面向自适应模型预测控制器的信息论框架

模型预测控制（Model Predictive Control, MPC）是单程无人机（UAV）等自主系统的关键技术，使其能够优化运动规划。然是，传统MPC难以适应动态障碍物和变化的系统动力学，缺乏自我监控和自适应优化的内在机制。本文引入Entanglement Learning（EL），一种信息论框架，通过信息数字孪生（Information Digital Twin, IDT）增强MPC的适应性。IDT以比特为单位监控和量化MPC输入、控制动作与UAV行为之间的信息流。通过引入称为纠缠指标的新型信息论指标，IDT跟踪这些依赖关系的变化。这些指标衡量优化器输入、其控制动作与 resulting UAV 动力学之间的互信息，使我们能够深入理解它们之间的关系。这使IDT能够检测性能偏差并生成实时自适应信号，以重新校准MPC参数，保持稳定性。与传统MPC依赖误差反馈不同，本方法采用信息流进行双反馈，能够对不断变化的条件进行主动适应。该框架具有可扩展性，利用现有基础设施，可提升MPC在各种情景下的可靠性和鲁棒性，超越UAV控制，适用于任何需要自适应性能的MPC实现。