利用相似系统与在线数据驱动 LQR 的迭代随机化数据压缩方法

本文研究通过在线/当前数据与历史/记录数据的随机化组合，进行数据驱动滚动时域 LQR 控制的递归计算问题。假设可获得来自一个与当前系统相似但不完全相同系统的大量历史输入输出数据。该（可能庞大的）数据集通过一种新颖的随机子空间算法进行压缩，以直接合成标准 LQR 问题的初始解，但由于历史模型的不准确性，该解为次优解。将此输入的首次实例用于驱动当前系统，相应的瞬时输出用于通过对旧压缩数据进行计算代价低廉的随机化秩一更新，迭代地重新求解 LQR 问题。重新计算的输入的首次实例在下一时刻施加于系统，记录输出，并在此后每一时刻重复整个过程。随着更多当前数据可用，算法自动从新数据中学习，同时以近最优方式控制系统。所提算法由于对旧数据和新可用数据的初始及重复压缩，计算代价低廉。此外，同步学习与控制使该算法特别适用于在无任何显式探索阶段的情况下适应未知、建模不良和时变系统。仿真展示了所提算法相对于流行的 LQR 控制探索/利用方法的有效性。