[論文レビュー] Data-Driven Predictive Control for Multi-Agent Decision Making With Chance Constraints.

Jun Ma, Zilong Cheng+4 more|arXiv (Cornell University)|Nov 6, 2020

Control Systems and Identification参考文献 2被引用数 9

ひとこと要約

本論文は、持続的励起条件下での閉ループ入出力データから導出された非パrametricモデルを用いて、確率的制約を伴う効率的でロバストなMPCを実現するデータ駆動型予測制御フレームワークを提案する。多ドローン系において、計算負荷の高いパrametricシステム同定をデータ駆動型モデリングに置き換えることで、優れた性能を達成する。

ABSTRACT

In the recent literature, significant and substantial efforts have been dedicated to the important area of multi-agent decision-making problems. Particularly here, the model predictive control (MPC) methodology has demonstrated its effectiveness in various applications, such as mobile robots, unmanned vehicles, and drones. Nevertheless, in many specific scenarios involving the MPC methodology, accurate and effective system identification is a commonly encountered challenge. As a consequence, the overall system performance could be significantly weakened in outcome when the traditional MPC algorithm is adopted under such circumstances. To cater to this rather major shortcoming, this paper investigates an alternate data-driven approach to solve the multi-agent decision-making problem. Utilizing an innovative modified methodology with suitable closed-loop input/output measurements that comply with the appropriate persistency of excitation condition, a non-parametric predictive model is suitably constructed. This non-parametric predictive model approach in the work here attains the key advantage of alleviating the rather heavy computational burden encountered in the optimization procedures typical in alternative methodologies requiring open-loop input/output measurement data collection and parametric system identification. Then with a conservative approximation of probabilistic chance constraints for the MPC problem, a resulting deterministic optimization problem is formulated and solved efficiently and effectively. In the work here, this intuitive data-driven approach is also shown to preserve good robustness properties. Finally, a multi-drone system is used to demonstrate the practical appeal and highly effective outcome of this promising development in achieving very good system performance.

研究の動機と目的

• 従来の多エージェントシステム向け予測制御（MPC）における不正確なシステム同定の課題に対処する。
• 従来のMPCにおけるパrametricシステム同定とオープンループデータ収集の高い計算負荷を克服する。
• 持続的励起条件を満たす閉ループ測定値を用いて非パrametricな予測モデルを構築する。
• 確率的確率的制約の保守的近似を用いて、確率的最適化問題を決定的最適化問題に定式化する。
• 計算効率と多エージェント意思決定におけるシステムパフォーマンスの向上を図りながら、ロバスト性を維持する。

提案手法

• 持続的励起条件を満たす閉ループ入出力測定値を用いて、非パrametricな予測モデルを構築する。
• 計算複雑性を低減するため、従来のパrametricシステム同定をデータ駆動型モデリング手法に置き換える。
• 確率的制約の保守的近似を適用し、確率的MPC問題を決定的問題に変換する。
• 効率的に定式化・解釈可能な決定的最適化問題を定式化し、多エージェントシステムにおけるリアルタイム適用を可能にする。
• データ駆動型モデルの構造と保守的制約近似を活用することで、ロバスト性を確保する。
• 多ドローンシステムを用いて実験的に検証し、実用的妥当性とパフォーマンスを示す。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型予測制御アプローチは、パフォーマンスを損なわせることなく、多エージェントMPCにおける計算負荷を低減できるか？
• RQ2 持続的励起条件下での閉ループデータを用いることで、多エージェントシステムにおけるモデル精度とロバスト性はどのように向上するか？
• RQ3 確率的制約の保守的近似は、効率的な最適化を可能にしつつ、どの程度システムの安全性を維持できるか？
• RQ4 提案手法は、ドローンスワームのような実世界の多エージェントアプリケーションで信頼性のあるパフォーマンスを達成できるか？
• RQ5 計算コストとロバスト性の観点から、データ駆動型モデルは従来のパrametric同定手法と比べてどのように異なるか？

主な発見

• データ駆動型アプローチは、MPCにおけるパrametricシステム同定に伴う計算負荷を顕著に低減する。
• 閉ループデータから構築された非パrametric予測モデルは、明示的なパrametric仮定を必要とせず、効果的なシステム表現を達成する。
• 確率的制約の保守的近似により、確率的安全性保証を維持しながらMPC問題の効率的解法が可能になる。
• 不完全なシステム同定下でも、強力なロバスト性特性を維持する。
• 実世界の検証において、多ドローンシステムで高い実用的効果を示し、良好なシステムパフォーマンスを達成する。
• オープンループデータ収集とパrametricフィッティングのコストを回避することで、多エージェントシステムにおける効率的でリアルタイムな制御を可能にする。