[论文解读] Data Sharing and Compression for Cooperative Networked Control

Jiangnan Cheng, Marco Pavone+3 more|arXiv (Cornell University)|Sep 29, 2021

Age of Information Optimization参考文献 31被引用 6

一句话总结

本文提出了一种协同设计框架，通过联合优化数据压缩与控制器性能，为网络化控制系统学习压缩的、任务感知的预测。通过建模模型预测控制器对预测误差的敏感度，该方法在真实蜂窝网络、物联网和电力负荷数据上的实验中，相比任务无关的基线方法，将数据传输量减少80%，同时控制性能提升25%。

ABSTRACT

Sharing forecasts of network timeseries data, such as cellular or electricity load patterns, can improve independent control applications ranging from traffic scheduling to power generation. Typically, forecasts are designed without knowledge of a downstream controller's task objective, and thus simply optimize for mean prediction error. However, such task-agnostic representations are often too large to stream over a communication network and do not emphasize salient temporal features for cooperative control. This paper presents a solution to learn succinct, highly-compressed forecasts that are co-designed with a modular controller's task objective. Our simulations with real cellular, Internet-of-Things (IoT), and electricity load data show we can improve a model predictive controller's performance by at least $25\%$ while transmitting $80\%$ less data than the competing method. Further, we present theoretical compression results for a networked variant of the classical linear quadratic regulator (LQR) control problem.

研究动机与目标

• 为解决任务无关预测方法在优化平均预测误差时，却在无关的时间特征上浪费带宽的问题。
• 开发一种时间序列预测压缩方法，其目标是最小化端到端控制器成本，而非重建误差。
• 将数据驱动的预测、压缩与基于模型的控制整合到统一的协同设计框架中，以实现协同网络化控制。
• 在实际应用中展示显著的性能提升，例如交通路由、电网管理与物联网控制。
• 为网络化LQR控制问题提供压缩的理论洞见，从而实现任务相关表征的合理设计。

提出的方法

• 该方法将联合优化问题表述为最小化控制器的成本函数，而非标准的预测误差，并利用控制器对预测误差的敏感度作为梯度信号。
• 提出一种可微分架构，用于学习时间序列 $s_t$ 的压缩表示 $\phi_t$，该表示在控制器端被解码为 $\hat{s}_t$。
• 该方法采用加权损失函数，结合控制成本与预测误差，并通过超参数 $\lambda^F$ 平衡任务特定目标与泛化目标。
• 对于基于MPC的控制，该方法计算控制动作对预测误差的敏感度，从而实现对预测表示的基于梯度的优化。
• 该框架应用于真实数据集（蜂窝网络、物联网、电力负荷），并使用滚动时域MPC与有限时域成本函数进行评估。
• 理论分析为网络化LQR变体提供了压缩边界，揭示了如何最优地权衡数据速率与控制性能。

实验结果

研究问题

• RQ1 我们能否设计出针对下游控制器特定成本函数的压缩预测，而非仅优化一般预测精度？
• RQ2 将压缩与控制目标协同设计，如何在最小化数据传输的同时降低端到端控制成本？
• RQ3 在真实世界的网络化控制系统应用中，任务感知压缩在多大程度上优于任务无关方法？
• RQ4 网络化LQR系统中，压缩速率与控制性能之间的理论关系是什么？
• RQ5 预测误差在时间范围内的分布如何影响控制性能？我们能否通过调节分布来优先关注关键时间段？

主要发现

• 所提出的任务感知方法在瓶颈大小仅为4、4和2（分别对应物联网、交通和电池数据集）时，控制成本仍可达到最优值的5%以内。
• 与基线方法相比，该方法在物联网、交通和电池数据集上分别实现了15×、15×和96×的压缩增益。
• 在相同瓶颈大小下，任务无关基线方法在所有数据集中控制成本至少高出25%。
• 对于蜂窝交通数据集，任务无关方法在 $Z=60$ 时的控制成本比最优值高出100%，凸显了忽略任务特定误差敏感度的风险。
• 在所有三个数据集中，任务感知方法与加权协同设计方法的控制误差（最优与实际控制之间的MSE）均显著更低。
• 加权协同设计方法最大程度地降低了近期预测误差——这对MPC至关重要，因为MPC依赖于滚动时域中的首个控制动作——同时在后续时间范围保持合理的误差水平。