KPC：具有确定性保证的基于学习的模型预测控制
系统与控制
2020-11-24 v1 系统与控制
摘要
我们提出核预测控制（Kernel Predictive Control, KPC），一种具有确定性安全保证的基于学习的预测控制策略。利用未知系统动态的含噪样本，通过非参数核回归形式学习多个模型。通过单独处理每个预测步，我们免去了将集合通过高度非线性映射传播的需要，该过程常涉及多个保守近似步骤。随后利用有限样本误差界，通过一种高效的鲁棒公式来强制状态可行性。我们进而提出一种松弛策略，利用在线数据弱化优化问题约束，同时保持安全性。提供了两个数值算例以说明所提控制方法的适用性。
引用
@article{arxiv.2011.11303,
title = {KPC: Learning-Based Model Predictive Control with Deterministic Guarantees},
author = {Emilio T. Maddalena and Paul Scharnhorst and Yuning Jiang and Colin N. Jones},
journal= {arXiv preprint arXiv:2011.11303},
year = {2020}
}
备注
12 pages, 3 figures