安全与速度的交汇：加速神经模型预测控制兼具安全保证且无需重新训练
机器人学
2025-09-09 v1
摘要
虽然模型预测控制（MPC）通过约束强制安全，但其在线执行可能超出嵌入式计算预算。我们提出了一种障碍集成自适应神经模型预测控制（BAN-MPC）框架，将神经网络的快速计算与 MPC 的约束处理能力协同结合。为确保严格安全，我们用控制障碍函数（CBFs）替代传统的欧几里得距离来实现碰撞避免。我们将一个离线学习的神经价值函数集成到短时域 MPC 的优化目标中，大幅降低了在线计算复杂度。此外，我们使用第二个神经网络来学习价值函数对系统参数的敏感性，并在模型参数变化时根据这种神经敏感性自适应调整神经价值函数，从而消除了重新训练的需要并降低了离线计算成本。在 Jetson Nano 上的硬件在环实验表明，BAN-MPC 的求解速度比传统 MPC 快 200 倍，在模型参数变化 15% 以内的情况下实现了控制误差低于 5% 的无碰撞导航，使其成为有效的嵌入式 MPC 替代方案。
引用
@article{arxiv.2509.06404,
title = {Safety Meets Speed: Accelerated Neural MPC with Safety Guarantees and No Retraining},
author = {Kaikai Wang and Tianxun Li and Liang Xu and Qinglei Hu and Keyou You},
journal= {arXiv preprint arXiv:2509.06404},
year = {2025}
}
备注
12 pages, 9 figures, accepted to RA-L