[論文レビュー] Computationally Tractable Robust Nonlinear Model Predictive Control using DC Programming
この論文は、差の凸分解 (DC) と逐次凸化を用いたデータ駆動型チューブベースのロバスト非線形MPCフレームワークを開発し、再帰可能性とロバスト安定性の保証を持つオンライン最適化を実現する。
We propose a computationally tractable, tube-based robust nonlinear model predictive control (MPC) framework using difference-of-convex (DC) functions and sequential convex programming. For systems with differentiable discrete time dynamics, we show how to construct systematic, data-driven DC model representations using polynomials and machine learning techniques. We develop a robust tube MPC scheme that convexifies the online optimization by linearizing the concave components of the model, and we provide guarantees of recursive feasibility and robust stability. We present three data-driven procedures for computing DC models and compare performance using a planar vertical take-off and landing (PVTOL) aircraft case study.
研究の動機と目的
- 連続ダイナミクスと加法的撹乱を持つ非線形システムに対して計算的に扱いやすいロバストMPCを開発する。
- DC形式でのシステムモデルを導出するデータ駆動技術を提供する。
- モデル不確実性と撹乱下で再帰的実現可能性とロバスト安定性を保証する。
- データ駆動型DCモデリング手法を比較し、PVTOL機のケーススタディで性能を評価する。
提案手法
- 非線形ダイナミクスを凸関数の差として表現し、オンライン手続きを凸のみで実行可能にする。
- SOS-凸多項式、ICNNベースのアーキテクチャ、またはラジアル基底関数を用いてDC分解を構築する。
- チューブベースのMPCを定式化し、チューブの断面を多面体とし、凹凸DC成分のみを線形化する。
- フィードフォワードおよびチューブパラメータを更新するために、連続した凸計画（逐次線形化）を解く。
- 頂点ベースの評価を用いて、多面体上の Worst-case norms を離散的な頂点チェックに変換する。
- 撹乱とモデル不確実性の下で再帰的実現可能性と安定性の保証を提供する。
実験結果
リサーチクエスチョン
- RQ1差分的凸Programming によって、微分可能な離散時間ダイナミクスのロバスト非線形MPCを計算的に扱えるようにできるか？
- RQ2データ駆動型DC表現を多項式、ICNN、またはRBFからどのように構築して非線形ダイナミクスをモデル化できるか？
- RQ3DCベースのオンライン凸化を伴うチューブベース非線形MPCに対して、実現可能性と安定性のどんな保証を確立できるか？
- RQ4提案されたDCモデリング手法は、非線形PVTOL機のケーススタディで性能をどのように比較できるか？
主な発見
- 凹のDC項を連続的に線形化することで、扱いやすいチューブベースのロバスト非線形MPCを提案。
- DCモデルを得るための3つのデータ駆動手順を提示：SOS-凸多項式、入力凸ニューラルネットワーク（ICNN）、およびラジアル基底関数。
- 頂点ベースの定式化を開発し、最悪コストと制約を効率的に計算。
- DCベースのTMPCフレームワークに対して再帰的実現可能性とロバスト安定性を保証。
- PVTOL aircraftのケーススタディで手法の性能を比較することで、各手法の適用性を検証。
より良い研究を、今すぐ始めましょう
論文設計から論文執筆まで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。