Apr, 2023

增强安全的近似非线性模型预测控制与神经网络

PDF
TL;DR本论文通过神经网络（NN）的逼近研究模型预测控制（MPC）控制器，以实现快速在线计算，并通过安全增强提高收敛和实现约束满足的确定性保证。其控制框架在三个具有不同复杂度的非线性 MPC 基准测试中得到阐述，并证明了与在线优化相比的数量级的计算加速。
model predictive controlneural networkssafety augmentationconstraint satisfactiononline optimization
发现论文，激发创造
  • 非线性深度神经网络建模的高效模型预测控制

    该研究论文提出了一种用于动态系统的模型预测控制（MPC）方法，该方法利用深度神经网络（NNs）对系统的非线性和不确定性进行建模，并提出了两种用于解决 MPC 问题的方法：混合整数规划（MIP）方法和线性松弛（LR）方法。进行了广泛的数值模拟来演示和比较 MIP 和 LR 方法的性能。

    May, 2024

  • 参数自适应的近似模型预测控制：无需重新训练调整神经网络控制器

    参数自适应近似模型预测控制（AMPC）架构，以此实现对低成本微控制器（MCU）上快速运动系统的实际应用。

    Apr, 2024

  • 系统级安全防护：通过不确定的神经网络动力学模型实现安全跟踪控制

    利用神经网络作为预测模型来解决具有不确定性的动力系统的轨迹跟踪问题，并通过混合整数线性规划方法提供了整体系统的安全保证。

    Dec, 2023

  • 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

  • 基于凸优化的神经网络系统安全滤波器设计

    通过利用神经网络、凸优化和鲁棒线性模型预测控制，本研究提出了一种新的安全过滤器，以确保神经网络系统在受到建模误差的加性干扰时能保持安全，并通过在非线性摆动系统上的数值实验证明了其有效性。

    Aug, 2023

  • 模型预测控制与神经网络之间的映射

    用隐式神经网络准确表示具有二次成本和线性约束的线性系统的模型预测控制，并引入一种将隐式神经网络解开为显式网络的方法，这些结果强调了隐式神经网络表示优化问题解决方案的能力，因为这些问题本身是隐式定义的函数。

    Apr, 2024

  • 深度神经网络模型预测控制框架介绍及快速控制器实现

    基于深度神经网络的非线性模型预测控制（MPC）在同质压燃点火（HCCI）燃烧控制方面的实验实施结果良好，具有优秀的 IMEP 轨迹跟踪性能和过程约束的观测情况。

    Oct, 2023

  • 使用监督学习构建短视多方计算策略

    使用监督学习技术结合模型预测控制（MPC）在近期引起了显著关注，特别是在近似显式 MPC 领域，其中使用深度神经网络等函数逼近器通过离线生成的最优状态 - 动作对来学习 MPC 策略。本文考虑了一种替代策略，即使用监督学习离线学习最优值函数而不是最优策略。这可以用作具有非常短预测视野的近视型 MPC 中的代价函数，从而大大减少在线计算负担而不影响控制器性能。该方法与现有的值函数逼近研究不同之处在于，它通过使用离线收集的状态 - 值对来学习代价函数，而不是闭环性能数据。通过使用基于敏感度的数据增强方案解决了用于培训的状态 - 值对生成的成本问题。

    Jan, 2024

  • 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

  • 基于元学习的快速适应神经预测模型的不确定非线性系统 MPC

    使用神经状态空间模型和隐式模型无关元学习方法解决非线性系统中的参考跟踪问题，并通过模型预测控制提高控制性能。

    Apr, 2024