Connecting System Identification and Machine Learning for Achieving Both Performance and Generalization Capability in Iterative Learning Control

2023 Fiscal Year Final Research Report

• Project/Area Number: 21K14179
• Research Category: Grant-in-Aid for Early-Career Scientists
• Allocation Type: Multi-year Fund
• Review Section: Basic Section 21040:Control and system engineering-related
• Research Institution: The University of Tokyo
• Principal Investigator: Ohnishi Wataru 東京大学, 大学院工学系研究科(工学部), 准教授 (60823888)
• Project Period (FY): 2021-04-01 – 2024-03-31
• Keywords: フィードバック制御 / フィードフォワード制御 / 学習制御 / 周波数応答データ / 凸最適化 / 非因果的制御入力

Outline of Final Research Achievements

To improve the performance of positioning control systems, we have worked on (1) high-bandwidth feedback controllers, (2) high-precision feedforward control, and (3) Iterative Learning Control (ILC), in an integrated manner. In (1), frequency response data direct-drive disturbance observer design, (2) precise output control of boost converters using non-causal control inputs, and (3) a state-tracking ILC proposal and ILC integration with machine learning to improve task flexibility. Since it became clear throughout the research period that non-causal control input is very effective for the trajectory tracking control problem, we will develop the plan in the Grant-in-Aid for Scientific Research(B) by applying in the final year of the project.

Free Research Field

制御工学

Academic Significance and Societal Importance of the Research Achievements

(1)フィードバック制御器のさらなる高帯域化，(2)モデルを正確に捉えたフィードフォワード制御，(3) ILC，を統合的に取り組み，目標値追従性能を向上させる研究を行った。
システム同定によって得られた周波数特性データを，(1)-(3)の制御系設計とどう連携させるか，という点では，周波数特性直接駆動で外乱オブザーバやILCを設計する枠組みを提示したことは，設計コストの低減に役立つ成果である。システム同定，ILC，機械学習を連携させる点では，機械学習における過学習をいかに抑止するかが課題であることが示されたと同時に，非因果的な制御入力が有効であることが示された。