Gaussian Process Based Model-free Control with Q-Learning
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F19%3A00335629" target="_blank" >RIV/68407700:21230/19:00335629 - isvavai.cz</a>
Výsledek na webu
<a href="https://doi.org/10.1016/j.ifacol.2019.09.147" target="_blank" >https://doi.org/10.1016/j.ifacol.2019.09.147</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1016/j.ifacol.2019.09.147" target="_blank" >10.1016/j.ifacol.2019.09.147</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Gaussian Process Based Model-free Control with Q-Learning
Popis výsledku v původním jazyce
The aim of this paper is to demonstrate a new algorithm for Machine Learning (ML) based on Gaussian Process Regression (GPR) and how it can be used as a practical control design technique. An optimized control law for a nonlinear process is found directly by training the algorithm on noisy data collected from the process when controlled by a suboptimal controller. A simplified nonlinear Fan Coil Unit (FCU) model is used as an example for which the fan speed control is designed using the off-policy Q -learning algorithm. Additionally, the algorithm properties are discussed, i.e. learning process robustness, Gaussian Process (GP) kernel functions choice. The simulation results are compared to a simple PI design based on a linearized model. (C) 2019, IFAC (International Federation of Automatic Control) Hosting by Elsevier Ltd. All rights reserved.
Název v anglickém jazyce
Gaussian Process Based Model-free Control with Q-Learning
Popis výsledku anglicky
The aim of this paper is to demonstrate a new algorithm for Machine Learning (ML) based on Gaussian Process Regression (GPR) and how it can be used as a practical control design technique. An optimized control law for a nonlinear process is found directly by training the algorithm on noisy data collected from the process when controlled by a suboptimal controller. A simplified nonlinear Fan Coil Unit (FCU) model is used as an example for which the fan speed control is designed using the off-policy Q -learning algorithm. Additionally, the algorithm properties are discussed, i.e. learning process robustness, Gaussian Process (GP) kernel functions choice. The simulation results are compared to a simple PI design based on a linearized model. (C) 2019, IFAC (International Federation of Automatic Control) Hosting by Elsevier Ltd. All rights reserved.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
20205 - Automation and control systems
Návaznosti výsledku
Projekt
<a href="/cs/project/GA18-26278S" target="_blank" >GA18-26278S: Zahrnutí apriorní informace při identifikaci nelineárních systémů</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2019
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
IFAC PAPERSONLINE
ISBN
—
ISSN
2405-8963
e-ISSN
2405-8963
Počet stran výsledku
8
Strana od-do
236-243
Název nakladatele
IFAC
Místo vydání
Laxenburg
Místo konání akce
Belfast
Datum konání akce
21. 8. 2019
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000493064700041