[논문 리뷰] Learning Model Predictive Control for Iterative Tasks.

Ugo Rosolia, Francesco Borrelli|arXiv (Cornell University)|2016. 09. 06.

Advanced Control Systems Optimization참고 문헌 15인용 수 27

한 줄 요약

이 논문은 반복 작업을 위한 기준이 없는 학습 기반 예측 제어(LMPC) 프레임워크를 제안하며, 이는 이전 반복 과정에서 학습함으로써 성능을 점차 향상시킨다. 과거의 궤적에서 반복적으로 종단 비용과 안전 영역을 구성함으로써, 제어기는 재귀적 타당성과 단조로운 성능 향상을 보장한다. 이는 시뮬레이션을 통해 효과적으로 입증되었다.

ABSTRACT

A Learning Model Predictive Controller (LMPC) for iterative tasks is presented. The controller is reference-free and is able to improve its performance by learning from previous iterations. A safe set and a terminal cost function are used in order to guarantee recursive feasibility and non-increasing performance at each iteration. The paper presents the control design approach, and shows how to recursively construct terminal set and terminal cost from state and input trajectories of previous iterations. Simulation results show the effectiveness of the proposed control logic.

연구 동기 및 목표

• 반복 작업을 위한 사전 정의된 기준 궤적 없이 작동하는 학습 기반 MPC 제어기를 개발하는 것.
• 안전 영역과 종단 비용을 사용하여 반복 과정에서 재귀적 타당성과 성능 감소를 보장하는 것.
• 이전 상태 및 입력 궤적을 학습함으로써 시간이 지남에 따라 성능 향상을 이루는 것.
• 이전 반복 과정의 역사적 데이터를 사용하여 종단 비용과 종단 집합을 재귀적으로 구성하는 것.

제안 방법

• 제어기는 고정된 목표 궤적에 의존하지 않는 기준이 없는 설계를 사용한다.
• 모든 미래 상태가 타당하고 안전한 영역 내에 유지되도록 안전 영역을 재귀적으로 구성한다.
• 과거 상태 및 입력 궤적을 기반으로 종단 비용 함수를 반복적으로 업데이트하여 성능을 향상시킨다.
• 종단 집합을 유지하고 종단 비용이 감소하지 않도록 함으로써 제어기는 재귀적 타당성을 보장한다.
• 이전 반복 과정의 궤적을 사용하여 학습 메커니즘이 종단 비용과 집합을 업데이트함으로써 제어 성능을 정교화한다.
• 종단 비용과 안전 영역 제약 조건을 결합함으로써 반복 과정에서 성능이 감소하지 않도록 보장한다.

실험 결과

연구 질문

• RQ1 기준 궤적이 없는 상태에서 반복 과정에서 성능을 향상시키는 예측 제어기를 어떻게 설계할 수 있는가?
• RQ2 반복 작업을 위한 학습 기반 MPC 프레임워크에서 재귀적 타당성을 보장하는 조건은 무엇인가?
• RQ3 과거 궤적에서 종단 비용과 안전 영역을 어떻게 재귀적으로 구성할 수 있으며, 이를 통해 성능 향상을 보장할 수 있는가?
• RQ4 기준이 없는 학습 기반 MPC 설정에서 성능의 단조로운 감소를 보장할 수 있는가?

주요 결과

• 제안된 LMPC는 이전 반복 데이터에서 유도된 안전 영역을 유지함으로써 재귀적 타당성을 보장한다.
• 과거 상태 및 입력 궤적을 사용하여 종단 비용 함수를 반복적으로 업데이트함으로써 성능 향상이 이루어진다.
• 종단 비용과 안전 영역의 재귀적 구성 덕분에 반복 과정에서 성능이 감소하지 않음을 보장한다.
• 시뮬레이션 결과는 기준 궤적이 없더라도 다수의 반복 과정에서 성능 향상이 이루어지는 제어기의 효과를 확인한다.