部分未知约束下基于模型预测控制的安全探索与逃离局部极小
最优化与控制
2022-05-10 v1
摘要
本文提出一种新颖的处理部分未知约束的输出跟踪模型预测控制（MPC）框架。该MPC方案在学习轨迹与备份轨迹上进行优化。学习轨迹旨在探索未知且潜在不安全的区域，当且仅当这可能带来潜在的性能提升时。相反，备份轨迹位于已知空间内，用于确保安全与收敛。学习轨迹的代价函数分为跟踪代价与偏移代价，而备份轨迹的代价函数仅被边缘考虑，且只惩罚偏移代价。我们证明所提MPC方案不仅能够安全探索未知约束，还能逃离由障碍物存在可能引发的局部极小。此外，我们给出了MPC方案的收敛性、递归可行性以及闭环约束满足的形式化保证。最后，在一个存在未知障碍物的部分未知环境中自动驾驶车辆的仿真示例中演示了所提MPC方案。
引用
@article{arxiv.2205.03614,
title = {Safe Exploration and Escape Local Minima with Model Predictive Control under Partially Unknown Constraints},
author = {Raffaele Soloperto and Ali Mesbah and Frank Allgöwer},
journal= {arXiv preprint arXiv:2205.03614},
year = {2022}
}