[논문 리뷰] Data-Driven Predictive Control for Multi-Agent Decision Making With Chance Constraints.

Jun Ma, Zilong Cheng외 4명|arXiv (Cornell University)|2020. 11. 06.

Control Systems and Identification참고 문헌 2인용 수 9

한 줄 요약

이 논문은 지속적인 자극 조건 하에서의 폐루프 입력/출력 데이터로부터 유도된 비모수적 모델을 사용하여 다중 에이전트 시스템에 대한 데이터 기반 예측 제어 프레임워크를 제안한다. 이는 확률적 차원 제약 조건을 갖춘 효율적이고 강건한 MPC를 가능하게 하며, 계산 비용이 높은 파rametric 시스템 식별 대신 데이터 기반 모델링과 보수적인 확률적 제약 조건 근사화를 통해 다중 드론 시스템에서 뛰어난 성능을 달성한다.

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.

연구 동기 및 목표

• 기존의 다중 에이전트 시스템을 위한 예측 제어(MPC)에서의 정확도가 떨어지는 시스템 식별 문제를 해결한다.
• 기존 MPC에서의 높은 계산 부담인 파arametric 시스템 식별 및 오픈루프 데이터 수집 문제를 해결한다.
• 지속적인 자극 조건을 만족하는 폐루프 측정치를 사용하여 비모수적 예측 모델을 구축한다.
• 확률적 차원 제약 조건의 보수적 근사화를 통해 확률적 문제를 결정적 최적화 문제로 변환한다.
• 다중 에이전트 의사결정에서 계산 효율성과 시스템 성능을 향상시키면서도 강건성을 유지한다.

제안 방법

• 지속적인 자극 조건 하에서의 폐루프 입력/출력 측정치를 사용하여 비모수적 예측 모델을 구축한다.
• 계산 복잡성을 줄이기 위해 전통적인 파arametric 시스템 식별을 데이터 기반 모델링 접근법으로 대체한다.
• 확률적 차원 제약 조건을 다루기 위해 보수적 근사화를 적용하여 스토케스틱 MPC 문제를 결정적 문제로 변환한다.
• 효율적으로 최적화 문제를 제작하고 해결하여 다중 에이전트 시스템에서 실시간 적용 가능성을 확보한다.
• 데이터 기반 모델의 구조와 보수적 제약 조건 근사화를 활용하여 강건성을 확보한다.
• 실제 적용 가능성을 입증하기 위해 다중 드론 시스템을 사용하여 방법의 타당성과 성능을 검증한다.

실험 결과

연구 질문

• RQ1 데이터 기반 예측 제어 접근법은 성능을 저하시키지 않고 다중 에이전트 MPC에서 계산 부담을 줄일 수 있는가?
• RQ2 지속적인 자극 조건 하에서의 폐루프 데이터 사용이 다중 에이전트 시스템의 모델 정확도와 강건성에 어떻게 기여하는가?
• RQ3 차원 제약 조건의 보수적 근사화가 얼마나 효율적인 최적화를 가능하게 하면서도 시스템의 안전성을 유지하는가?
• RQ4 제안된 방법은 드론 스웜과 같은 실제 다중 에이전트 응용 분야에서 신뢰할 수 있는 성능을 달성할 수 있는가?
• RQ5 계산 비용과 강건성 측면에서 데이터 기반 모델은 전통적인 파arametric 식별 방법과 비교해 어떻게 다른가?

주요 결과

• 데이터 기반 접근법은 MPC에서 파arametric 시스템 식별과 관련된 계산 부담을 크게 줄였다.
• 폐루프 데이터로부터 구축된 비모수적 예측 모델은 명시적인 파arametric 가정 없이도 효과적인 시스템 표현을 달성한다.
• 차원 제약 조건의 보수적 근사화를 통해 확률적 안전 보장을 유지하면서도 MPC 문제의 효율적 해법을 가능하게 하였다.
• 불완전한 시스템 식별 조건에서도 강력한 강건성 특성을 유지하였다.
• 실제 검증을 통해 다중 드론 시스템에서 높은 실용적 효과를 입증하였으며, 양호한 시스템 성능을 달성하였다.
• 비용이 많이 드는 오픈루프 데이터 수집과 파arametric 피팅을 피함으로써, 다중 에이전트 시스템에서 효율적이고 실시간 제어를 가능하게 하였다.