模型预测控制中具跟踪误差规定界的安全持续学习
最优化与控制
2025-02-18 v3
摘要
我们开发了一种三分量模型预测控制（MPC）算法，以实现连续时间非线性系统的具规定性能的输基准跟踪。其中一个分量是所谓的漏斗 MPC（funnel MPC），其对合适模型实现具规定性能的模型输出参考跟踪。最近，该 MPC 算法已与无模型反应式反馈控制器（第二分量）相结合，以考虑模型-对象失配、有界扰动和不确定性。通过构造，该双分量控制器定义了一种鲁棒漏斗 MPC 算法。其在一类未知非线性系统上实现跟踪误差在规定界内的输出参考跟踪。在本文中，我们通过机器学习分量扩展鲁棒漏斗 MPC，以使底层模型适应系统数据，从而改进 MPC 的贡献。我们推导了充分条件结构以定义漏斗 MPC 的一类模型，并给出合适学习方案的特征描述。由于鲁棒漏斗 MPC 固有鲁棒且跟踪误差在规定性能漏斗中的演化得到保证，附加的学习分量能够在线执行学习任务——即使没有初始模型或离线训练。
引用
@article{arxiv.2304.10910,
title = {Safe continual learning in model predictive control with prescribed bounds on the tracking error},
author = {Lukas Lanza and Dario Dennstädt and Thomas Berger and Karl Worthmann},
journal= {arXiv preprint arXiv:2304.10910},
year = {2025}
}