基于可行性引导学习的约束最优控制问题鲁棒控制
系统与控制
2019-12-10 v1 机器学习
系统与控制
最优化与控制
摘要
通过运用控制障碍函数（CBFs）与控制李雅普诺夫函数（CLFs），可确保安全性与收敛至期望状态的约束最优控制问题可被映射为一系列实时优化问题。此类方法的主要挑战之一在于：若系统在控制上仿射，则保证所得二次规划（QPs）的可行性。近期提出的惩罚法有潜力改善此类问题可行解的存在性。本文中，我们通过定义适用于任意相对度约束的高阶CBF（HOCBF），进一步提升了可行性鲁棒性（即在时变与未知不安全集存在下的可行性维持）；这通过所提的可行性引导学习方法实现。具体而言，我们应用机器学习技术将HOCBF的参数空间分类为可行与不可行集，并获得一个可微分类器，随后将其加入学习过程。所提可行性引导学习方法在机器人控制问题上与梯度下降法进行比较。仿真结果表明，相较于梯度下降法，可行性引导学习方法在确定HOCBF定义中用于可行性鲁棒性的最优参数方面能力更优，并展示了CBF方法在未知环境中实现机器人安全导航的潜力。
引用
@article{arxiv.1912.04066,
title = {Feasibility-Guided Learning for Robust Control in Constrained Optimal Control Problems},
author = {Wei Xiao and Calin A. Belta and Christos G. Cassandras},
journal= {arXiv preprint arXiv:1912.04066},
year = {2019}
}
备注
8 pages, submitted to L-CSS