基于原始-对偶神经网络的安全近最优模型预测控制策略学习
机器学习
2019-06-21 v1 系统与控制
系统与控制
机器学习
摘要
在本文中，我们提出了一种利用监督学习来近似线性参数时变系统显式 MPC 律的新框架。与大多数现有方法不同，我们不仅学习控制策略，还学习一个“证书策略”，使我们能够在执行期间在线估计所学控制策略的次优性。我们使用监督学习技术从数据中学习这两种策略，并提供一种随机化方法，使我们能够保证每个所学策略的质量，以可行性和最优性来衡量。这反过来使我们能够界定所学控制策略不可行或次优的概率，该检查由证书策略执行。由于我们的算法在运行期间不需要求解优化问题，它甚至可以部署在资源受限的系统上。我们在一个车辆动力学控制问题上说明了所提框架的有效性，其中我们展示了相比在线优化高达两个数量级的加速，且性能退化最小。
引用
@article{arxiv.1906.08257,
title = {Safe and Near-Optimal Policy Learning for Model Predictive Control using Primal-Dual Neural Networks},
author = {Xiaojing Zhang and Monimoy Bujarbaruah and Francesco Borrelli},
journal= {arXiv preprint arXiv:1906.08257},
year = {2019}
}
备注
IEEE American Control Conference (ACC) 2019, July 9-12, Philadelphia, PA, USA