ExAMPC：基于物理洞察的可解释近似非线性模型预测控制

尽管人工智能 (AI) 在控制领域的应用日益增长，经典且基于模型的控制方法仍因其透明性和确定性而受到青睐。然而，尽管非线性模型预测控制 (NMPC) 已被证明具有优越能力，但由于计算复杂度高以及在复杂验证系统中的预测闭环性能不可预测，面临着采纳挑战。本文引入 ExAMPC，一种将经典控制与可解释 AI 相结合的方法，通过引入数据驱动的见解来增强 NMPC 的可信度，并揭示优化解和闭环性能对物理变量和系统参数的敏感性。通过采用低阶样条嵌入，我们将开环轨迹维度降低超过 95%，并将其与来自可解释 AI (XAI) 的 SHAP 和符号回归相集成，以实现近似 NMPC，使优化过程能够直观地理解物理意义。通过引入受物理启发的连续时间约束惩罚项，提高了近似 NMPC 的预测精度，将预测的连续轨迹违规降低了 93%。ExAMPC 还能够准确预测 NMPC 的计算需求，并提供关于最坏情况情景的可解释见解。在自动泊车和自主赛车（以圈速优化为目标）的实验验证表明，该方法在实际应用中具有实际效果。