关于平滑模型预测控制的模仿学习样本复杂度

模仿学习近期的工作表明，拥有一个既适当平滑又稳定的专家控制器能够为所学控制器的性能提供更强保证。然而，为任意系统设计此类平滑专家控制器仍具挑战性，尤其在存在输入与状态约束时。作为主要贡献，我们展示了如何使用基于对数障碍函数对标准模型预测控制（MPC）优化问题的松弛，为一般系统类设计这样的平滑专家。该平滑理论保证的核心是我们证明的关于凸Lipschitz函数解析中心最优性间隙的新下界，我们希望这能具有独立意义。我们通过实验验证了理论发现，展示了我们的平滑方法相对于随机平滑的优越性。