基于元学习快速自适应神经预测模型的不确定非线性系统模型预测控制
系统与控制
2026-02-26 v2 机器学习
系统与控制
摘要
本文考虑不确定非线性系统的参考跟踪问题。使用神经状态空间模型近似非线性系统，其中深度编码器网络从数据中学习非线性，状态空间分量捕获时间关系。这将非线性系统转化为潜在空间中的线性系统，使得模型预测控制能够确定有效的控制动作。我们的目标是使用来自目标系统（感兴趣的系统）的有限数据设计最优控制器。为此，我们采用隐式模型无关元学习框架，利用来自源系统（与目标系统共享相似性的系统）的信息加速目标系统的训练并提高其控制性能。该框架包括两个阶段：（离线）元训练阶段使用源系统数据学习一个聚合的神经状态空间模型，（在线）元推理阶段基于局部损失函数梯度，仅用少量数据点和少量在线训练迭代快速将该聚合模型适应到目标系统。隐式模型无关元学习算法利用隐函数定理在训练期间精确计算梯度，而不依赖整个优化路径。通过仅关注最优解而非路径，我们可以比其他当代元学习算法以更少的存储复杂度和更少的近似进行元训练。我们通过数值示例证明，所提出的方法可以通过自适应产生准确的预测模型，从而使得下游模型预测控制优于多个基线。
引用
@article{arxiv.2404.12097,
title = {MPC of Uncertain Nonlinear Systems with Meta-Learning for Fast Adaptation of Neural Predictive Models},
author = {Jiaqi Yan and Ankush Chakrabarty and Alisa Rupenyan and John Lygeros},
journal= {arXiv preprint arXiv:2404.12097},
year = {2026}
}