[论文解读] An assisting Model Predictive Controller approach to Control over the Cloud

Per Skarin, Johan Eker+2 more|arXiv (Cornell University)|May 15, 2019

Advanced Control Systems Optimization参考文献 20被引用 6

一句话总结

本文提出了一种云辅助的模型预测控制（MPC）架构，将复杂的优化任务卸载至云端，同时在连接丢失时确保系统稳定性和性能。通过基于响应时间的时域选择，结合边缘-云混合策略，系统在可变延迟下维持闭环控制，并在云端访问中断时实现优雅降级，提升性能的同时不牺牲稳定性。

ABSTRACT

In this paper we develop a computational offloading strategy with graceful degradation for executing Model Predictive Control using the cloud. Backed up by previous work we simulate the control of a cyber-physical-system at high frequency and illustrate how the system can be improved using the edge while keeping the computational burden low.

研究动机与目标

• 设计一种云原生控制架构，在存在可变网络延迟和间歇性连接的情况下仍能保持稳定性和性能。
• 实现复杂MPC优化的计算卸载至云端，同时保持实时控制的保证。
• 开发一种基于边缘计算的优雅降级策略，以在云端不可用时持续维持控制。
• 在统一的控制器框架中集成基于云端的优化与本地控制，避免在多种控制模式间切换。

提出的方法

• 控制器并行向云端发出多个预测时域不同的MPC请求。
• 从云端响应中选择最短可行时域，以最小化延迟并确保及时反馈。
• 当云端响应延迟或丢失时，边缘节点缓存并执行最短可行时域，确保闭环控制持续运行。
• 系统采用混合控制策略，结合无约束LQR与有约束MPC，以提升鲁棒性与性能。
• 边缘节点以固定40 ms延迟运行，以模拟现实世界中的网络波动，提高响应可预测性。
• 时域选择优先考虑低延迟结果，以在动态网络条件下维持闭环稳定性。

实验结果

研究问题

• RQ1 如何将基于云端的MPC集成到具有可变网络延迟的实时控制系统中？
• RQ2 在云端连接间歇性或不可靠时，采用何种策略可确保系统稳定性和性能？
• RQ3 如何利用边缘计算在云端中断或高延迟条件下维持控制？
• RQ4 在可变网络延迟下，时域选择对控制性能有何影响？
• RQ5 在将计算卸载至云端的同时，能否维持一个统一控制器，包含单一模型和目标？

主要发现

• 在使用最短可行时域时，系统在99.0%的样本中保持了闭环运行，即使在网络波动较大时亦如此。
• 在云端连接正常时，控制器通过时域选择实现了98.5%的闭环运行，显著优于仅使用本地控制的性能。
• 边缘策略通过确保最短可行时域的回退机制，降低了开环运行的风险，提升了系统韧性。
• 该方法在可变延迟条件下实现了稳定性能，高延迟条件下（对数正态分布，µ=4，ρ=0.5）闭环运行率达到97.0%。
• 该方法实现了无缝降级：当云端结果延迟时，边缘节点能及时提供控制，使用最短可行时域。
• 即使云端执行时间超过150 ms，系统仍保持稳定和响应迅速，得益于时域选择与边缘回退机制。