[论文解读] Multi-Agent Model Predictive Control: A Survey

Rudy R. Negenborn, Bart De Schutter+1 more|ArXiv.org|Aug 7, 2009

Advanced Control Systems Optimization参考文献 22被引用 24

一句话总结

本综述通过分析分布式控制系统中的分解、问题分配与协作，对多智能体模型预测控制（MPC）进行了全面分析。它识别出收敛性、可行性与通信方面的关键挑战，并提出了未来研究方向，以实现可扩展、鲁棒且自主的多智能体MPC系统。

ABSTRACT

In this report we define characteristic control design elements and show how conventional single-agent MPC implements these. We survey recent literature on multi-agent MPC and discuss how this literature deals with decomposition, problem assignment, and cooperation.

研究动机与目标

• 分析并分类近期关于多智能体MPC的文献，以识别常见的设计模式与挑战。
• 研究多智能体MPC框架中系统分解、子问题分配与智能体协作的处理方式。
• 识别现有收敛条件与通信协议的局限性，这些局限性阻碍了实际部署。
• 提出未来研究方向，以实现可扩展、鲁棒且自主的多智能体控制系统。
• 弥合理论MPC框架与涉及复杂、大规模系统的实际应用之间的差距。

提出的方法

• 根据系统模型（集中式、分散式、分布式、分层式）和智能体架构对控制方法进行分类。
• 在单智能体背景下定义MPC的核心组件——在移动时域上进行带约束的优化。
• 通过分析智能体间如何实现分解与协调，将MPC扩展至多智能体系统。
• 回顾协调协议，以确保在实际约束下收敛至最优或近似最优解。
• 评估内点法与序列二次规划在智能体级优化中的应用。
• 分析通信需求，例如交换先前的最优控制轨迹，以维持稳定性和性能。

实验结果

研究问题

• RQ1 如何有效将大规模系统分解为子系统，以实现分布式MPC控制？
• RQ2 何种协调机制可使智能体在保持稳定性与收敛性的同时有效协作？
• RQ3 现有多智能体MPC收敛条件在实际应用中的局限性是什么？
• RQ4 如何在多智能体MPC系统中最小化通信开销与同步问题？
• RQ5 在实际应用中，可采用何种策略处理非凸、不可微或不可行的问题？

主要发现

• 现有多智能体MPC的收敛条件过于严格，在实际中常因非凸性与不可微性而失效。
• 初始解的可行性是一个主要障碍，因为未来约束可能引入难以解决的不可行性。
• 内点法虽然理论合理，但因对敏感性敏感且实现复杂而不切实际。
• 在大规模系统中，精确的智能体到子问题的映射不现实，因为智能体的可用性具有动态性和不确定性。
• 邻域内串行协调导致收敛缓慢，难以实现实时响应。
• 在更通用的收敛条件为实际系统类别建立之前，需要采用启发式协调方案。