面向分段仿射系统的基于学习的模型预测控制及其可行性保证
系统与控制
2025-03-27 v2 系统与控制
摘要
针对分段仿射（PWA）系统的在线模型预测控制（MPC）需要在线求解一个隐式优化问题，该问题在 PWA 区域的切换序列上进行优化，计算负担可能相当沉重。或者可以采用显式 MPC 将计算移至离线，但随之而来的在线内存需求和离线计算都可能变得过度。本文提出一种折中方案，将计算在线与离线之间进行部分划分，以解决上述问题。为求解底层 MPC 问题，一个在离线学习得知的策略指定 PWA 区域的序列，以此降低仅在连续状态和控制输入上进行求解的剩余优化问题的复杂度。我们提供了一个可在学习过程中验证的条件，保证所学策略输出的可行性，从而确保可以在线找到最优的连续控制输入。此外，本文提出一种迭代生成离线训练数据的 метод，使得可行的策略能够高效学习，降低离线计算负担。数值实验表明，该方法在与在线 MPC 和显式 MPC 相比下具有有效性。
引用
@article{arxiv.2412.00490,
title = {Learning-Based Model Predictive Control for Piecewise Affine Systems with Feasibility Guarantees},
author = {Samuel Mallick and Azita Dabiri and Bart De Schutter},
journal= {arXiv preprint arXiv:2412.00490},
year = {2025}
}
备注
6 pages, 3 figures, accepted for publication in ECC 2025. Code available at https://github.com/SamuelMallick/supervised-learning-pwa-mpc