Constrained Optimization-Based Neuro-Adaptive Control (CoNAC) for Euler-Lagrange Systems

Abstract

This thesis presents a constrained optimization-based neuro-adaptive controller (CoNAC) for uncertain Euler-Lagrange systems subject to weight norm and input constraints. A deep neural network (DNN) is employed to approximate an ideal stabilizing control law which compensates for lumped system uncertainties while addressing both types of constraints. The weight adaptation laws are derived from constrained optimization theory, ensuring first-order optimality conditions at steady state. The controller’s stability is rigorously analyzed using Lyapunov theory, ensuring bounded tracking errors and DNN weights. Two numerical simulations were constructed to compare CoNAC with other benchmark controllers. The simulations demonstrated effectiveness of CoNAC in tracking error regulation and satisfaction of constraints.|본 논문은 신경망 가중치와 제어 입력의 제약 조건이 있는 불확실한 오일러-라그랑주 시스템을 위한 제약 최적화 기반 신경망 적응 제어기를 제안한다. 깊은 신경망은 부여된 두 제약조건을 만족하는 동시에 시스템의 불확실성을 보상하며 원하는 제어 법칙을 근 사하도록 사용되었다. 가중치의 적응 법칙은 제약 최적화 이론으로 부터 유도되었으며, 정상 상태에서 1차 최적성 조건을 만족시킨다. 제어기의 안정성은 리아푸노프 이론을 사용하여 분석되었으며, 추종 오차와 신경망 가중치의 크기가 제한됨을 보여준다. 제안 된 제어기를 다른 벤치마크 제어기와 비교하기 위해 두 개의 시뮬레이션이 시행되었다. 시뮬레이션을 통하여 추종 성능과 제약 조건 만족에 제안된 제어기가 다른 제어기에 비하여 좋은 지표를 가진다는 것을 보였다.