Safety Meets Speed: Accelerated Neural MPC with Safety Guarantees and No Retraining

📄 arXiv: 2509.06404v1 📥 PDF

作者: Kaikai Wang, Tianxun Li, Liang Xu, Qinglei Hu, Keyou You

分类: cs.RO

发布日期: 2025-09-08

备注: 12 pages, 9 figures, accepted to RA-L

💡 一句话要点

提出BAN-MPC框架，在保证安全性的前提下加速神经MPC，无需重训练。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 模型预测控制 神经MPC 控制Barrier函数 神经网络 嵌入式系统

📋 核心要点

  1. 传统MPC虽然能通过约束保证安全，但实时执行计算量大，难以满足嵌入式系统的算力需求。
  2. BAN-MPC框架融合神经价值函数加速MPC计算，并用控制Barrier函数确保安全性，同时引入神经敏感性分析实现参数自适应。
  3. 实验表明，BAN-MPC比传统MPC快200倍，在模型参数变化时仍能保持较低的控制误差和无碰撞导航。

📝 摘要（中文）

本文提出了一种集成了Barrier函数的自适应神经模型预测控制（BAN-MPC）框架，该框架结合了神经网络的快速计算能力和MPC的约束处理能力，以确保安全性。为了保证严格的安全性，我们使用控制Barrier函数（CBFs）代替传统的欧几里德距离进行避障。我们将离线学习的神经价值函数集成到短时域MPC的优化目标中，从而大大降低了在线计算复杂度。此外，我们使用第二个神经网络来学习价值函数对系统参数的敏感性，并根据这种神经敏感性自适应地调整神经价值函数，从而消除了重训练的需要并降低了离线计算成本。在Jetson Nano上的硬件在环（HIL）实验表明，BAN-MPC的求解速度比传统MPC快200倍，能够在模型参数变化在15%以内的情况下实现无碰撞导航，且控制误差低于5%，使其成为一种有效的嵌入式MPC替代方案。

🔬 方法详解

问题定义：传统模型预测控制（MPC）在保证系统安全方面表现出色，但其在线优化过程计算量大，难以在算力受限的嵌入式平台上实时运行。现有的神经MPC方法虽然可以加速计算，但通常需要大量离线训练，并且难以保证在模型参数变化时的安全性。因此，如何在保证安全性的前提下，降低MPC的计算复杂度，并提高其对模型参数变化的鲁棒性，是一个亟待解决的问题。

核心思路：BAN-MPC的核心思路是将离线学习的神经价值函数集成到短时域MPC的优化目标中，从而减少在线优化所需的计算量。同时，使用控制Barrier函数（CBFs）来保证系统的安全性，确保避障约束得到满足。此外，引入一个神经敏感性网络来学习价值函数对系统参数的敏感性，并根据这种敏感性自适应地调整神经价值函数，从而避免了因模型参数变化而需要重新训练的问题。

技术框架：BAN-MPC框架主要包含以下几个模块：1) 离线神经价值函数学习模块：使用神经网络学习系统的最优价值函数。2) 控制Barrier函数（CBF）模块：用于定义安全约束，确保避障。3) 短时域MPC优化模块：将神经价值函数作为优化目标的一部分，并结合CBF约束进行在线优化。4) 神经敏感性分析模块：使用另一个神经网络学习价值函数对系统参数的敏感性。5) 自适应调整模块：根据神经敏感性分析的结果，自适应地调整神经价值函数。

关键创新：BAN-MPC的关键创新在于：1) 将神经价值函数集成到MPC的优化目标中，显著降低了在线计算复杂度。2) 使用控制Barrier函数（CBFs）代替传统的欧几里德距离进行避障，保证了严格的安全性。3) 引入神经敏感性分析，实现了对模型参数变化的自适应调整，无需重新训练。与现有神经MPC方法相比，BAN-MPC在保证安全性的同时，提高了计算效率和鲁棒性。

关键设计：1) 神经价值函数的网络结构和损失函数的设计，需要仔细考虑系统的动态特性和优化目标。2) 控制Barrier函数的选择和参数调整，需要根据具体的避障需求进行优化。3) 神经敏感性网络的训练数据生成和网络结构设计，需要保证能够准确地捕捉价值函数对系统参数的敏感性。4) 自适应调整模块的算法设计，需要平衡调整的精度和计算复杂度。

📊 实验亮点

实验结果表明，BAN-MPC的求解速度比传统MPC快200倍，能够在Jetson Nano等嵌入式平台上实时运行。在模型参数变化在15%以内的情况下，BAN-MPC仍能实现无碰撞导航，且控制误差低于5%。这些结果验证了BAN-MPC的有效性和优越性，使其成为一种有竞争力的嵌入式MPC替代方案。

🎯 应用场景

BAN-MPC框架具有广泛的应用前景，例如无人驾驶、机器人导航、无人机控制等领域。其快速的计算速度和安全性保证使其能够应用于算力受限的嵌入式平台，实现实时的安全控制。此外，其自适应能力使其能够适应模型参数变化的环境，提高系统的鲁棒性。未来，BAN-MPC有望成为一种有效的嵌入式MPC替代方案，推动智能控制技术的发展。

📄 摘要（原文）

While Model Predictive Control (MPC) enforces safety via constraints, its real-time execution can exceed embedded compute budgets. We propose a Barrier-integrated Adaptive Neural Model Predictive Control (BAN-MPC) framework that synergizes neural networks' fast computation with MPC's constraint-handling capability. To ensure strict safety, we replace traditional Euclidean distance with Control Barrier Functions (CBFs) for collision avoidance. We integrate an offline-learned neural value function into the optimization objective of a Short-horizon MPC, substantially reducing online computational complexity. Additionally, we use a second neural network to learn the sensitivity of the value function to system parameters, and adaptively adjust the neural value function based on this neural sensitivity when model parameters change, eliminating the need for retraining and reducing offline computation costs. The hardware in-the-loop (HIL) experiments on Jetson Nano show that BAN-MPC solves 200 times faster than traditional MPC, enabling collision-free navigation with control error below 5\% under model parameter variations within 15\%, making it an effective embedded MPC alternative.