TransMPC：基于 Transformer 的变预测时域显式 MPC
机器人学
2025-09-10 v1
摘要
传统的在线模型预测控制（MPC）方法通常存在过高的计算复杂度，限制了其实际部署。显式 MPC 通过离线预计算控制策略来减轻在线计算负担；然而，现有的显式 MPC 方法通常依赖于简化的系统动力学和代价函数，这限制了它们在复杂系统中的准确性。本文提出了 TransMPC，一种基于 Transformer 的新型显式 MPC 算法，能够为复杂动态系统实时生成高精度的控制序列。具体而言，我们利用双向自注意力将 MPC 策略表述为仅编码器的 Transformer，从而在单次前向传递中实现整个控制序列的同时推理。这种设计本质上适应可变预测时域，同时确保了低推理延迟。此外，我们引入了一个在采样和学习阶段交替的直接策略优化框架。与依赖于预计算最优轨迹的模仿方法不同，TransMPC 通过自动微分直接优化真实的有限时域代价。随机时域采样结合回放缓冲区提供了独立同分布的训练样本，确保了在不同状态和时域长度下的鲁棒泛化能力。大量仿真和真实世界车辆控制实验验证了 TransMPC 在求解精度、对不同时域的适应性以及计算效率方面的有效性。
引用
@article{arxiv.2509.07381,
title = {TransMPC: Transformer-based Explicit MPC with Variable Prediction Horizon},
author = {Sichao Wu and Jiang Wu and Xingyu Cao and Fawang Zhang and Guangyuan Yu and Junjie Zhao and Yue Qu and Fei Ma and Jingliang Duan},
journal= {arXiv preprint arXiv:2509.07381},
year = {2025}
}