面向无人艇应用的非线性模型预测控制策略学习
机器人学
2022-11-21 v1
摘要
数十年来，非线性模型预测控制（NMPC）难以承受的计算负载阻碍了其应用于具有高采样率的机器人。本文研究带系统约束的非线性 MPC 策略学习问题及其在无人水面艇（USVs）中的应用，其中离线学习非线性 MPC 策略并在线部署以解决计算复杂度问题。提出一种基于深度神经网络（DNN）的策略学习 MPC（PL-MPC）方法，以避免在线求解非线性最优控制问题。给出了详细的策略学习方法并设计了 PL-MPC 算法。提出了保证策略实施实际可行性的策略，并从理论上证明了所提方法下的闭环系统依概率渐近稳定。此外，我们将 PL-MPC 算法成功应用于无人艇的运动控制。结果表明，所提算法可在高达 的采样率下实现高精度运动控制。实验视频见：\url{https://v.youku.com/v_show/id_XNTkwMTM0NzM5Ng==.html
引用
@article{arxiv.2211.10075,
title = {Policy Learning for Nonlinear Model Predictive Control with Application to USVs},
author = {Rizhong Wang and Huiping Li and Bin Liang and Yang Shi and Demin Xu},
journal= {arXiv preprint arXiv:2211.10075},
year = {2022}
}