MPC-guided, Data-driven Fuzzy Controller Synthesis

📄 arXiv: 2410.06556v2 📥 PDF

作者: Juan Augusto Paredes Salazar, Ankit Goel

分类: eess.SY

发布日期: 2024-10-09 (更新: 2024-12-02)

备注: 9 pages, 8 figures, shorter version submitted to the American Control Conference 2025

💡 一句话要点

提出MPC指导的数据驱动模糊控制器综合方法，降低计算复杂度。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 模型预测控制 模糊控制 数据驱动控制 自回归移动平均 Takagi-Sugeno模糊系统

📋 核心要点

  1. MPC控制效果好，但计算量大，难以在资源受限系统中使用。
  2. 利用MPC闭环数据训练低复杂度的ARMA控制器，并用模糊系统进行加权融合。
  3. 数值实验验证了所提出的F-ARMA控制器能有效模拟MPC的响应。

📝 摘要（中文）

模型预测控制(MPC)是一种强大的控制技术，它利用基于系统模型的预测在有限的时间范围内进行在线优化。然而，MPC所需的计算成本在资源受限的计算机系统中可能是令人望而却步的。本文提出了一种由MPC指导的模糊控制器综合框架。在该框架中，训练数据从MPC闭环仿真中获得，并用于优化低计算复杂度的控制器，以模拟MPC的响应。具体而言，自回归移动平均(ARMA)控制器使用从MPC闭环仿真获得的数据进行训练，使得每个ARMA控制器模拟MPC控制器在特定期望条件下的响应。然后，使用Takagi-Sugeno (T-S)模糊系统，根据测量的系统条件对所有训练的ARMA控制器的响应进行加权，从而产生模糊自回归移动平均(F-ARMA)控制器。通过数值例子说明了训练的F-ARMA控制器的有效性。

🔬 方法详解

问题定义：论文旨在解决模型预测控制（MPC）计算复杂度高，难以在资源受限的系统上实时应用的问题。现有的MPC方法虽然控制性能优异，但其在线优化过程需要大量的计算资源，这限制了其在嵌入式系统、机器人等领域的应用。

核心思路：论文的核心思路是利用数据驱动的方法，学习MPC的控制策略，并将其迁移到一个计算复杂度更低的控制器上。具体来说，通过MPC闭环仿真生成训练数据，然后训练一个模糊控制器来模仿MPC的控制行为。这样，在实际应用中，就可以使用计算量小的模糊控制器来近似MPC的控制效果。

技术框架：整体框架包含以下几个主要阶段： 1. MPC闭环仿真：使用MPC控制器进行系统仿真，记录系统的状态、控制输入等数据，作为训练数据。 2. ARMA控制器训练：针对不同的系统状态或期望条件，训练多个自回归移动平均（ARMA）控制器，每个ARMA控制器模拟MPC在特定条件下的响应。 3. Takagi-Sugeno (T-S)模糊系统：构建一个T-S模糊系统，根据当前系统状态，对各个ARMA控制器的输出进行加权融合。 4. F-ARMA控制器：最终得到的模糊自回归移动平均（F-ARMA）控制器，即为训练完成的低复杂度控制器。

关键创新：论文的关键创新在于将MPC的控制策略迁移到模糊控制器，从而在保证控制性能的同时，显著降低了计算复杂度。与传统的模糊控制方法相比，该方法利用MPC的优化结果作为指导，避免了手动设计模糊规则的繁琐过程。

关键设计： * ARMA控制器选择：针对不同的工况训练不同的ARMA控制器，保证在各种情况下都能较好地模拟MPC的响应。 * T-S模糊系统设计：模糊规则和隶属函数的设计需要仔细考虑，以保证模糊系统能够准确地对ARMA控制器的输出进行加权融合。 * 训练数据生成：MPC闭环仿真的参数设置，如时间范围、控制周期等，会影响训练数据的质量，进而影响最终控制器的性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文通过数值实验验证了所提出的F-ARMA控制器的有效性。实验结果表明，F-ARMA控制器能够较好地模拟MPC的控制响应，同时显著降低了计算复杂度。具体的性能数据（如跟踪误差、稳定时间等）和与传统控制器的对比结果（如果论文中有）未知，但整体趋势表明该方法具有良好的应用前景。

🎯 应用场景

该研究成果可应用于资源受限的控制系统，例如嵌入式系统、机器人控制、无人机等领域。通过使用计算复杂度低的F-ARMA控制器，可以在这些平台上实现接近MPC的控制性能，从而提高系统的稳定性和鲁棒性。此外，该方法还可以推广到其他复杂的控制问题，为数据驱动的控制系统设计提供了一种新的思路。

📄 摘要（原文）

Model predictive control (MPC) is a powerful control technique for online optimization using system model-based predictions over a finite time horizon. However, the computational cost MPC requires can be prohibitive in resource-constrained computer systems. This paper presents a fuzzy controller synthesis framework guided by MPC. In the proposed framework, training data is obtained from MPC closed-loop simulations and is used to optimize a low computational complexity controller to emulate the response of MPC. In particular, autoregressive moving average (ARMA) controllers are trained using data obtained from MPC closed-loop simulations, such that each ARMA controller emulates the response of the MPC controller under particular desired conditions. Using a Takagi-Sugeno (T-S) fuzzy system, the responses of all the trained ARMA controllers are then weighted depending on the measured system conditions, resulting in the Fuzzy-Autoregressive Moving Average (F-ARMA) controller. The effectiveness of the trained F-ARMA controllers is illustrated via numerical examples.