用于受约束输入的实时非线性最优控制的共轱神经网络
系统与控制
2025-03-04 v1 系统与控制
摘要
在本文中，我们提出了一种使用神经网络（NN）解决具有受约束控制输入的非线性最优控制问题（OCP）的实时方法。我们提出我们称之为共轱神经网络（CoNN）的方法，该方法学习从给定状态值到其相应最优共轭轨迹的映射，基于庞特莱茨最低（最大）原理（PMP）。本质上，CoNN 参数化了由 PMP 对于各种初始状态的结果的 Two-Point Boundary Value Problem（TPBVP）。CoNN 使用来自 TPBVPs 的数值解生成的数据来学习从状态到其相应最优共轭轨迹的映射。为了更好的通用性，CoNN 也被训练以遵守第一阶最优性条件（系统动力学）。通过给定预测的最优共轭状态求解二次规划（QP）来满足控制输入约束。我们展示了基于 CoNN 的控制器在反馈方案中对于带有受约束和不受约束控制输入的数值示例中的有效性。我们还验证了该控制器能够有效处理未知扰动。
引用
@article{arxiv.2503.00529,
title = {Co-state Neural Network for Real-time Nonlinear Optimal Control with Input Constraints},
author = {Lihan Lian and Uduak Inyang-Udoh},
journal= {arXiv preprint arXiv:2503.00529},
year = {2025}
}
备注
Accepted for publication at American Control Conference 2025