原始对偶估计器学习:一种具有可行性与近最优性保证的离线约束滚动时域估计方法
系统与控制
2022-04-07 v1 系统与控制
摘要
本文提出一种原始对偶框架,利用滚动时域方法为线性约束估计问题学习一个稳定估计器。为避免大多数现有方法的在线计算负担,我们离线学习一个参数化函数以近似原始估计。同时,训练一个对偶估计器以在执行期间检查原始估计器的次优性。原始与对偶估计器均通过监督学习技术从数据中学习,并给出了明确的样本量,使我们能够保证每个学习到的估计器在可行性与最优性方面的质量。这反过来使我们能够界定学习到的估计器不可行或次优的概率。此外,我们分析了所得估计器在代价函数最小化中具有有界误差时的稳定性。由于我们的算法在运行时不需求解优化问题,状态估计可几乎瞬时地在线生成。仿真结果表明,与滚动时域估计的在线优化及卡尔曼滤波相比,所提框架具有准确性和时间效率。据我们所知,这是首个针对线性约束系统具有可行性与近最优性保证的基于学习的状态估计器。
引用
@article{arxiv.2204.02857,
title = {Primal-dual Estimator Learning: an Offline Constrained Moving Horizon Estimation Method with Feasibility and Near-optimality Guarantees},
author = {Wenhan Cao and Jingliang Duan and Shengbo Eben Li and Chen Chen and Chang Liu and Yu Wang},
journal= {arXiv preprint arXiv:2204.02857},
year = {2022}
}