arXiv cs.AI· F\'elix Martinez-Jim\'enez (GIPSA-INFINITY), Sander Miller-Murphy (GIPSA-INFINITY), Tobie Ondoa-Essomba (GIPSA-INFINITY), Emmanuel Witrant (GIPSA-INFINITY)·· 10 小时前AI 评分20
基于有偏梯度的迭代反馈调优：无模型控制在节气门上的应用研究
Learning to Tune with Biased Gradients: Iterative Feedback Tuning of Model-Free Control on Throttle Valves
AI 导读
研究在汽车电子节气门（摩擦与静摩擦因阀和运行而异）上，用智能比例无模型控制器进行迭代反馈调优（IFT）时的有偏梯度问题。在十个节气门的数字孪生上，IFT 梯度仅在 69% 的低成本区域为下降方向，摩擦是主因，所有更新规则先进入平台期后漂移。在两个硬件节气门上，最佳更新规则取决于梯度的噪声结构：一个阀门上 Adam 优于 Gauss-Newton，另一个阀门上 Adam 漂移至比初始更差的控制器。
正文 · AI 翻译
摘要：迭代反馈整定（IFT）通过随机梯度下降学习固定结构控制器的参数。在每次迭代中，对对象运行两次闭环实验：第一次测量跟踪误差，第二次由该误差驱动，提供用于估计代价梯度的灵敏度。该估计仅对线性对象是无偏的。我们研究了汽车电子节气门上的有偏情形，其摩擦和静摩擦在不同节气门和不同运行之间变化，由智能比例（无模型）控制器控制，该控制器是一种增量式 PI 控制器。我们表明，两次实验开始时控制器状态的不匹配（静摩擦使其不可避免）会引入一个与第二次实验幅度成反比的误差。在十个节气门的数字孪生上，IFT 梯度仅在 69\% 的低成本区域是下降方向，摩擦是原因，且所有更新规则都会进入平台期然后漂移。在两个硬件节气门上，最佳更新规则取决于梯度的噪声结构。在第一个节气门上，其中一个梯度分量淹没在噪声中，Adam 优于 Gauss--Newton，其归一化和动量各自改善一个参数。在第二个节气门上，两个分量都一致，同样的归一化放大了 Gauss--Newton 正确折减的方向，Adam 漂移到比初始控制器更差的控制器。孪生体再现了机制，但未再现这一排序。
| 主题： | 机器学习 (cs.LG)；人工智能 (cs.AI) |
| 引用为： | arXiv:2611.06338 [cs.LG] |
| （或此版本的 arXiv:2611.06338v1 [cs.LG]） | |
| https://doi.org/10.48550/arXiv.2611.06338 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Emmanuel Witrant [查看电子邮件] [通过 CCSD 代理]
[v1]
2026年11月4日星期三 11:01:04 UTC（145 KB）
来源：arXiv cs.AI · arxiv.org