[논문 리뷰] A Prediction-Correction Algorithm for Real-Time Model Predictive Control

Santiago Paternain, Manfred Morari외 1명|arXiv (Cornell University)|2019. 11. 22.

Advanced Control Systems Optimization참고 문헌 31인용 수 5

한 줄 요약

이 논문은 비선형 시스템에 대한 실시간 모델 예측 제어(MPC)를 위한 예측-보정 알고리즘을 제안한다. 이 알고리즘은 은닉 함수 정리에 기반한 예측 단계를 통해 시간에 따라 변화하는 최적 해를 추적하고, 이후 몇 번의 뉴턴 유형 보정 단계를 거쳐 계산 복잡도를 감소시킨다. 이 방법은 이차 수렴성과 안정성을 보장하여 빠른 동역학을 갖는 시스템과 제한된 계산 자원을 가진 환경에서도 MPC를 적용할 수 있도록 하며, 이론적 보장과 비선형 시스템에 대한 수치적 검증을 통해 입증된다.

ABSTRACT

In this work we adapt a prediction-correction algorithm for continuous time-varying convex optimization problems to solve dynamic programs arising from Model Predictive Control. In particular, the prediction step tracks the evolution of the optimal solution of the problem which depends on the current state of the system. The cost of said step is that of inverting one Hessian and it guarantees, under some conditions, that the iterate remains in the quadratic convergence region of the optimization problem at the next time step. These conditions imply (i) that the variation of the state in a control interval cannot be too large and that (ii) the solution computed in the previous time step needs to be sufficiently accurate. The latter can be guaranteed by running classic Newton iterations, which we term correction steps. Since this method exhibits quadratic convergence the number of iterations to achieve a desired accuracy $η$ is of order $\log_2\log_2 1/η$, where the cost of each iteration is approximately that of inverting a Hessian. This grants the prediction-correction control law low computational complexity. In addition, the solution achieved by the algorithm is such that the closed loop system remains stable, which allows extending the applicability of Model Predictive Control to systems with faster dynamics and less computational power. Numerical examples where we consider nonlinear systems support the theoretical conclusions.

연구 동기 및 목표

• 빠른 동역학을 갖는 시스템과 제한된 처리 능력을 가진 환경에서 실시간 모델 예측 제어(MPC)의 계산 복잡도 문제를 해결하기 위해.
• 최적 해의 시간적 변화를 활용하여 제어 간격당 최적화 반복 수를 감소시키기 위해.
• 예측과 보정 단계를 조합하여 MPC에서 이차 수렴성과 안정성을 확보하기 위해.
• 비선형 시스템과 짧은 제어 간격을 가진 시스템으로 MPC의 적용 가능성을 확장하기 위해.

제안 방법

• 알고리즘은 현재 상태와 시스템 동역학을 바탕으로 은닉 함수 정리에 기반한 예측 단계를 통해 다음 최적 해를 추정한다.
• 예측 단계는 하나의 헤시안 행렬을 역행렬화하며, 뉴턴 방법의 이차 수렴 영역 내에 반복값이 유지되도록 보장한다.
• 고정밀도를 확보하기 위해 뉴턴 반복을 사용하는 보정 단계를 적용하며, 필요한 정확도 η를 확보하기 위해 약 O(log log(1/η))회의 반복만으로도 충분하다.
• 이 방법은 헤시안과 기울기 변화의 리프시츠 연속성에 의존하며, 라그랑주스의 이阶 도함수에 대한 가정 5와 6에서 유도된 경계를 사용한다.
• 예측 오차는 해의 민감도에 대한 적분 표현을 통해 경계를 설정하고, 고유값과 리프시츠 가정을 통해 헤시안 역행렬 차이를 제어한다.
• 알고리즘은 후행 수평 MPC 문제에 적용되며, 상태 변화가 유한하고 初기 정확도가 충분할 조건 하에서 이론적 안정성과 수렴 보장을 갖춘다.

실험 결과

연구 질문

• RQ1 예측-보정 프레임워크는 실시간 MPC에서 요구되는 뉴턴 반복 수를 줄일 수 있는가?
• RQ2 예측 단계가 뉴턴 방법의 이차 수렴 영역 내에 반복값을 유지하기 위한 조건은 무엇인가?
• RQ3 빠른 동역학을 갖는 시스템과 제한된 처리 능력을 가진 환경에서 MPC의 계산 복잡도는 어떻게 감소시킬 수 있는가?
• RQ4 이 방법을 사용할 경우 시간에 따라 변화하는 MPC에서 안정성과 수렴성에 대해 어떤 이론적 보장을 제공할 수 있는가?
• RQ5 이 방법은 제약 조건이 있고 비제곱형 목표 함수를 가진 비선형 시스템으로 확장될 수 있는가?

주요 결과

• 예측-보정 알고리즘은 원하는 정확도 η를 확보하기 위해 오직 O(log log(1/η))회의 뉴턴 반복만으로도 이차 수렴성을 달성하며, 제어 간격당 계산 비용을 크게 감소시킨다.
• 예측 단계는 상태 변화가 유한하고 이전 해가 충분히 정확할 경우, 반복값이 뉴턴 방법의 이차 수렴 영역 내에 유지됨을 보장한다.
• 이론적 분석 결과, 예측 오차는 O(∥Δx∥²)로 경계되며, 여기서 Δx는 상태 변화량이며, 보정 단계의 오차는 각 반복마다 이차적으로 감소한다.
• 이 방법은 닫힌 루프 안정성을 보장하여, 이전에는 가능하지 않았던 더 빠른 동역학을 갖는 시스템에 대해서도 MPC 적용을 가능하게 한다.
• 비선형 시스템에 대한 수치적 예제는 이론적 결과를 확인하며, 간섭 상황에서도 낮은 계산 복잡도와 뛰어난 성능을 보여준다.
• 알고리즘의 반복당 계산 비용은 약 한 개의 헤시안 행렬 역행렬화 수준이며, 제한된 자원을 가진 임베디드 시스템에 적합하다.