Learning-based Homothetic Tube MPC

📄 arXiv: 2505.03482v1 📥 PDF

作者: Yulong Gao, Shuhao Yan, Jian Zhou, Mark Cannon

分类: eess.SY, math.OC

发布日期: 2025-05-06

备注: Accepted for presentation at the 23rd European Control Conference

💡 一句话要点

提出一种基于学习的同伦管模型预测控制方法，用于处理未知扰动下的线性系统控制问题。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 模型预测控制 鲁棒控制 在线学习 扰动估计 同伦管

📋 核心要点

  1. 现有鲁棒MPC方法通常需要预先精确已知扰动集，但在实际应用中，精确的扰动信息往往难以获取。
  2. 本文提出一种在线学习算法，通过实时数据近似真实的扰动集，并将其用于更新MPC优化中的约束，从而实现更精确的控制。
  3. 数值实验验证了该算法的有效性，并与现有先进的MPC算法进行了对比，证明了其优越性。

📝 摘要（中文）

本文研究了离散时间线性系统的同伦管模型预测控制（MPC）问题，该系统受到有界加性扰动以及状态和输入的混合约束。与现有鲁棒MPC的大多数工作不同，我们假设真实的扰动集是未知的，但先验已知一个保守的替代集。利用实时数据，我们开发了一种在线学习算法来逼近真实的扰动集。这种逼近以及MPC优化中的相应约束使用计算上方便的线性程序进行在线更新。我们提供了真实扰动集和学习到的扰动集之间的统计差距，在此基础上，讨论了同伦管MPC问题的概率递归可行性。数值模拟表明了我们提出的算法的有效性，并与最先进的MPC算法进行了比较。

🔬 方法详解

问题定义：论文旨在解决离散时间线性系统在有界加性扰动和混合约束下，进行同伦管模型预测控制的问题。现有鲁棒MPC方法通常假设扰动集已知，但在实际应用中，精确的扰动信息难以获取，导致控制性能下降或保守性过高。

核心思路：论文的核心思路是利用在线学习算法，通过实时数据来近似未知的真实扰动集。通过不断学习和更新扰动集的估计，可以更准确地预测系统的未来状态，从而提高MPC的控制性能和鲁棒性。

技术框架：整体框架包括以下几个主要步骤：1) 初始化一个保守的扰动集；2) 在每个控制周期，利用实时数据更新扰动集的估计；3) 基于更新后的扰动集，构建并求解MPC优化问题；4) 将计算得到的控制输入应用到系统中。其中，扰动集的更新采用线性规划实现，保证了计算效率。

关键创新：最重要的技术创新点在于提出了一种基于在线学习的扰动集估计方法，能够有效地逼近未知的真实扰动集。与传统的鲁棒MPC方法相比，该方法不需要预先精确已知扰动信息，具有更强的适应性和鲁棒性。

关键设计：论文的关键设计包括：1) 使用线性规划来更新扰动集的估计，保证了计算效率；2) 提供了真实扰动集和学习到的扰动集之间的统计差距分析，为算法的收敛性和稳定性提供了理论保障；3) 讨论了同伦管MPC问题的概率递归可行性，确保了控制系统的安全性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

数值实验表明，该算法能够有效地逼近真实的扰动集，并显著提高MPC的控制性能。与传统的鲁棒MPC算法相比，该算法在相同约束条件下能够实现更高的控制精度和更小的控制误差。实验结果验证了该算法的有效性和优越性。

🎯 应用场景

该研究成果可应用于各种受扰动影响的线性系统控制，例如机器人控制、无人机导航、电力系统控制等。通过在线学习扰动信息，可以提高控制系统的鲁棒性和适应性，使其在不确定环境中也能实现精确控制。未来，该方法可以扩展到非线性系统和更复杂的约束条件，具有广阔的应用前景。

📄 摘要（原文）

In this paper, we study homothetic tube model predictive control (MPC) of discrete-time linear systems subject to bounded additive disturbance and mixed constraints on the state and input. Different from most existing work on robust MPC, we assume that the true disturbance set is unknown but a conservative surrogate is available a priori. Leveraging the real-time data, we develop an online learning algorithm to approximate the true disturbance set. This approximation and the corresponding constraints in the MPC optimisation are updated online using computationally convenient linear programs. We provide statistical gaps between the true and learned disturbance sets, based on which, probabilistic recursive feasibility of homothetic tube MPC problems is discussed. Numerical simulations are provided to demonstrate the efficacy of our proposed algorithm and compare with state-of-the-art MPC algorithms.