[논문 리뷰] An overview of systems-theoretic guarantees in data-driven model predictive control

Julian Berberich, Frank Allgöwer|arXiv (Cornell University)|2024. 06. 06.

Advanced Control Systems Optimization인용 수 4

한 줄 요약

이 논문은 시스템 이론적 보장을 보장하는 데이터 기반 모델 예측 제어(MPC) 방법에 대해 종합적인 리뷰를 제공한다. 이 방법은 시스템 식별이 필요 없이 안정성, 내성성, 제약 조건 이행 등의 보장을 보장하기 위해 기본 렘마(Fundamental Lemma)를 활용한다. 노이즈가 없는 조건과 노이즈가 있는 조건에서 선형 및 비선형 시스템에 대한 최근의 발전을 통합적으로 분석하며, 엄밀한 닫힘 루프 성능 보장을 가능하게 하는 이론적 프레임워크를 강조한다.

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.

연구 동기 및 목표

• 알 수 없는 동적 시스템에 대해 엄밀한 시스템 이론적 보장을 보장하는 데이터 기반 MPC 방법의 통합적 개요 제공.
• 노이즈 및 비선형성과 같은 다양한 조건에서 안정성, 내성성, 제약 조건 이행 보장을 보장하는 이론적 프레임워크를 식별하고 분석하기.
• 기본 렘마 기반 직접적 데이터 기반 MPC와 시스템 식별을 통한 간접적 접근 방식 간의 이론적 보장 및 실용적 성능 비교.
• 비선형 시스템으로의 데이터 기반 MPC 확장, 온라인 데이터 업데이트, 닫힘 루프 성능 분석 분야에서의 열린 연구 과제를 부각하기.
• 특히 유한한 노이즈와 비선형 동역학 조건에서, 개방 루프 성능 분석과 닫힘 루프 보장 간 격차를 메우기

제안 방법

• 행위 시스템 이론의 기본 렘마를 활용하여, 단일한 지속적으로 흥분된 데이터 시퀀스로부터 모든 가능한 시스템 트레이서젝터리를 매개변수화한다.
• 재정의된 수평 최적화 프레임워크를 적용하여 제어 입력을 시스템 식별 없이 직접 데이터에서 계산한다.
• 하켄 행렬 구조를 활용해 입력-출력 데이터를 표현하고, 볼록 최적화를 통해 향후 트레이서젝터리 예측을 가능하게 한다.
• 노이즈가 있는 데이터에서의 내성성과 순환 실행 가능성을 확보하기 위해 정규화 및 제약 조건 강화 기법을 도입한다.
• 국소 선형화, 기저 함수 전개 또는 온라인 데이터 업데이트를 통해 비선형 시스템에 프레임워크를 적응시켜 이론적 보장을 유지한다.
• 노이즈가 있거나 유한한 길이의 데이터일지라도 닫힘 루프 안정성과 순환 실행 가능성이 보장되는 이론적 조건을 수립한다.

실험 결과

연구 질문

• RQ1 데이터 기반 MPC는 사전 시스템 식별 없이도 닫힘 루프 안정성과 제약 조건 이행을 어떻게 보장할 수 있는가?
• RQ2 노이즈가 있는 데이터에서 내성성을 보장하기 위해 기본 렘마 기반 MPC 프레임워크에 어떤 수정이 필요한가?
• RQ3 직접적 데이터 기반 MPC와 시스템 식별을 통한 간접적 접근 방식은 이론적 보장 및 성능 측면에서 어떻게 비교될 수 있는가?
• RQ4 안정성과 제약 조건 이행 보장을 유지하면서 데이터 기반 MPC를 비선형 시스템으로 확장하는 데 있어 이론적 과제는 무엇인가?
• RQ5 동적 데이터 수집 조건에서 이론적 보장을 유지하면서 온라인 데이터 업데이트를 데이터 기반 MPC에 통합하는 방법은 무엇인가?

주요 결과

• 기본 렘마 기반 데이터 기반 MPC는 시스템 식별 없이도 지속적으로 흥분된 데이터만으로 선형 시스템에서 닫힘 루프 안정성과 순환 실행 가능성을 달성할 수 있다.
• 제약 조건 강화 및 최적화 문제 내 정규화를 통해 유한한 노이즈에 대한 내성성이 확보되며, 순환 실행 가능성과 안정성이 유지된다.
• 비선형 시스템의 경우 국소 선형화나 기저 함수 표현을 통해 데이터 기반 MPC를 확장할 수 있지만, 이론적 보장은 더 제한적이고 시스템 유형에 따라 달라진다.
• 데이터 기반 MPC에서의 온라인 데이터 업데이트는 여전히 열린 과제이며, 특히 동적 데이터 수집 조건에서 이론적 보장을 유지하는 데 어려움이 있다.
• 직접적 및 간접적 데이터 기반 MPC 간의 이론적 성능 격차는 닫힘 루프 설정에서 아직 정량화되지 않았으며, 특히 노이즈와 비선형성 조건에서 그렇다.
• 직접적 데이터 기반 MPC의 복잡도는 데이터 길이에 따라 증가하므로, 스케일링을 향상시키기 위해 웨이브릿, SVD, 반복적 해법 등의 저차원 표현 기법에 대한 연구가 필요하다.