Adaptive control with LSTM augmentation: Theory and human-in-the-loop validation
LSTM güçlendirmesi ile adaptif kontrol: Teori ve döngü içinde insan doğrulaması
- Tez No: 892103
- Danışmanlar: DOÇ. DR. YILDIRAY YILDIZ, PROF. DR. ÖMER MORGÜL, DR. ÖĞR. ÜYESİ MUSTAFA MERT ANKARALI
- Tez Türü: Yüksek Lisans
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Makine Mühendisliği Bilim Dalı
- Sayfa Sayısı: 81
Özet
Bu tez, geleneksel uyarlanabilir kontrol yöntemlerine kıyasla önemli ölçüde daha iyi geçici tepki performansı sağlayan yeni bir uyarlanabilir kontrol mimarisi sunmaktadır. Bu, geleneksel bir Uyarlanabilir Sinir Ağı (YSA) kontrolörünün ve bir Uzun Kısa Süreli Bellek (LSTM) ağının sinerjik kullanımı ile gerçekleştirilmektedir. LSTM yapıları, belirsizliği tahmin etmeye yardımcı olan bir giriş dizisindeki bağımlılıklardan yararlanabilir. LSTM ağının kapalı döngü içinde YSA kontrolörünün eksikliklerini telafi etmeyi öğrendiği bir eğitim yöntemi sunuyoruz. Bu sayede sistemin geçici tepkisi iyileştirilmekte ve kontrolörün beklenmedik durumlarda hızla tepki vermesi sağlanmaktadır. Bu çalışma aynı zamanda önerilen kontrol çerçevesinin döngü içinde insan performansını da araştırmaktadır. LSTM ile güçlendirilmiş kontrol yöntemi, özellikle belirsizliklerde önemli ve hızlı değişikliklerin varlığında geçici tepkiyi büyük ölçüde iyileştirse de, güvenli çalışmayı sağlamak için bir insan operatörü ile etkileşimlerinin analiz edilmesi gerekmektedir. İlk olarak, sistemin genel davranışını araştırmak ve referans izleme görevi için kontrolörün performansını incelemek amacıyla bir insan pilot modeli kullanılır. Ardından, sistemin döngüde gerçek bir insan operatörünün varlığında nasıl tepki verdiğini analiz etmek için insan deneyleri yapılır. Özenle gerçekleştirilen simülasyon çalışmaları sayesinde, bu mimarinin çeşitli belirsizlikler kümesinde tahmin doğruluğunu artırdığını gösteriyoruz. Genel sistemin kararlılığı titiz bir Lyapunov analizi ile incelenmiş ve önerilen yöntemin performansı sayısal simülasyonlar ve döngü içindeki insan deneyleri ile gösterilmiştir.
Özet (Çeviri)
This thesis presents a novel adaptive control architecture that provides dramatically better transient response performance compared to conventional adaptive control methods. This is accomplished by the synergistic employment of a traditional Adaptive Neural Network (ANN) controller and a Long Short-Term Memory (LSTM) network. LSTM structures can take advantage of the dependencies in an input sequence, which helps predict uncertainty. We introduce a training approach through which the LSTM network learns to compensate for the deficiencies of the ANN controller in a closed-loop setting. This improves the system's transient response and allows the controller to react to unexpected events quickly. This study also investigates the human-in-the-loop performance of the proposed control framework. Although the LSTM-augmented control method drastically improves the transient response, especially in the presence of significant and rapid uncertainty changes, its interactions with a human operator must be analyzed to ensure safe operation. First, a human pilot model is used to investigate the overall system's behavior and explore the controller's performance for a reference tracking task. Then, human-in-the-loop experiments are conducted to analyze how the system responds in the presence of an actual human operator in the loop. Through careful simulation studies, we demonstrate that this architecture improves the estimation accuracy on a diverse set of uncertainties. The overall system's stability is analyzed via a rigorous Lyapunov analysis, and the proposed method is shown to be highly effective, as demonstrated through numerical simulations and human-in-the-loop experiments.
Benzer Tezler
- Uzun kısa süreli bellek tabanlı sistem tanıma ve uyarlamalı kontrol
Long short term memory based system identificationand adaptive control
ÇAĞATAY SANATEL
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜLAY ÖKE GÜNEL
- Optimal feature tuning model by variants of convolutional neuralnetwork with LSTM for driver distract detection in IoT platform
IoT platformunda sürücü dikkat dağılmasını algılamak için LSTM ile evrimsel sinir ağının çeşitleriyle optimum özellikli ayar modeli
HAMEED MUTLAG FARHAN FARHAN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYÇA KURNAZ TÜRKBEN
- Predictive error compensated wavelet neural networks framework for time series prediction
Zaman serisi tahmini için hata tazminli dalgacık dönüşümlü sinir ağları çerçeve yazılımı
SERKAN MACİT
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BURAK BERK ÜSTÜNDAĞ
- Adaptive blended visual localization system based on artificial neural networks for unmanned air vehicles
İnsansız hava araçları için adaptif harmanlanmış yapay ağ temelli görsel navigasyon sistemi
OĞUZHAN YILMAZ
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Gedik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
PROF. DR. HALİT HAMİ ÖZ
- Zaman serileri tahmininde melez bir yaklaşım
A hybrid approach to time series forecasting
NURBANU IŞIK DELİBALTA
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFatih Sultan Mehmet Vakıf ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BURHANETTİN CAN
DR. ÖĞR. ÜYESİ GÖNÜL ULUDAĞ