数据驱动的分布鲁棒迭代风险约束模型预测控制

本文考虑了一个风险约束的无限时域最优控制问题，并提出以迭代方式求解。算法的每次迭代通过实施一个分布鲁棒风险约束模型预测控制（MPC）方案，生成一条从起点到目标平衡状态的轨迹。在每次迭代中，一组安全状态（以高概率满足风险约束）和一定数量的独立同分布不确定性样本（该不确定性控制着风险约束）是可用的。这些状态和样本是在之前的迭代中累积的。安全状态在MPC方案中用作终端约束，样本则用于构建一个分布集，称为模糊集，使其以高概率包含不确定性的真实分布。每次迭代中的风险约束要求对模糊集中的所有分布都成立。我们证明了由我们的迭代过程生成的轨迹是可行的、安全的，并且渐近收敛到平衡点。仿真示例展示了我们在移动机器人在存在不确定障碍物的情况下寻找风险约束路径这一案例上的结果。