神经共态调节器：基于输入约束的实时最优控制的数据驱动范式
系统与控制
2025-07-17 v1 系统与控制
摘要
我们提出了一种用于解决具有输入约束的非线性最优控制问题（OCP）的新型无监督学习框架，能够实现实时求解。在该框架中，神经网络（NN）学习预测给定系统在任意系统状态下、最小化控制哈密顿量的 optimal co-state trajectory。具体而言，NN 在满足非线性系统动力学并最小化二次调节代价的前提下，被训练以找到范数最优共态解。随后，通过求解二次规划（QP）以满足输入约束和最优性条件，从预测的 optimal co-state trajectory 中提取控制输入。我们提出“神经共态调节器（Neural Co-state Regulator, NCR）”这一术语，以描述共态 NN 与控制输入 QP 求解器的组合。为证明 NCR 的有效性，我们将其反馈控制性能与经验非线性模型预测控制（MPC）求解器在单轮自行车模型上的性能进行比较。由于 NCR 的训练不依赖于通常次优的经验非线性控制求解器，NCR 能够在原始训练域之外的系统条件下，以更低的收敛误差和更平滑的输入轨迹超越非线性 MPC 求解器。同时，NCR 的计算时间比非线性 MPC 快了两个数量级。
引用
@article{arxiv.2507.12259,
title = {Neural Co-state Regulator: A Data-Driven Paradigm for Real-time Optimal Control with Input Constraints},
author = {Lihan Lian and Yuxin Tong and Uduak Inyang-Udoh},
journal= {arXiv preprint arXiv:2507.12259},
year = {2025}
}