T2S-MPC：面向时变动力学的时间嵌入在线自适应模型预测控制
机器学习
2026-05-26 v1 系统与控制
系统与控制
摘要
近期在基于学习的模型预测控制(MPC)中出现的进展，利用神经网络进行在线模型学习，在非平稳系统动力学偏离 nominal 模型时实现了强性能。然而，现有方法主要针对特定或相对结构化的动力学变化形式，留下了更一般、未知且不可预测的时间变化动力学得不到充分处理。为此，我们提出T2S-MPC，一个框架能够自适应地在线学习残差动力学模型，并将其与 nominal 模型集成到MPC框架中，以实现快速的在线规划。为使模型具有时序意识，我们通过结构化的时间嵌入显式编码时间信息，并采用双时间尺度更新方案，使控制器能够捕获非平稳动力学，同时在快速适应与稳定学习之间进行平衡。我们在2D四旋翼机上进行评估，涵盖稳定化和轨迹跟踪任务，under diverse 时变扰动，包括线性漂移和周期性扰动。实验结果表明，T2S-MPC在控制性能上 consistently 优于经典MPC、神经MPC和消除变体，同时在广泛的扰动条件下展现出强大的鲁棒性，无需额外调参。该源代码已在https://github.com/Zeyuu0920/T2S_MPC公开。
引用
@article{arxiv.2605.24852,
title = {T2S-MPC: Time-Embedded Online Adaptive Model Predictive Control for Time-Varying Dynamics},
author = {Zeyu Shen and Zhuoyuan Wang and Laixi Shi},
journal= {arXiv preprint arXiv:2605.24852},
year = {2026}
}