Framework di Meta-Apprendimento per il Controllo di Sistemi Non Lineari Incerti

I ricercatori propongono un framework di controllo basato sul meta-apprendimento per il tracciamento di riferimento in sistemi non lineari incerti, sfruttando dati limitati del sistema target utilizzando dati offline da sistemi sorgente strutturalmente simili. Il framework adatta l'algoritmo di meta-apprendimento implicito indipendente dal modello (iMAML) al contesto di controllo, operando in due fasi: una fase offline di meta-addestramento che apprende una rappresentazione aggregata delle dinamiche condivise dai dati sorgente, e una fase online di meta-adattamento che perfeziona questa rappresentazione sul sistema target. Questo approccio mira a progettare controllori ottimali in modo efficiente quando la raccolta di dati dal sistema target è difficile. L'articolo è pubblicato su arXiv con ID 2605.22513.