终端约束下基于高斯过程的事件触发学习型模型预测控制
最优化与控制
2024-01-02 v3
摘要
事件触发控制策略能够在不牺牲控制性能的前提下显著减少控制任务执行次数。本文针对动态先验未知的非线性控制系统，提出一种新颖的基于学习的事件触发模型预测控制(MPC)方法。具体而言，最优控制问题(OCPs)基于由高斯过程(GP)回归学习的预测状态构建，并受由符号抽象构造的终端约束限制。本文提出的事件触发条件由递归可行性导出，从而仅当预测状态与实际状态间误差超过某一阈值时才求解OCPs。基于该事件触发条件，我们分析了闭环系统的稳定性，并表明随着GP模型不确定性的减小，可实现到终端集的有限时间收敛。此外，为降低GP模型不确定性并提升寻优效率，我们给出了一种基于迭代任务的整体学习型事件触发MPC算法。最后，通过一个跟踪控制问题验证了所提方法。
引用
@article{arxiv.2110.12214,
title = {Learning-based Event-triggered MPC with Gaussian processes under terminal constraints},
author = {Yuga Onoue and Kazumune Hashimoto and Akifumi Wachi},
journal= {arXiv preprint arXiv:2110.12214},
year = {2024}
}
备注
submitted for publication