May, 2023

多旋翼集成模型预测控制 I：仿真实验

PDF
TL;DR通过使用集成模型预测控制 (EMPC) 方法，可以实现非线性全模型，将高斯过程作为反向计算的输入，从而提高机器人系统的控制和估计的准确性和效率。
nonlinear receding horizon model predictive controlensemble model predictive controlnon-differentiable modelsuncertainty quantifyingquadrotor
发现论文，激发创造
  • Proto-MPC：一种应用于四旋翼控制中的编码器 - 原型 - 解码器方法，用于挑战性风环境

    通过 EPD 多任务元学习方法和 Proto-MPC 模型预测控制问题的集成，提高四旋翼机在动态变化任务中的适应性和操作能力，该方法在模拟中经验证明具有鲁棒的性能。

    Jan, 2024

  • 高斯过程回归的谨慎模型预测控制

    本文提出了一种使用高斯过程回归模型的模型预测控制方法，用于建模非线性动态系统并计算模型残差不确定性以实现谨慎控制。通过近似计算实现计算效率，并在模拟实验和硬件实现中展示了该方法在自主赛车方面的表现改进。

    May, 2017

  • 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

  • 基于自适应模型预测控制的轮式移动机器人控制

    本文演示了一种基于自适应模型预测控制框架的控制算法，用于引导具有未知惯性的两轮移动机器人以一定方向到达目标点，其中使用了递归最小二乘算法更新了一组标称参数。

    Jan, 2022

  • 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

  • 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

  • 基于分布式强化估计的可解释随机模型预测控制在四旋翼跟踪系统中的应用

    该论文提出了一种新的轨迹跟踪器，用于自主四旋翼飞行器在动态和复杂环境下导航，在该系统中，分布式强化学习（RL）估计器用于未知的空气动力学效应，与随机模型预测控制（SMPC）相结合进行轨迹跟踪，用这种方法可以改进了至少 66% 的跟踪误差。

    May, 2022

  • 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

  • 无限时域可微模型预测控制

    本文提出了一种可微分的线性二次模型预测控制（MPC）框架，用于安全模仿学习，其中利用从离散时间代数 Riccati 方程（DARE）获得的终端成本函数强制实施无限地平线成本，以便能够证明所学控制器在闭环中稳定。该框架的学习能力在一组数值研究中得到了证明。

    Jan, 2020

  • 基于数据 / 时刻驱动的集体动力学快速预测控制方法

    大规模粒子系统的反馈控制合成在模型预测控制（MPC）框架内进行回顾。集体动力学的高维特性阻碍了传统 MPC 算法的性能，该算法基于每个时间步的快速在线动态优化。提出了两种 MPC 的替代方案。首先，讨论了使用监督学习技术对最优反馈定律进行离线近似的方法。然后，回顾了一种基于粒子集合宏观量的顺序线性化动态的过程。这两种方法绕过了在线求解最优控制问题，实现了大规模粒子系统的快速实时反馈合成。数值实验证明了所提出算法的性能。

    Feb, 2024