RL 引导的 MPC 用于自主温室控制
系统与控制
2025-06-17 v1 系统与控制
摘要
温室的高效运行对于在降低能源成本的同时提高作物产量至关重要。本文研究了一种将强化学习（RL）和模型预测控制（MPC）相结合的控制策略，以优化自主温室的经济效益。此前已有研究分别探索了 RL 和 MPC 在温室控制中的应用，或使用 MPC 作为 RL 智能体的函数逼近器。本研究提出 RL-Guided MPC 框架，其中 RL 策略经过训练后，用于为 MPC 优化问题构建终端代价和终端区域约束。该方法利用 RL 处理不确定性的能力与 MPC 在线优化的优势，以提升整体控制性能。RL-Guided MPC 框架通过数值模拟与 MPC 和 RL 进行了对比。考虑了两种场景：确定性环境和不确定性环境。仿真结果表明，在两种环境中，RL-Guided MPC 均优于 RL 和 MPC，且具有更短的预测时间范围。
引用
@article{arxiv.2506.13278,
title = {RL-Guided MPC for Autonomous Greenhouse Control},
author = {Salim Msaad and Murray Harraway and Robert D. McAllister},
journal= {arXiv preprint arXiv:2506.13278},
year = {2025}
}