一种用于非线性系统的可解释自适应MPC

非线性系统的模型预测控制（MPC）面临模型精度与实时计算负担之间的权衡。一种广泛使用的近似方法是带EKF方法的连续线性化MPC（SL-MPC），其中EKF算法用于处理未测扰动与不可用的全状态信息。受此启发，本文提出一种可解释自适应MPC（IA-MPC）方法。在我们的IA-MPC方法中，首先通过对基于第一性原理的模型在初始点线性化获得线性状态空间模型，然后将该线性状态空间模型转换为等价的ARX模型。该可解释ARX模型随后由EKF算法在线更新，该算法被修改为无矩阵求逆算子的解耦形式。相应的基于ARX的MPC问题由我们先前的无构建、无矩阵、无库的CDAL-ARX算法求解。这种简单的无库C代码实现将显著降低在嵌入式平台上部署非线性MPC的难度。IA-MPC方法的性能在四个典型非线性基准例子中与带EKF的非线性MPC及带EKF的SL-MPC方法进行了对比测试，显示了我们IA-MPC方法的有效性。