基于灵敏度的模型预测控制策略近似数据增强框架
最优化与控制
2022-03-16 v3 系统与控制
系统与控制
摘要
使用基于专家的监督学习技术近似模型预测控制(MPC)策略需要来自MPC策略采样的带标签训练数据集。这通常通过采样可行状态空间并离线求解数值优化问题对每个样本评估控制律来获得。尽管所得近似策略可在线低成本评估,但生成大量训练样本以学习MPC策略可能耗时且极其昂贵。这是限制MPC策略近似设计与实现的基本瓶颈之一。本技术笔记旨在应对这一挑战,并提出一种用于直接策略近似的基于灵敏度的新型数据增强方案。所提方法基于利用参数灵敏度在现有样本邻域内低成本生成额外训练样本。
引用
@article{arxiv.2009.07398,
title = {A Sensitivity-based Data Augmentation Framework for Model Predictive Control Policy Approximation},
author = {Dinesh Krishnamoorthy},
journal= {arXiv preprint arXiv:2009.07398},
year = {2022}
}
备注
Accepted for publication at IEEE Transactions on Automatic Control