Mar, 2020

ABC-LMPC：针对可调边界条件的随机非线性动态系统的安全基于样本的学习型模型预测控制

PDF
TL;DR本文提出一种可适应起点和目标配置的 LMPC 算法，旨在保证最终控制器在随机非线性系统中的期望迭代收敛，并通过实际测试表明，该控制器适用于多种初始和终端条件的控制任务。
learning model predictive controlstochastic nonlinear systemsadaptive boundary conditionrobotic taskscontinuous control tasks
发现论文，激发创造
  • 基于样本的线性不确定系统模型预测控制

    本文提出了基于样本的 LMPC 控制器，该控制器适用于受到有界添加干扰的约束不确定线性系统。我们介绍了安全集与价值函数的设计，用于保证安全性和性能改进，并展示了如何使用有噪声的历史数据来近似这些量。数值实例证明了所提出的方法的有效性。我们证明了所提出的 LMPC 能够安全地探索状态空间，迭代地改进最坏情况下闭环性能，同时稳健地满足状态和输入约束。

    Apr, 2019

  • 可证明安全且鲁棒的基于学习的模型预测控制

    本研究介绍了一种学习基础的模型预测控制 (LBMPC) 方案，在提高系统性能的同时提供稳健性的确定性保证。该方案利用统计识别工具识别系统的更丰富模型，通过维护两个模型，可以在一个优化框架中将安全性和性能隔离。LBMPC 通过选择最小化成本的输入来提高性能，并通过检查模糊模型稳定性来确保安全性和鲁棒性。此外，我们证明如果系统充分兴奋，则 LBMPC 控制行动以概率收敛为使用真实动力学计算的 MPC 的行动。

    Jul, 2011

  • 应用于统计学习的平滑模型预测控制

    本论文研究采用阻碍函数作为硬约束的线性模型预测控制策略的平滑逼近，通过精细的分析展示其平滑常数可以被仔细控制，从而为采样状态 - 动作对逼近 MPC 策略的新样本复杂度结果铺平道路

    Jun, 2023

  • 通过学习分类器实现自适应模型预测控制

    本文提出了一种自适应 MPC 系统，可以通过利用贝叶斯优化和经典的 EI 获取方法自动估计控制和模型参数，通过机器学习方法用于密度比估计从而实现该控制器在多种有挑战性的机器人操作任务上的鲁棒性。

    Mar, 2022

  • 基于学习控制的线性模型预测安全认证

    本文提出模型预测安全认证 (MPSC) 方案，用于保证学习型控制器的安全性，并拓展安全状态集合的方法是使用基于场景优化的数据设计过程。

    Mar, 2018

  • 模型预测控制中的优化学习

    通过机器学习优化基于样本的模型预测控制中的更新规则，以在有限的样本数下获得更好的控制效果。

    Dec, 2022

  • 神经网络支持下的模型预测控制实现无法匹配的不确定性缓解

    本文介绍了一种基于深度学习的模型预测控制算法，利用深度神经网络作为学习基础的预测控制中的甲骨文，通过一个双时间尺度适应机制来估计不匹配的不确定性并且得到了压缩系统的数值试验验证。

    Apr, 2023

  • 自适应模型预测控制中的亚线性遗憾

    自适应模型预测控制算法 (STT-MPC) 结合了等价原理和多面体管的在线算法，以稳定系统状态和输入的限制条件并解决不确定线性系统问题。

    Oct, 2023

  • 经济非线性 MPC 的 Koopman 模型的端到端强化学习

    (经济) 非线性模型预测控制 ((e) NMPC) 需要全方位准确的动态系统模型，这些模型在所有相关的状态空间区域中都足够准确，并且计算便宜到足以确保实时可行性。我们提出了一种端到端的强化学习方法，用于动态代理模型在 (e) NMPC 应用中实现最优性能，从而在控制性能和计算需求之间实现了良好的平衡。我们在两个应用中验证了我们的方法，这两个应用是基于一个已建立的非线性连续搅拌反应器模型。我们将控制器性能与使用主导的最大预测准确性范例训练的模型的 MPC 进行了比较，并使用强化学习训练的无模型神经网络控制器进行了比较。我们展示了我们的方法与无模型神经网络控制器的性能相当，同时始终优于基于系统识别的模型。此外，我们还展示了 MPC 策略在控制设定变化时无需重新训练。

    Aug, 2023

  • 学习采样分布用于模型预测控制

    我们通过学习参数分布并在潜在空间中进行控制，提出了一种使用双层优化和正规流参数化分布的模型预测控制方法，旨在克服使用简单似然函数进行采样时出现的性能问题。在模拟机器人任务中，我们证明了该方法比以前的方法具有更好的性能和更少的样本数。

    Dec, 2022