基于神经网络的 MPC 仿真学习：误差保证与稀疏化
系统与控制
2026-03-27 v1 机器学习
系统与控制
摘要
本文提出了一种用于界定仿真模型预测控制器 (MPC) 利用神经网络进行近似的框架。依据这些神经网络的 Lipschitz 性质，我们导出误差上界，以指导数据集设计，确保近似误差保持在所选限制范围内。我们讨论了如何利用该方法设计具备性能保证的稳定神经网络控制器，采用现有的鲁棒模型预测控制方法进行数据生成。此外，我们引入一种训练调整方法，基于优化问题的灵敏度，降低数据密度需求。我们验证了该数据增强措施对提升网络预测能力及降低 Lipschitz 常数具有积极作用。在仿真倒摆铁问题上，我们展示了该方法使仿真模型预测控制器与原控制器之间闭环行为的匹配程度显著提升。
关键词
引用
@article{arxiv.2501.03671,
title = {Imitation Learning of MPC with Neural Networks: Error Guarantees and Sparsification},
author = {Hendrik Alsmeier and Lukas Theiner and Anton Savchenko and Ali Mesbah and Rolf Findeisen},
journal= {arXiv preprint arXiv:2501.03671},
year = {2026}
}