具有有限模型知识与数据的安全学习式模型预测控制
系统与控制
2023-10-31 v8 系统与控制
最优化与控制
摘要
本文提出一种使用非线性随机 MPC 与分布鲁棒优化(DRO)的安全学习式控制(LbC)端到端框架。该工作受 LbC 文献中若干开放挑战的推动。特别地,许多控制理论化的 LbC 方法需要领域专业知识以转化其自身安全保证,通常表现为既存安全轨迹数据或结构性模型知识。本文中我们聚焦于 LbC,其中控制器直接应用于其无或极少直接经验的系统,以白板(tabula-rasa)或“空白石板”基于模型的学习与控制中的安全作为验证的困难案例。这探索了控制理论中关于领域专业知识要求的现状边界。我们展示在对底层问题基本且有限的假设下,可利用随机 MPC 与 DRO 文献中的结果(我们在数学分析中形式化扩展了它们的相关性)将可行性概率保证转化至非线性系统。我们还给出了激励持续性(PoE)的耦合且直观的公式,并阐明了 PoE 与所提方法适用性间的联系。我们对车辆避障与锂离子电池安全极速充电的案例研究揭示了支持底层 DRO 理论的强力实证结果。我们的方法在 LbC 领域内广泛适用,例如空中风能系统、车辆避障与储能系统管理。其亦适用于量化超越 LbC 情形之外的不确定性。
引用
@article{arxiv.2004.00759,
title = {Safe Learning MPC with Limited Model Knowledge and Data},
author = {Aaron Kandel and Scott J. Moura},
journal= {arXiv preprint arXiv:2004.00759},
year = {2023}
}