面向MPC代价函数学习的稳定性感知贝叶斯优化

设计预测控制器以实现最优闭环性能同时保持安全性和稳定性具有挑战性。本文探索了在不完全信息下考虑闭环稳定性的预测控制参数闭环学习。我们采用约束贝叶斯优化来学习模型预测控制器(MPC)的成本函数，该函数参数化为前馈神经网络，优化闭环行为并最小化模型-失配。这样做提供了高度的自由度，从而为期望和最优闭环行为提供了高效全局优化的机会。我们通过稳定性约束扩展了该框架，利用底层MPC的最优值函数作为李雅普诺夫候选函数。仿真结果强调了所提方法的有效性，突出了其性能和安全性能力。