一种用于模型预测控制策略近似的改进数据增强方案
系统与控制
2023-06-22 v2 机器学习
系统与控制
最优化与控制
摘要
本文考虑 MPC 策略近似中的数据生成问题。从专家示范中学习近似 MPC 策略需要由在可行状态空间中采样得到的最优状态-动作对组成的大型数据集。然而，高效生成训练样本这一关键挑战尚未被广泛研究。近来，提出了一种基于灵敏度的 MPC 策略近似数据增强框架，其利用参数灵敏度从单次离线 MPC 计算中廉价地生成若干额外样本。研究表明，用不精确样本扩充训练数据集所带来的误差随每次用于数据增强的样本邻域大小而增加。基于该工作，本通讯论文提出了一种基于预测-校正步、可强制用户定义精度水平的改进数据增强方案，并表明增强样本的误差界与用于数据增强的邻域大小无关。
引用
@article{arxiv.2303.05607,
title = {An Improved Data Augmentation Scheme for Model Predictive Control Policy Approximation},
author = {Dinesh Krishnamoorthy},
journal= {arXiv preprint arXiv:2303.05607},
year = {2023}
}
备注
Extended version of the paper published in IEEE Control System Letters Journal