ExAMPC: the Data-Driven Explainable and Approximate NMPC with Physical Insights
作者: Jean Pierre Allamaa, Panagiotis Patrinos, Tong Duy Son
分类: eess.SY, cs.RO
发布日期: 2025-03-01 (更新: 2025-10-27)
备注: This paper has been accepted for publication in the 2025 IEEE/RSJ IROS Conference
💡 一句话要点
ExAMPC：结合可解释AI与物理信息的近似NMPC方法，提升控制性能与可信度
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 非线性模型预测控制 可解释AI 数据驱动控制 低维嵌入 符号回归
📋 核心要点
- NMPC虽然性能强大，但计算复杂性和在复杂系统中的不确定性限制了其应用。
- ExAMPC利用数据驱动和可解释AI增强NMPC，降低计算复杂度，提高可信度，并提供物理洞察。
- 实验表明，ExAMPC能有效降低轨迹维度，提高预测精度，并应用于自动泊车和自主赛车等场景。
📝 摘要（中文）
本文提出ExAMPC，一种桥接经典控制和可解释AI的方法，通过数据驱动的洞察力增强非线性模型预测控制（NMPC），以提高其可信度，并揭示优化解决方案和闭环性能对物理变量和系统参数的敏感性。该方法采用低阶样条嵌入将开环轨迹维度降低超过95%，并结合可解释AI（XAI）中的SHAP和符号回归，实现近似NMPC，从而对NMPC的优化过程有直观的物理理解。通过物理启发的连续时间约束惩罚，提高了近似NMPC的预测精度，减少了93%的预测连续轨迹违规。ExAMPC还能准确预测NMPC的计算需求，并对最坏情况进行可解释的分析。在自动代客泊车和圈速优化的自主赛车实验验证了该方法在潜在实际应用中的有效性。
🔬 方法详解
问题定义：非线性模型预测控制（NMPC）在复杂控制任务中表现出色，但其计算复杂度高，难以在实际系统中部署。此外，NMPC的优化过程通常是黑盒，缺乏透明度和可解释性，难以理解其对物理参数的敏感性，限制了其在安全关键领域的应用。现有方法难以兼顾NMPC的性能、计算效率和可解释性。
核心思路：ExAMPC的核心思路是利用数据驱动的方法学习NMPC的优化策略，并结合可解释AI技术，将复杂的NMPC优化过程近似为一个更简单、可解释的模型。通过低维嵌入降低轨迹维度，并使用SHAP和符号回归等技术提取关键的物理关系，从而实现对NMPC行为的理解和预测。
技术框架：ExAMPC的整体框架包括以下几个主要模块：1) 数据收集：通过运行NMPC收集大量的轨迹数据。2) 低维嵌入：使用低阶样条嵌入将高维的开环轨迹压缩到低维空间，降低计算复杂度。3) 可解释AI：利用SHAP值分析和符号回归，从低维嵌入中提取关键的物理变量和关系。4) 近似NMPC：构建一个基于可解释模型的近似NMPC，用于快速预测和控制。5) 约束惩罚：引入物理启发的连续时间约束惩罚，提高预测精度。
关键创新：ExAMPC的关键创新在于将可解释AI技术与NMPC相结合，实现了对NMPC优化过程的透明化和可解释性。通过低维嵌入和符号回归，能够提取出NMPC优化策略中的关键物理关系，并将其用于构建近似NMPC。此外，物理启发的约束惩罚进一步提高了近似NMPC的预测精度。与传统方法相比，ExAMPC在保证控制性能的同时，显著提高了计算效率和可解释性。
关键设计：低阶样条嵌入的选择需要平衡维度降低和信息损失。SHAP值分析用于识别对NMPC优化结果影响最大的物理变量。符号回归用于发现这些变量之间的数学关系。物理启发的约束惩罚的设计需要根据具体的物理系统进行调整，以确保约束的有效性。近似NMPC的控制周期需要根据系统的动态特性进行选择。
🖼️ 关键图片
📊 实验亮点
实验结果表明，ExAMPC能够将开环轨迹维度降低超过95%，同时通过物理启发的约束惩罚，将预测的连续轨迹违规减少93%。在自动代客泊车和自主赛车实验中，ExAMPC表现出良好的性能，验证了其在实际应用中的有效性。此外，ExAMPC还能准确预测NMPC的计算需求，并对最坏情况进行可解释的分析。
🎯 应用场景
ExAMPC具有广泛的应用前景，尤其是在需要高可靠性和可解释性的控制系统中。例如，自动驾驶汽车、机器人控制、航空航天等领域。通过ExAMPC，可以更好地理解和预测控制系统的行为，提高系统的安全性和可靠性，并为控制器的设计和优化提供指导。此外，ExAMPC还可以用于故障诊断和预测，及时发现潜在的问题，避免事故的发生。
📄 摘要（原文）
Amidst the surge in the use of Artificial Intelligence (AI) for control purposes, classical and model-based control methods maintain their popularity due to their transparency and deterministic nature. However, advanced controllers like Nonlinear Model Predictive Control (NMPC), despite proven capabilities, face adoption challenges due to their computational complexity and unpredictable closed-loop performance in complex validation systems. This paper introduces ExAMPC, a methodology bridging classical control and explainable AI by augmenting the NMPC with data-driven insights to improve the trustworthiness and reveal the optimization solution and closed-loop performance's sensitivities to physical variables and system parameters. By employing a low-order spline embedding, we reduce the open-loop trajectory dimensionality by over 95%, and integrate it with SHAP and Symbolic Regression from eXplainable AI (XAI) for an approximate NMPC, enabling intuitive physical insights into the NMPC's optimization routine. The prediction accuracy of the approximate NMPC is enhanced through physics-inspired continuous-time constraints penalties, reducing the predicted continuous trajectory violations by 93%. ExAMPC also enables accurate forecasting of the NMPC's computational requirements with explainable insights on worst-case scenarios. Experimental validation on automated valet parking and autonomous racing with lap-time optimization, demonstrates the methodology's practical effectiveness for potential real-world applications.