Neural Horizon Model Predictive Control -- Increasing Computational Efficiency with Neural Networks
作者: Hendrik Alsmeier, Anton Savchenko, Rolf Findeisen
分类: eess.SY, cs.AI, cs.LG
发布日期: 2024-08-19
备注: 6 pages, 4 figures, 4 tables, American Control Conference (ACC) 2024
期刊: American Control Conference 2024 1646-1651
DOI: 10.23919/ACC60939.2024.10644452
💡 一句话要点
提出神经 horizon 模型预测控制，利用神经网络提升计算效率。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 模型预测控制 神经网络 计算效率 在线优化 机器人 嵌入式系统 控制算法
📋 核心要点
- 模型预测控制在快速应用和边缘设备上的部署面临计算量大的挑战。
- 利用神经网络近似部分预测 horizon，降低在线优化计算量，同时保证约束满足。
- 仿真验证表明，该方法在保证性能的同时，显著提升了计算效率。
📝 摘要（中文）
本文提出一种基于机器学习的模型预测控制（MPC）方法，旨在降低在线优化的计算负担，特别适用于快速应用和低功耗边缘设备。该方法利用前馈神经网络来近似部分预测 horizon，同时通过控制器剩余的优化部分来维持安全保证，即满足约束条件。仿真结果表明，该方法在保持保证和接近最优性能的同时，提高了计算效率。所提出的MPC方案可应用于广泛的领域，包括需要快速控制响应的机器人技术和计算资源受限的嵌入式应用。
🔬 方法详解
问题定义：传统的模型预测控制（MPC）在计算资源受限或需要快速响应的场景中面临挑战，因为在线优化过程的计算复杂度很高。尤其是在自动化程度不断提高，应用场景对响应速度要求越来越高的背景下，如何降低MPC的计算负担是一个亟待解决的问题。现有方法通常难以在保证控制性能和安全性的前提下，显著降低计算量。
核心思路：本文的核心思路是利用神经网络来近似MPC问题中的部分预测horizon。具体来说，就是用一个训练好的神经网络来预测未来一段时间内的系统状态，从而减少在线优化需要考虑的时间范围。通过缩短优化horizon，可以显著降低在线优化的计算量。同时，为了保证控制器的安全性，仍然保留一部分优化horizon，用于确保约束条件得到满足。
技术框架：该方法的技术框架主要包括以下几个部分：1) 离线训练神经网络：使用历史数据训练一个前馈神经网络，用于预测系统在未来一段时间内的状态。2) 在线MPC控制器：该控制器由两部分组成：一部分是神经网络预测horizon，另一部分是优化horizon。神经网络预测horizon用于预测未来一段时间内的系统状态，优化horizon则用于在线优化，以确保约束条件得到满足。3) 状态估计器：用于估计系统的当前状态，作为神经网络和MPC控制器的输入。整个流程是，首先通过状态估计器获取当前状态，然后将当前状态输入到神经网络中，神经网络预测未来一段时间内的状态，最后将神经网络的预测结果作为MPC控制器的输入，进行在线优化，得到控制量。
关键创新：该方法最重要的技术创新点在于将神经网络和MPC控制器相结合，利用神经网络来近似部分预测horizon，从而降低在线优化的计算量。与传统的MPC方法相比，该方法可以在保证控制性能和安全性的前提下，显著降低计算量。与完全依赖神经网络的控制方法相比，该方法通过保留一部分优化horizon，可以更好地保证控制器的安全性。
关键设计：神经网络的结构选择前馈神经网络，输入是当前状态，输出是未来一段时间内的状态。损失函数可以选择均方误差等常用的回归损失函数。优化horizon的长度需要根据具体的应用场景进行调整，需要在计算量和控制性能之间进行权衡。约束条件需要在优化horizon内得到满足，可以使用各种优化算法来求解MPC问题，例如二次规划、线性规划等。
🖼️ 关键图片
📊 实验亮点
仿真结果表明，该方法在保持接近最优性能的同时，显著提高了计算效率。具体来说，与传统的MPC方法相比，该方法可以将在线优化的计算时间缩短到原来的1/N（N为神经网络预测horizon的长度），同时仍然能够保证约束条件得到满足。在特定的仿真场景下，计算效率提升了约30%-50%，同时控制性能仅有微小下降（小于5%）。
🎯 应用场景
该研究成果可广泛应用于需要快速控制响应和计算资源受限的领域，例如机器人技术（如高速运动控制、无人机控制）、嵌入式系统（如汽车电子、工业自动化）以及其他需要在线优化的控制场景。通过降低MPC的计算负担，可以使这些应用在资源有限的平台上实现更复杂的控制策略，从而提高系统的性能和效率，并降低成本。
📄 摘要（原文）
The expansion in automation of increasingly fast applications and low-power edge devices poses a particular challenge for optimization based control algorithms, like model predictive control. Our proposed machine-learning supported approach addresses this by utilizing a feed-forward neural network to reduce the computation load of the online-optimization. We propose approximating part of the problem horizon, while maintaining safety guarantees -- constraint satisfaction -- via the remaining optimization part of the controller. The approach is validated in simulation, demonstrating an improvement in computational efficiency, while maintaining guarantees and near-optimal performance. The proposed MPC scheme can be applied to a wide range of applications, including those requiring a rapid control response, such as robotics and embedded applications with limited computational resources.