Dropout MPC：一种用于学习动力学系统的集成神经MPC方法
系统与控制
2024-06-05 v1 人工智能
机器学习
机器人学
系统与控制
摘要
神经网络越来越多地被用于数据驱动控制，作为真实系统动力学的近似模型。模型预测控制(MPC)采用这种做法，导致神经MPC策略。这引发了一个问题：训练后的神经网络是否收敛并泛化，使得学习模型能够准确逼近系统的真实动力学模型，从而使其成为基于模型控制的可靠选择，特别是对于受干扰和不确定的系统。为了解决这个问题，我们提出了Dropout MPC，一种新颖的基于采样的集成神经MPC算法，该算法在学习系统模型上采用蒙特卡洛dropout技术。闭环基于一组预测控制器，这些控制器在每个时间步同时用于轨迹优化。集成中的每个成员基于加权投票方案影响控制输入，因此通过采用学习系统动力学的不同实现，神经控制设计上变得更加可靠。该方法的另一个优点是它设计上提供了一种估计未来不确定性的方法，导致谨慎控制。虽然该方法通常针对具有复杂动力学的不确定系统，其中从第一原理推导模型困难，但为了展示应用，我们利用从真实移动机械手实验室收集的数据，并在仿真中采用所提算法进行机器人导航。
引用
@article{arxiv.2406.02497,
title = {Dropout MPC: An Ensemble Neural MPC Approach for Systems with Learned Dynamics},
author = {Spyridon Syntakas and Kostas Vlachos},
journal= {arXiv preprint arXiv:2406.02497},
year = {2024}
}