Dec, 2023

具有闭环保证的自动非线性模型预测控制近似

PDF
TL;DR本文中，我们解决了自动近似带有闭环保证的非线性模型预测控制（MPC）方案的问题。我们提出了 ALKIA-X 算法，它是一种自适应和本地化的核插值算法，可以将此问题简化为函数近似问题，并确保数值计算条件良好、近似函数计算速度快，并保证近似误差满足任何期望的边界。因此，ALKIA-X 可以自动计算出一个显式函数来近似 MPC，从而产生适用于安全关键系统和高采样率的控制器。在数值实验中，我们将 ALKIA-X 应用于一个非线性 MPC 方案，与最先进的方法相比，显示了离线计算和在线评估时间的减少。
发现论文，激发创造
  • 非线性系统的安全保证探索

    使用最优控制提出新的安全保证的探索框架，其中包括对于非线性系统的有限时间样本复杂度边界下的保证的探索，具有任意高概率的可靠性和安全性，在复杂的非线性动态和未知领域的许多实际情景中具备一般性和适用性。

    Feb, 2024

  • 增强安全的近似非线性模型预测控制与神经网络

    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。

    Apr, 2023

  • 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

  • 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

  • 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

  • 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

  • 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

    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。

    Mar, 2020

  • 非凸优化及非线性约束问题的不精确增广 Lagrangian 框架

    本研究提出了一种实用的不精确增广拉格朗日方法（iALM）用于具有非凸问题和非线性约束，这种方法可以在计算复杂度上符合理论结果。

    Jun, 2019

  • 用于高效在线贝叶斯回归的元学习先验

    ALPaCA 是一种使用神经网络的元学习算法，通过在数据集中学习一个特定领域的有限维特征编码和相关权重的先验，利用后验预测密度进行贝叶斯线性回归，以提高回归任务在机器人领域的可伸缩性和数据效率。

    Jul, 2018

  • 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