面向模型参考数据驱动控制的元学习

一次性直接模型参考控制设计技术，如虚拟参考反馈整定（VRFT）方法，为动态系统固定结构控制器的标定提供了节省时间的解决方案。然而，此类方法对可用数据质量高度敏感，常需漫长且昂贵的实验以获得可接受的闭环性能。这些特性可能阻碍此类技术的广泛应用，尤其在低数据场景下。本文中，我们认为许多工业相关系统固有的相似性可资利用，从而提供来自与目标控制系统相似（但不相同）设备的额外信息。假设该补充信息可用，我们提出一种新颖的直接设计方法，利用来自相似设备的数据、在其上标定的控制器知识及相应闭环性能来增强模型参考控制设计。更具体地，通过将新控制器构造为可用控制器的组合，我们的方法遵循元学习思想利用所有可用先验，同时确保性能非退化。大量数值分析支持了我们的论断，突出了所提方法在获得与迭代方法相当性能的同时，保留如 VRFT 等一次性直接数据驱动方法效率的有效性。