基于神经证书的无参考迭代学习模型预测控制
系统与控制
2025-07-21 v1 系统与控制
摘要
本文提出了一种新颖的无参考迭代学习模型预测控制 (MPC)。在所提方法中，基于控制李雅普诺夫-障碍函数 (CLBF) 概念的证书函数利用从过去控制执行中收集的数据进行学习，并用于定义当前迭代中 MPC 优化问题的终端集合和终端代价。该方案实现了 MPC 终端组件在连续迭代中的逐步优化。与依赖混合整数规划且存在数值困难的现有方法不同，所提方法将 MPC 优化问题表述为标准的非线性规划，从而实现更高效的在线计算。所提方法满足关键的 MPC 特性，包括递归可行性和渐近稳定性。此外，我们证明了在特定假设下，性能代价不随迭代次数增加而增加。包括使用 PyBullet 进行仿真在内的数值实验证实，与现有方法相比，我们的控制方案能迭代地增强控制性能，并显著提升在线计算效率。
引用
@article{arxiv.2507.14025,
title = {Reference-Free Iterative Learning Model Predictive Control with Neural Certificates},
author = {Wataru Hashimoto and Kazumune Hashimoto and Masako Kishida and Shigemasa Takai},
journal= {arXiv preprint arXiv:2507.14025},
year = {2025}
}
备注
This paper was submitted to IET Control Theory & Applications on May 19, 2025 (under review)