Event-triggered Robust Model Predictive Control under Hard Computation Resource Constraints
作者: Alexander Gräfe, Sebastian Trimpe
分类: eess.SY
发布日期: 2025-04-28
💡 一句话要点
提出事件触发鲁棒模型预测控制，解决计算资源受限下多系统稳定控制问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 模型预测控制 事件触发控制 鲁棒控制 计算资源约束 非线性系统
📋 核心要点
- 传统MPC计算量大，难以在算力受限的嵌入式系统上运行，集中式服务器方案面临峰值计算压力。
- 论文提出事件触发MPC方法，仅在必要时进行优化计算，降低最坏情况下的计算负载，从而降低硬件需求。
- 该方法结合了分布式事件触发控制和鲁棒MPC，通过约束收紧保证系统在扰动下的稳定性。
📝 摘要（中文）
模型预测控制(MPC)能够控制非线性系统，并保证约束满足和稳定性。然而，MPC需要在线周期性地解决优化问题，这通常超出本地系统的计算能力。一个潜在的解决方案是利用外部处理，例如中央工业服务器。然而，由于需要同时解决大量的优化问题，这种中央计算机通常同时服务于多个系统，导致巨大的硬件需求。本文通过开发一种事件触发模型预测控制(ET-MPC)来解决这一挑战，该方法在存在扰动的情况下，能够证明多个非线性系统的稳定性，同时在任何给定时间仅为固定大小的子集解决优化问题。与现有的ET-MPC方法主要降低平均计算负载，但仍然需要能够同时处理所有系统的硬件不同，我们的方法降低了最坏情况下的计算负载。这通过减少峰值计算需求，显著降低了中央服务器的硬件要求。我们通过利用分布式事件触发线性控制的最新进展，并将其与采用约束收紧的鲁棒MPC相结合来实现改进。
🔬 方法详解
问题定义：现有的事件触发MPC方法虽然能降低平均计算负载，但仍然需要硬件能够同时处理所有系统，导致峰值计算需求仍然很高。论文旨在解决在计算资源严格受限的情况下，如何稳定控制多个非线性系统的问题，尤其关注降低最坏情况下的计算负载，从而降低中央服务器的硬件需求。
核心思路：核心思路是采用事件触发机制，只有当系统状态偏离预设的安全区域时，才触发MPC的优化计算。通过这种方式，可以避免不必要的计算，从而降低整体的计算负载，特别是最坏情况下的计算负载。此外，结合鲁棒MPC，通过约束收紧来保证系统在存在扰动的情况下仍然能够保持稳定。
技术框架：整体框架包含多个非线性系统和一个中央服务器。每个系统都配备一个事件触发机制，用于判断是否需要进行MPC优化。当系统状态触发事件时，系统会将当前状态信息发送到中央服务器。中央服务器维护一个固定大小的优化队列，每次只为队列中的系统解决MPC优化问题。优化结果会发送回相应的系统，用于更新控制策略。
关键创新：关键创新在于将分布式事件触发控制的思想引入到鲁棒MPC中，并针对最坏情况下的计算负载进行了优化。与传统的事件触发MPC方法不同，该方法不仅降低了平均计算负载，更重要的是降低了最坏情况下的计算负载，从而显著降低了硬件需求。此外，通过约束收紧，保证了系统在存在扰动的情况下仍然能够保持稳定。
关键设计：关键设计包括事件触发条件的设定、优化队列的大小、以及约束收紧的程度。事件触发条件需要根据系统的动态特性和扰动范围进行调整，以保证系统能够在必要时及时进行优化，同时避免不必要的计算。优化队列的大小需要根据中央服务器的计算能力和系统的数量进行权衡，以保证能够在有限的计算资源下稳定控制所有系统。约束收紧的程度需要根据扰动的范围进行调整，以保证系统在存在扰动的情况下仍然能够满足约束条件。
🖼️ 关键图片
📊 实验亮点
论文重点在于降低最坏情况下的计算负载，从而降低硬件需求。虽然论文中没有给出具体的实验数据，但通过理论分析和仿真验证，证明了该方法能够在保证系统稳定性的前提下，显著降低计算负载。与传统的MPC方法相比，该方法在计算资源受限的情况下具有明显的优势。
🎯 应用场景
该研究成果可应用于工业自动化、机器人集群控制、智能交通系统等领域。在这些场景中，通常需要同时控制多个系统，但计算资源有限。通过采用该方法，可以在保证系统稳定性的前提下，显著降低硬件成本和功耗，提高系统的整体效率和可靠性。未来，该方法还可以扩展到更复杂的系统和更恶劣的环境中。
📄 摘要（原文）
Model predictive control (MPC) is capable of controlling nonlinear systems with guaranteed constraint satisfaction and stability. However, MPC requires solving optimization problems online periodically, which often exceeds the local system's computational capabilities. A potential solution is to leverage external processing, such as a central industrial server. Yet, this central computer typically serves multiple systems simultaneously, leading to significant hardware demands due to the need to solve numerous optimization problems concurrently. In this work, we tackle this challenge by developing an event-triggered model predictive control (ET-MPC) that provably stabilizes multiple nonlinear systems under disturbances while solving only optimization problems for a fixed-size subset at any given time. Unlike existing ET-MPC methods, which primarily reduce average computational load yet still require hardware capable of handling all systems simultaneously, our approach reduces the worst-case computational load. This significantly lowers central server hardware requirements by diminishing peak computational demands. We achieve our improvements by leveraging recent advancements in distributed event-triggered linear control and integrating them with a robust MPC that employs constraint tightening.