基于贝叶斯神经网络元学习的自适应不确定性量化用于场景控制
系统与控制
2024-07-22 v1 系统与控制
摘要
基于场景的优化与控制已被证明是处理系统不确定性的有效方法。特别是，基于场景的模型预测控制（MPC）方案的性能取决于不确定性量化的准确性。然而，当前基于学习和场景的MPC（sMPC）方法采用单一的时不变概率模型（离线学习），这可能无法准确描述时变的不确定性。相反，本文提出了一种模型无关的贝叶斯神经网络（BNN）元学习方法，用于自适应不确定性量化，随后将其用于具有未知动力学的非线性系统的自适应场景树模型预测控制设计，以提升控制性能。具体来说，所提出的方法同时学习一个全局BNN模型和一个更新律来精炼该BNN模型。在每个时间步，更新律将全局BNN模型实时转换为更精确的局部BNN模型。然后，适应后的局部模型被用于在每个时间步生成sMPC设计的场景。在场景生成中引入了一个概率安全证书，以确保生成场景的轨迹包含系统的真实轨迹，并且所有场景以高概率满足约束条件。使用一个数值算例的闭环仿真实验表明，与在所有时间步仅使用一个离线学习的BNN模型相比，所提出的方法能够改善基于场景的MPC的性能。
引用
@article{arxiv.2407.14492,
title = {Adaptive Uncertainty Quantification for Scenario-based Control Using Meta-learning of Bayesian Neural Networks},
author = {Yajie Bao and Javad Mohammadpour Velni},
journal= {arXiv preprint arXiv:2407.14492},
year = {2024}
}
备注
Accepted by 2024 Modeling, Estimation and Control Conference. This work was done during the PhD period of the first author