[论文解读] Learning Model Predictive Control for Iterative Tasks.

Ugo Rosolia, Francesco Borrelli|arXiv (Cornell University)|Sep 6, 2016

Advanced Control Systems Optimization参考文献 15被引用 27

一句话总结

该论文提出了一种用于迭代任务的无参考学习模型预测控制（LMPC）框架，通过从先前迭代中学习，实现性能随时间的提升。通过递归地从历史轨迹构建终端代价和安全集，控制器确保了递归可行性与性能的单调提升，仿真结果有效验证了其有效性。

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.

研究动机与目标

• 开发一种基于学习的MPC控制器，用于迭代任务，且无需预设参考轨迹。
• 通过安全集与终端代价，确保在迭代过程中递归可行且性能不增加。
• 通过学习先前的状态与输入轨迹，实现在时间上的性能提升。
• 利用先前迭代的历史数据，递归构建终端代价与终端集。

提出的方法

• 控制器采用无参考设计，消除了对固定期望轨迹的依赖。
• 通过递归构建安全集，确保所有未来状态均保持在可行且安全的区域内。
• 基于过去的状态与输入轨迹，迭代更新终端代价函数以提升性能。
• 通过维持终端集并确保终端代价非递增，控制器保证了递归可行性。
• 学习机制利用先前迭代的轨迹数据，更新终端代价与安全集，以优化控制性能。
• 通过结合终端代价与安全集约束，设计确保了迭代间性能不增加。

实验结果

研究问题

• RQ1 如何设计一种模型预测控制器，使其在不依赖参考轨迹的前提下，实现迭代过程中的性能提升？
• RQ2 在迭代任务的学习MPC框架中，何种条件可确保递归可行性？
• RQ3 如何从历史轨迹中递归构建终端代价与安全集，以保证性能提升？
• RQ4 在无参考学习MPC设置下，可对性能单调性提供何种保证？

主要发现

• 所提出的LMPC通过利用先前迭代数据构建的安全集，确保了递归可行性。
• 终端代价函数通过过去的状态与输入轨迹迭代更新，实现了性能提升。
• 由于终端代价与安全集的递归构建，性能被保证在迭代间不增加。
• 仿真结果证实了控制器在无参考轨迹条件下，多轮迭代中性能持续提升的有效性。