dドローンモデルでの目標到達と障害物回避タスクで検証した。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ AIが要旨から生成した要約です。正確性は原文をご確認ください。
著者: Antonio Marino, Valerio Modugno, Marco Cognetti
分類: cs.RO
原文アブストラクト
Actor-Critic Model Predictive Control (MPC) effectively addresses complex, non-convex control problems, but guaranteeing the closed-loop stability of sequence-based learning models within these pipelines remains challenging. This paper introduces a novel Transformer-Actor-Critic MPC architecture with formal robustness guarantees. First, we prove that Transformer networks can satisfy global incremental Input-to-State Stability ($\delta$ISS). We then leverage Riemannian contraction theory to analyze the interconnected dynamics between the physical plant and the predictive neural network. Finally, we integrate these theoretical bounds as a training regularizer to yield a certifiably robust policy. The framework is validated on a nonlinear 3D drone model executing target-reaching and obstacle-avoidance maneuvers.
