面向自主车辆的基于感知观测器的鲁棒模型预测控制设计
机器人学
2025-09-08 v1 计算机视觉与模式识别
机器学习
系统与控制
系统与控制
摘要
本文提出了一种鲁棒模型预测控制（MPC）框架，明确处理深度学习感知模块在状态估计中固有的非高斯噪声。认识到对感知模块进行准确的不确定性量化对于安全的反馈控制至关重要，我们的方法摒弃了感知误差零均值噪声的传统假设。相反，它采用基于约束zonotope的集合状态估计，以捕获有偏的、重尾的不确定性，同时保持有界的估计误差。为提高计算效率，鲁棒MPC被重新表述为线性规划（LP），使用基于Minkowski-Lyapunov的成本函数并添加松弛变量以防止退化解。通过Minkowski-Lyapunov不等式和收缩zonotopic不变集确保闭环稳定性。然后通过zonotope的椭球逼近推导出最大的稳定终端集及其对应的反馈增益。所提出的框架通过仿真和硬件实验进行了验证，实验对象为全向移动机器人，搭载相机和基于卷积神经网络的感知模块，并在ROS2框架内实现。结果表明，感知感知的MPC在重尾噪声条件下提供了稳定且精确的控制性能，在状态估计误差边界和整体控制性能方面均显著优于传统的高斯噪声设计。
引用
@article{arxiv.2509.05201,
title = {Robust Model Predictive Control Design for Autonomous Vehicles with Perception-based Observers},
author = {Nariman Niknejad and Gokul S. Sankar and Bahare Kiumarsi and Hamidreza Modares},
journal= {arXiv preprint arXiv:2509.05201},
year = {2025}
}