Data-Driven Multi-Modal Learning Model Predictive Control
作者: Fionna B. Kopp, Francesco Borrelli
分类: eess.SY
发布日期: 2024-07-08
备注: Submitted to 2024 IEEE Conference on Decision and Control
💡 一句话要点
提出一种数据驱动的多模态学习模型预测控制方法，用于解决迭代控制任务中的多模态系统控制问题。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 多模态系统 模型预测控制 数据驱动控制 学习控制 仿射时变模型
📋 核心要点
- 多模态系统控制面临挑战，传统方法难以应对模式未知情况下的控制策略设计。
- 该方法通过选择局部数据构建仿射时变模型，并利用历史数据构建安全集，实现数据驱动的控制。
- 仿真结果表明，该方法在摩擦变化的轨道上进行自动驾驶时有效，验证了其在多模态系统控制中的潜力。
📝 摘要（中文）
本文提出了一种用于执行迭代控制任务的多模态系统的学习模型预测控制器（LMPC）。假设可以获得历史数据，我们的目标是为多模态系统设计一种数据驱动的控制策略，其中当前模式是未知的。首先，我们提出了一种新颖的方法，用于在LMPC的背景下选择局部数据，以构建多模态系统的仿射时变（ATV）模型。然后，我们展示了如何从多模态历史数据中构建采样安全集。我们通过在摩擦变化的轨道上进行自动驾驶的仿真结果，证明了该方法的有效性。
🔬 方法详解
问题定义：论文旨在解决多模态系统在迭代控制任务中，当前模式未知情况下的控制问题。现有方法通常难以处理这种不确定性，需要人工设计复杂的控制策略，或者依赖于对系统模式的精确识别。这些方法在实际应用中往往面临鲁棒性差、适应性弱等问题。
核心思路：论文的核心思路是利用历史数据学习多模态系统的动态特性，并构建一个数据驱动的模型预测控制器。通过选择与当前状态相似的历史数据，构建局部仿射时变模型，从而近似系统的动态行为。同时，利用历史数据构建安全集，保证控制过程的安全性。
技术框架：该方法主要包含以下几个阶段：1) 数据收集：收集多模态系统的历史数据，包括状态、控制输入和系统模式等信息。2) 局部数据选择：根据当前状态，选择与当前状态相似的历史数据。3) 仿射时变模型构建：利用选择的局部数据，构建仿射时变模型，近似系统的动态行为。4) 安全集构建：利用历史数据构建安全集，保证控制过程的安全性。5) 模型预测控制：利用构建的仿射时变模型和安全集，设计模型预测控制器，实现对多模态系统的控制。
关键创新：该方法的主要创新在于：1) 提出了一种新颖的局部数据选择方法，能够有效地选择与当前状态相似的历史数据，从而提高模型预测的准确性。2) 提出了一种基于历史数据的安全集构建方法，能够有效地保证控制过程的安全性。3) 将数据驱动的方法应用于多模态系统的模型预测控制，避免了对系统模式的精确识别，提高了控制策略的鲁棒性和适应性。
关键设计：局部数据选择方法可能涉及距离度量函数的选择，例如欧氏距离或马氏距离。仿射时变模型的构建可能采用最小二乘法等方法。安全集的构建可能涉及采样方法和安全裕度的设置。模型预测控制器的设计需要考虑控制目标、约束条件和优化算法的选择。
🖼️ 关键图片
📊 实验亮点
论文通过在摩擦变化的轨道上进行自动驾驶的仿真实验，验证了该方法的有效性。实验结果表明，该方法能够有效地控制车辆在不同摩擦系数的路面上行驶，并保证行驶的安全性。具体的性能数据（例如，控制精度、行驶时间、安全裕度等）未知，但仿真结果表明该方法具有良好的控制性能。
🎯 应用场景
该研究成果可应用于自动驾驶、机器人控制、过程控制等领域，尤其适用于系统动态特性复杂、模式切换频繁的场景。例如，在自动驾驶中，可以利用该方法控制车辆在不同路面条件下的行驶；在机器人控制中，可以利用该方法控制机器人在不同环境下的操作。该方法具有较高的实际应用价值和广阔的应用前景。
📄 摘要（原文）
We present a Learning Model Predictive Controller (LMPC) for multi-modal systems performing iterative control tasks. Assuming availability of historical data, our goal is to design a data-driven control policy for the multi-modal system where the current mode is unknown. First, we propose a novel method to select local data for constructing affine time-varying (ATV) models of a multi-modal system in the context of LMPC. Then we present how to build a sampled safe set from multi-modal historical data. We demonstrate the effectiveness of our method through simulation results of automated driving on a friction-varying track.