为单步模型预测控制学习凸代价函数
系统与控制
2025-03-05 v3 系统与控制
最优化与控制
摘要
对于大型不确定系统，在线求解模型预测控制问题可能计算量很大。使用更短的预测时域会有所帮助，但若无适当修改，可能导致性能不佳和不稳定。本工作专注于学习凸目标项，以实现单步控制时域，从而降低在线计算成本。我们考虑两种用于近似代价函数的替代方案：(1) 凸插值函数和 (2) 输入凸神经网络。无论选择哪种替代方案，其在原点附近的行为以及描述可行域的能力对于新MPC问题的闭环性能至关重要。我们通过定制替代方案来确保在这两个方面都表现良好，以解决此问题。最后，我们给出了数值示例，其中我们将凸替代方案与在目标函数中使用标准神经网络、仅使用LQR代价函数以及使用神经网络学习控制策略进行了比较。结果表明，所提出的方法能够以更少的数据实现更好的性能。
引用
@article{arxiv.2312.02650,
title = {Learning a convex cost-to-go for single step model predictive control},
author = {E. M. Turan and Z. Mdoe and J. Jäschke},
journal= {arXiv preprint arXiv:2312.02650},
year = {2025}
}