Data-Driven Immersion and Invariance Adaptive Attitude Control for Rigid Bodies With Double-Level State Constraints
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This article investigates the attitude control problem of a rigid body subject to attitude and angular rate constraints (double-level state constraints), and inertia uncertainties. A data-driven immersion and invariance (I&I) adaptive control scheme is proposed to tackle this technically challenging problem. As a stepping stone, a novel dynamically scaled I&I adaptive controller is designed to bypass the realizability condition that may not hold in the Lyapunov sense when considering angular rate constraints. Lyapunov stability analysis shows that this controller can enable the attitude errors and angular rates to converge asymptotically to zero for most initial conditions in the accessible space, while strictly obeying double-level state constraints with the help of two judiciously constructed potential functions. After that, to further relax the dependence of parameter convergence on the persistent excitation (PE) condition, the I&I adaptive law is extended to a data-driven counterpart through adding a learning term that is acquired by adopting the regressor filtering in conjunction with the dynamic regressor extension and mixing (DREM) procedure. The extended adaptive controller can not only preserve all the results obtained by the earlier proposed I&I adaptive controller, but also ensure asymptotic parameter convergence under a finite excitation condition much weaker than PE. In addition, benefiting from the DREM method and some special designs, the parameter convergence rates across all the parameter vector components can be flexibly tuned in an explicit way, and moreover, they are independent of the excitation level. Finally, simulation results are given to show the effectiveness of the proposed method.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle