[논문 리뷰] A Tutorial on Gaussian Process Learning-based Model Predictive Control

Jie Wang, Youmin Zhang|arXiv (Cornell University)|2024. 04. 02.

Advanced Control Systems Optimization인용 수 4

한 줄 요약

이 튜토리얼은 복잡한 시스템에서 예측 정확도와 불확실성 정량화를 향상시키기 위해 확률적 GP 회귀와 MPC를 통합하여 가우시안 프로세스 기반 모델 예측 제어(GP-MPC)의 체계적인 수학적 공식화를 제시한다. 다단계 평균 및 분산 전파를 위한 근사값을 유도하여 로봇 응용 분야인 경로 추종 및 플라토oning과 같은 제약 조건이 있는 최적화에 있어 강건성을 확보한다. 추적성과 안정성 향상이 입증되었다.

ABSTRACT

This tutorial provides a systematic introduction to Gaussian process learning-based model predictive control (GP-MPC), an advanced approach integrating Gaussian process (GP) with model predictive control (MPC) for enhanced control in complex systems. It begins with GP regression fundamentals, illustrating how it enriches MPC with enhanced predictive accuracy and robust handling of uncertainties. A central contribution of this tutorial is the first detailed, systematic mathematical formulation of GP-MPC in literature, focusing on deriving the approximation of means and variances propagation for GP multi-step predictions. Practical applications in robotics control, such as path-following for mobile robots in challenging terrains and mixed-vehicle platooning, are discussed to demonstrate the real-world effectiveness and adaptability of GP-MPC. This tutorial aims to make GP-MPC accessible to researchers and practitioners, enriching the learning-based control field with in-depth theoretical and practical insights and fostering further innovations in complex system control.

연구 동기 및 목표

• 다단계 예측에 특히 초점을 맞춘 가우시안 프로세스(GPs)를 모델 예측 제어(MPC) 프레임워크에 통합하기 위한 종합적인 수학적 기초가 부족한 문제를 해결한다.
• 예측 불확실성 인식을 가능하게 하기 위해 GP 기반 다단계 예측에서 평균과 분산 전파를 위한 체계적인 유도를 제공한다.
• 로봇 공학 및 제어 시스템 분야의 연구자와 전문가를 대상으로 이론적 GP 학습과 실용적 MPC 구현 간 격차를 메운다.
• 다양하고 불확실한 조건 하에서 실세계 로봇 응용 분야(예: 경로 추종 및 혼합 차량 플라토oning)에서 GP-MPC의 효과성을 입증한다.
• GP-MPC의 이론적 원리와 실용적 구현 통찰을 통합한 자가 포함형이고 접근하기 쉬운 튜토리얼을 제공한다.

제안 방법

• 시스템 동역학을 불확실성 정량화와 함께 포괄하는 비모수적 베이지안 대체 모델로 GP 회귀를 공식화한다.
• 시간에 따른 GP 예측의 기대값과 분산에 대한 1차 테일러 근사를 도출하여 MPC 내에서 다단계 예측을 실현 가능하게 한다.
• 근사된 GP 평균과 분산을 MPC 최적화 비용 함수에 통합하여 예측 불확실성을 고려한다.
• 비정규 예측 분포를 근사하기 위해 선형화 기법을 사용하여 MPC 프레임워크 내에서 계산의 실현 가능성을 확보한다.
• 비볼록 최적화 문제를 해결하기 위해 순차적 순환 제곱형법(SQP)-유사 접근법을 구현한다.
• 행렬 미분법을 활용하여 비용 함수의 해석적 도함수를 도출하고, Q 및 R 행렬의 대칭성을 이용해 최적화를 단순화한다.

실험 결과

연구 질문

• RQ1 가우시안 프로세스 회귀는 어떻게 체계적으로 모델 예측 제어에 통합되어 예측 정확도와 불확실성 처리를 향상시킬 수 있는가?
• RQ2 MPC 프레임워크 내에서 다단계 예측 간 GP 평균과 분산 예측을 전파하기 위해 필요한 수학적 근사는 무엇인가?
• RQ3 예측 불확실성을 MPC 비용 함수에 통합할 경우, 다이나믹하고 불확실한 환경에서 제어 성능에 어떤 영향을 미치는가?
• RQ4 경로 추종 및 플라토닝과 같은 실세계 로봇 제어 작업에서 GP-MPC의 실용적 이점은 무엇인가?
• RQ5 실시간 제어에서 강건성과 정확성을 유지하면서 GP-MPC의 계산 복잡도는 어떻게 관리할 수 있는가?

주요 결과

• 본 논문은 MPC 내에서 다단계 GP 평균 및 분산 전파를 위한 첫 번째 체계적인 수학적 유도를 제공한다. 이는 불확실성 인식 예측을 가능하게 한다.
• 예측 분산에 대한 도출된 근사는 예측 수명 주기 동안 불확실성이 적절히 전파됨을 보장하여 강건성을 향상시킨다.
• 경로 추종 작업에서, GP-MPC는 표준 MPC보다 불규칙한 지형에서 더 뛰어난 추적 성능과 안정성을 보였다. 이는 시스템 불확실성의 더 나은 모델링 덕분이었다.
• 혼합 차량 플라토닝의 경우, 리더-팔로워 상호작용에서의 불확실한 동역학을 고려함으로써 GP-MPC는 더 나은 스트링 안정성과 차량 간격 오차 감소를 달성했다.
• 최적화 프레임워크는 추적 성능과 제어 노력 간 균형을 맞추는 제어 입력을 성공적으로 계산하였으며, 유도된 기울기 표현을 통해 효율적인 수치적 해법이 가능했다.
• 비용 함수에 예측 불확실성을 포함시킴으로써 고도로 모델 불확실성이 발생하는 영역에서 더 보수적이고 신뢰할 수 있는 제어 동작이 유도되었다.