CoVO-MPC：基于采样的模型预测控制的理论分析与最优协方差设计
机器学习
2024-01-17 v1 机器人学
摘要
基于采样的模型预测控制（MPC）因其灵活性和可并行性，已在许多领域（尤其是基于模型的强化学习）中成为一种实用且有效的方法。尽管其经验性能引人注目，但理论理解，特别是在收敛性分析和超参数调优方面，仍然缺失。本文刻画了一种广泛使用的基于采样的MPC方法——模型预测路径积分控制（MPPI）的收敛性质。我们证明，当优化问题为二次型时（涵盖时变LQR系统），MPPI至少具有线性收敛速率。随后我们将其推广到更一般的非线性系统。我们的理论分析直接催生了一种新颖的基于采样的MPC算法——协方差最优MPC（CoVo-MPC），该算法通过最优调度采样协方差来优化收敛速率。经验上，在仿真和真实四旋翼敏捷控制任务中，CoVo-MPC显著优于标准MPPI，性能提升达43-54%。视频和附录见\url{https://lecar-lab.github.io/CoVO-MPC/}。
引用
@article{arxiv.2401.07369,
title = {CoVO-MPC: Theoretical Analysis of Sampling-based MPC and Optimal Covariance Design},
author = {Zeji Yi and Chaoyi Pan and Guanqi He and Guannan Qu and Guanya Shi},
journal= {arXiv preprint arXiv:2401.07369},
year = {2024}
}
备注
32 pages, 4 figures