使用离线学习的仿射扰动反馈增益的快速随机模型预测控制
系统与控制
2024-11-22 v1 系统与控制
摘要
我们提出了一种针对受概率约束的不确定线性系统的新型随机模型预测控制（MPC）方法。所提出的方法利用离线学习来提取仿射扰动反馈策略的关键特征，显著降低了在线优化的计算负担。具体来说，我们采用离线数据驱动采样来学习反馈增益的特征分量，并以指定的置信水平近似机会约束可行集。通过利用这些学习到的信息，在线MPC问题简化为对名义输入和一组缩减的学习反馈增益的优化，确保了计算效率。在一个数值示例中，所提出的MPC方法在吸引域（ROA）和平均闭环成本方面实现了与优化扰动反馈策略的经典MPC相当的控制性能，同时计算速度提升了10倍。
引用
@article{arxiv.2411.13935,
title = {Fast Stochastic MPC using Affine Disturbance Feedback Gains Learned Offline},
author = {Hotae Lee and Francesco Borrelli},
journal= {arXiv preprint arXiv:2411.13935},
year = {2024}
}
备注
Submitted to L4DC 2025