Naukowcy opracowali framework do projektowania sterowników ze sprzężeniem zwrotnym, które całkowicie opierają się na sieciach neuronowych zamiast na tradycyjnych równaniach kontroli. Kluczowa innowacja polega na wbudowaniu warunków względnego stopnia bezpośrednio w proces uczenia, co pozwala na zamianę konwencjonalnych komponentów sterownika na neuronowe pochodne Liego - matematyczne reprezentacje zmian zachowania systemu.
Ta metoda jest istotna dla automatyki i robotyki, ponieważ tradycyjne podejścia wymagają dokładnej znajomości modelu matematycznego systemu. Framework bazowany na danych eliminuje tę potrzebę, uczyć się możemy bezpośrednio z obserwacji rzeczywistych systemów. Naukowcy udowodnili teoretycznie, że jeśli sieć neuronowa identyfikuje system z ograniczonym błędem, to błędy w sterowaniu będą również ograniczone - to kluczowe zagwarantowanie stabilności dla praktycznych zastosowań.
Validacja na silniku prądu stałego pokazuje potencjał praktyczny podejścia. Takie rozwiązania mogą znaleźć zastosowanie w złożonych systemach, gdzie opracowanie precyzyjnych modeli matematycznych jest trudne lub niemożliwe, otwierając drogę do bardziej elastycznych i adaptacyjnych sterowników.