Less is More: Contextual Sampling for Nonlinear Data-Driven Predictive Control
作者: Julius Beerwerth, Bassam Alrifaee
分类: cs.RO, eess.SY
发布日期: 2025-03-31 (更新: 2025-11-14)
备注: Submitted to ECC 2026 on November 14, 2025
💡 一句话要点
Contextual Sampling：一种用于非线性数据驱动预测控制的上下文采样方法
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 数据驱动预测控制 非线性控制 上下文采样 机器人控制 实时控制
📋 核心要点
- 非线性数据驱动预测控制依赖大型数据集或学习的非线性表示，导致计算成本高昂，限制了实时应用。
- Contextual Sampling 是一种动态数据选择策略，根据当前状态和参考信息，自适应选择最相关的轨迹。
- 实验表明，Contextual Sampling 在减少计算量的同时，实现了与现有方法相当甚至更好的跟踪性能。
📝 摘要（中文）
数据驱动预测控制(DPC)直接从测量轨迹优化系统行为，无需显式模型。然而，其计算成本随数据集大小而增加，限制了其在非线性机器人系统中的实时应用。对于轨迹跟踪和运动规划等机器人任务，实时可行性和数值鲁棒性至关重要。非线性DPC通常依赖于大型数据集或学习到的非线性表示来确保准确性，这两者都会增加计算需求。我们提出Contextual Sampling，一种动态数据选择策略，它根据当前状态和参考自适应地选择最相关的轨迹。通过在保持代表性的同时减少数据集大小，它提高了计算效率。在缩放的自动驾驶车辆和四旋翼飞行器上的实验表明，Contextual Sampling以更少的轨迹实现了与随机采样相当或更好的跟踪效果，从而实现了实时可行性。与Select-DPC相比，它以更低的计算成本实现了相似的跟踪精度。与没有采样的完整DPC公式相比，Contextual Sampling获得了相当的跟踪性能，同时需要更少的计算，突出了数据驱动预测控制中有效数据选择的好处。
🔬 方法详解
问题定义：论文旨在解决非线性数据驱动预测控制（DPC）中，由于数据集过大导致的计算负担过重的问题。现有的非线性DPC方法为了保证控制精度，通常需要依赖大规模数据集或学习到的非线性表示，这使得计算量显著增加，难以满足机器人实时控制的需求。
核心思路：论文的核心思路是提出一种名为Contextual Sampling的动态数据选择策略。该策略并非使用全部历史数据进行预测控制，而是根据当前状态和期望轨迹，动态地选择与当前控制任务最相关的历史轨迹子集。通过减少参与计算的数据量，从而降低计算复杂度，提高实时性。
技术框架：Contextual Sampling方法主要包含以下几个步骤：1）状态空间划分：将状态空间划分为若干个区域。2）相关性评估：根据当前状态和参考轨迹，评估历史轨迹与当前控制任务的相关性。3）数据选择：选择与当前任务最相关的历史轨迹子集。4）预测控制：基于选择的轨迹子集，进行数据驱动的预测控制。整体流程是在每个控制周期，根据当前状态和目标，动态选择最相关的历史数据，然后基于这些数据进行预测控制。
关键创新：该方法最重要的创新在于其动态数据选择机制。与传统的随机采样或静态选择方法不同，Contextual Sampling能够根据当前控制任务的上下文信息，自适应地选择最相关的历史数据。这种动态选择机制能够在保证控制性能的前提下，显著减少计算量。
关键设计：Contextual Sampling的关键设计在于相关性评估函数的设计。该函数用于评估历史轨迹与当前控制任务的相关程度。具体实现中，可以使用各种距离度量方法，例如欧氏距离、马氏距离等，来衡量当前状态与历史状态之间的相似度。此外，还可以考虑参考轨迹的信息，例如期望速度、加速度等，来进一步提高相关性评估的准确性。论文中可能还涉及一些超参数的设置，例如选择的轨迹数量、状态空间划分的粒度等，这些参数需要根据具体的应用场景进行调整。
🖼️ 关键图片
📊 实验亮点
实验结果表明，Contextual Sampling 在缩放的自动驾驶车辆和四旋翼飞行器上，能够以更少的轨迹实现与随机采样相当甚至更好的跟踪效果，从而实现了实时可行性。与 Select-DPC 相比，它以更低的计算成本实现了相似的跟踪精度。与没有采样的完整 DPC 公式相比，Contextual Sampling 获得了相当的跟踪性能，同时需要更少的计算。
🎯 应用场景
Contextual Sampling 方法具有广泛的应用前景，尤其适用于对实时性要求较高的非线性机器人系统，例如自动驾驶、无人机控制、机器人操作等。该方法能够降低计算负担，提高控制系统的实时性和鲁棒性，从而提升机器人的自主性和智能化水平。未来，该方法有望应用于更复杂的机器人系统和控制任务中。
📄 摘要（原文）
Data-Driven Predictive Control (DPC) optimizes system behavior directly from measured trajectories without requiring an explicit model. However, its computational cost scales with dataset size, limiting real-time applicability to nonlinear robotic systems. For robotic tasks such as trajectory tracking and motion planning, real-time feasibility and numerical robustness are essential. Nonlinear DPC often relies on large datasets or learned nonlinear representations to ensure accuracy, both of which increase computational demand. We propose Contextual Sampling, a dynamic data selection strategy that adaptively selects the most relevant trajectories based on the current state and reference. By reducing dataset size while preserving representativeness, it improves computational efficiency. Experiments on a scaled autonomous vehicle and a quadrotor show that Contextual Sampling achieves comparable or better tracking than Random Sampling with fewer trajectories, enabling real-time feasibility. Compared with Select-DPC, it achieves similar tracking accuracy at lower computational cost. In comparison with the full DPC formulation without sampling, Contextual Sampling attains comparable tracking performance while requiring less computation, highlighting the benefit of efficient data selection in data-driven predictive control.