[論文レビュー] An overview of systems-theoretic guarantees in data-driven model predictive control

Julian Berberich, Frank Allgöwer|arXiv (Cornell University)|Jun 6, 2024

Advanced Control Systems Optimization被引用数 4

ひとこと要約

本稿は、システム理論的保証（安定性、ロバストネス、制約満足）を確保するためにFundamental Lemmaを活用するデータ駆動型モデル予測制御（MPC）手法について包括的なレビューを提供している。システム同定を必要とせず、未知の動的システムに対しても保証が得られる。ノイズのない状態とノイズを含む状態の両方を想定し、線形および非線形システムにおける最近の進展を統合的に扱い、厳密な閉ループ性能保証を可能にする理論的枠組みを強調している。

ABSTRACT

The development of control methods based on data has seen a surge of interest in recent years. When applying data-driven controllers in real-world applications, providing theoretical guarantees for the closed-loop system is of crucial importance to ensure reliable operation. In this review, we provide an overview of data-driven model predictive control (MPC) methods for controlling unknown systems with guarantees on systems-theoretic properties such as stability, robustness, and constraint satisfaction. The considered approaches rely on the Fundamental Lemma from behavioral theory in order to predict input-output trajectories directly from data. We cover various setups, ranging from linear systems and noise-free data to more realistic formulations with noise and nonlinearities, and we provide an overview of different techniques to ensure guarantees for the closed-loop system. Moreover, we discuss avenues for future research that may further improve the theoretical understanding and practical applicability of data-driven MPC.

研究の動機と目的

• 未知の力学的システムに対して厳密なシステム理論的保証を提供するデータ駆動型MPC手法の統合的概要を提供すること。
• ノイズや非線形性といったさまざまな条件下で、安定性、ロバストネス、制約満足を保証する理論的枠組みを特定および分析すること。
• Fundamental Lemmaを用いた直接的手法と、システム同定を経由する間接的手法の間で、理論的保証と実用的性能の観点から比較すること。
• 非線形システムへのデータ駆動型MPCの拡張、オンラインデータ更新、閉ループ性能分析における未解決の研究課題を浮き彫りにすること。
• データ駆動型MPCにおいて、オープンループ性能分析と閉ループ保証のギャップを、特に有界ノイズと非線形ダイナミクス下で埋めること。

提案手法

• 行動システム理論におけるFundamental Lemmaを用いて、1つの持続的に励起されたデータ列からすべての可能なシステム軌道をパrameter化する。
• 再びホライズン型最適化フレームワークを適用し、システム同定を回避して制御入力を直接データから計算する。
• 入出力データをヘンケル行列構造で表現し、凸最適化を用いて将来の軌道を予測可能にする。
• ノイズのあるデータ下でもロバストネスと再帰的実行可能性を確保するため、正則化および制約の厳密化技術を導入する。
• 局所線形化、基底関数展開、またはオンラインデータ更新を用いて非線形システムに適応させ、理論的保証を維持する。
• 閉ループ安定性および再帰的実行可能性が保証される理論的条件を確立する。これは、ノイズのあるデータや有限長データに対しても有効である。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型MPCは、事前のシステム同定なしに、どのように閉ループ安定性と制約満足を確保できるか？
• RQ2 ノイズのあるデータ下で、Fundamental Lemmaに基づくMPCフレームワークがロバストネスを保証するために必要な修正は何か？
• RQ3 直接的なデータ駆動型MPCと、システム同定を経由する間接的手法の間で、理論的保証と性能の観点からどのように比較できるか？
• RQ4 非線形システムへのデータ駆動型MPCの拡張において、理論的課題は何か？特に安定性と制約満足を維持する観点から。
• RQ5 オンラインでのデータ更新をどのようにデータ駆動型MPCに統合し、性能を向上させつつも、厳密な閉ループ保証を維持できるか？

主な発見

• Fundamental Lemmaに基づくデータ駆動型MPCは、システム同定を必要とせず、持続的に励起されたデータのみを用いて、線形システムに対して閉ループ安定性と再帰的実行可能性を達成できる。
• 制約の厳密化と正則化を最適化問題に組み込むことで、有界ノイズ下でもロバストネスが保証され、再帰的実行可能性と安定性が維持される。
• 非線形システムでは、局所線形化や基底関数表現を用いることでデータ駆動型MPCを拡張可能であるが、理論的保証は限定的であり、システムクラス依存となる。
• オンラインでのデータ更新は、動的データ収集下でも理論的保証を維持する観点から、依然として未解決の課題である。
• 直接的手法と間接的手法の間の理論的性能ギャップは、特にノイズや非線形性下の閉ループ設定において、未だ定量化されていない。
• 直接的手法における計算複雑性はデータ長に比例して増加するため、スケーラビリティを向上させるために、ウェーブレット、SVD、反復解法などの低次元表現の研究が促進されている。