[论文解读] A Tutorial on Gaussian Process Learning-based Model Predictive Control

Jie Wang, Youmin Zhang|arXiv (Cornell University)|Apr 2, 2024

Advanced Control Systems Optimization被引用 4

一句话总结

本教程系统地提出了基于高斯过程学习的模型预测控制（GP-MPC）的数学公式，将概率性GP回归与MPC相结合，以提升复杂系统中的预测精度和不确定性量化。该研究推导了GP预测中多步均值与方差传播的近似方法，实现了机器人应用中稳健的约束优化，如路径跟踪与车队行驶，实证显示其在跟踪性能与稳定性方面均有显著提升。

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.

研究动机与目标

• 解决在MPC框架中系统性整合高斯过程（GPs）的数学基础不足问题，特别是针对多步预测。
• 系统推导基于GP的多步预测中均值与方差传播的数学表达，以实现具备不确定性感知能力的MPC。
• 弥合理论GP学习与机器人控制领域中实际MPC实现之间的差距，服务于该领域的研究人员与实践者。
• 在动态且不确定的环境下，通过实际机器人应用（如路径跟踪与混合车辆车队行驶）验证GP-MPC的有效性。
• 提供一份自包含、易于理解的教程，整合GP-MPC的理论原则与实际实现洞察。

提出的方法

• 将GP回归形式化为非参数贝叶斯代理模型，以捕捉系统动态并量化不确定性。
• 推导GP预测在时间维度上的期望与方差的一阶泰勒近似，以实现MPC中可计算的多步预测。
• 将近似后的GP均值与方差整合进MPC优化目标函数，以考虑预测不确定性。
• 采用线性化技术近似非高斯预测分布，确保在MPC框架中的计算可处理性。
• 采用类似序列二次规划（SQP）的方法，利用基于梯度的数值方法求解所得的非凸优化问题。
• 通过矩阵微积分计算目标函数的解析导数，利用Q与R矩阵的对称性以简化优化过程。

实验结果

研究问题

• RQ1 如何系统性地将高斯过程回归整合进模型预测控制，以提升预测精度与不确定性处理能力？
• RQ2 在MPC框架中，为实现多步预测的GP均值与方差传播，需要哪些数学近似？
• RQ3 在动态且不确定的环境中，将预测不确定性纳入MPC目标函数如何影响控制性能？
• RQ4 GP-MPC在实际机器人控制任务（如路径跟踪与车队行驶）中具有哪些实际优势？
• RQ5 如何在保持实时控制中鲁棒性与精度的前提下，管理GP-MPC的计算复杂度？

主要发现

• 本论文首次系统地推导了MPC中多步GP均值与方差传播的数学表达，实现了具备不确定性感知能力的预测。
• 所推导的预测方差近似确保了不确定性在预测时域内的正确传播，从而提升了系统鲁棒性。
• 在路径跟踪任务中，GP-MPC在不平整地形上表现出优于标准MPC的跟踪性能与稳定性，归因于对系统不确定性的更优建模。
• 在混合车辆车队行驶中，GP-MPC通过考虑领从车辆交互中的不确定动力学，实现了更优的串列稳定性与更小的车辆间距误差。
• 优化框架成功计算出在跟踪性能与控制努力之间取得平衡的控制输入，所推导的梯度表达式支持高效数值求解。
• 在目标函数中引入预测不确定性，使得控制动作更具保守性与可靠性，尤其在模型不确定性较高的区域表现更优。