基于线性模型的学习型 MPC 优化算法的实践比较
最优化与控制
2014-04-11 v1 机器人学
摘要
基于学习的控制方法是解决机器人与自动化系统中性能和效率挑战的一种极具吸引力的方法。学习型模型预测控制（LBMPC）便是已在这些领域得到应用的一种此类技术。LBMPC 的一个重要创新之处在于其鲁棒性和稳定性独立于所使用的在线学习类型。这使得可以使用先进的统计或机器学习方法来为控制器提供自适应能力。本文旨在针对系统动态模型为线性且在线学习为动态模型提供线性更新的特殊情况，提供实现 LBMPC 方法的不同优化算法的实践比较。为了进行比较，我们实现了一种利用 LBMPC 稀疏结构的原始-对偶不可行起始内点法。我们的开源实现（称为 LBmpcIPM）通过 BSD 许可证提供，并免费开放，以便在其他平台上快速实现 LBMPC。使用四旋翼直升机平台将该求解器与稠密有效集求解器 LSSOL 和 qpOASES 进行了比较。考虑了两种场景：第一个是比较四旋翼悬停控制的仿真，第二个是动态四旋翼飞行的机载控制实验。尽管 LBmpcIPM 方法比 LSSOL 和 qpOASES 具有更好的渐近计算复杂度，但我们发现对于某些集成系统（如我们的四旋翼测试台），这些方法可以优于 LBmpcIPM。这表明在实际系统上选择用于实现 LBMPC 的算法时，应使用实际基准测试。
引用
@article{arxiv.1404.2843,
title = {Practical Comparison of Optimization Algorithms for Learning-Based MPC with Linear Models},
author = {Anil Aswani and Patrick Bouffard and Xiaojing Zhang and Claire Tomlin},
journal= {arXiv preprint arXiv:1404.2843},
year = {2014}
}