用于从数据中学习显式 MPC 控制器的安全调节器
系统与控制
2025-07-29 v1 系统与控制
统计方法学
摘要
我们处理使用神经网络近似模型预测控制（MPC）律的问题。我们提出了一种新颖的基于学习的显式 MPC 结构，并将其在最大约束可行集上重构为双模方案。该方案确保基于学习的显式 MPC 在进入原点邻域时简化为线性反馈控制。我们构建了一个安全调节器，以确保基于学习的显式 MPC 满足所有状态和输入约束。与现有方法相比，我们的方法在计算上更易于实现，即使在高维系统中也是如此。给出了安全调节器递归可行性的证明。我们的方法在数值示例上进行了演示。
引用
@article{arxiv.2507.19531,
title = {A safety governor for learning explicit MPC controllers from data},
author = {Anjie Mao and Zheming Wang and Hao Gu and Bo Chen and Li Yu},
journal= {arXiv preprint arXiv:2507.19531},
year = {2025}
}