Data-driven Model Predictive Control using MATLAB

📄 arXiv: 2505.11524v2 📥 PDF

作者: Midhun T. Augustine

分类: eess.SY

发布日期: 2025-05-11 (更新: 2025-10-10)

备注: 22 pages, 8 figures

💡 一句话要点

综述数据驱动模型预测控制方法，并探讨其数值实现与未来方向

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 数据驱动控制 模型预测控制 线性MPC 非线性MPC 子空间方法 神经网络 系统辨识

📋 核心要点

  1. 传统MPC依赖精确模型，但在复杂系统中难以获取，数据驱动MPC旨在克服这一局限。
  2. 论文综述数据驱动LMPC和NMPC，涵盖子空间预测控制、预测误差方法和神经网络模型等。
  3. 论文总结了数据驱动MPC的最新进展，并展望了未来研究方向，为相关研究提供参考。

📝 摘要（中文）

本文全面概述了数据驱动的模型预测控制（MPC），重点介绍了最先进的方法及其数值实现。首先简要回顾了传统的模型预测控制（MPC），包括线性MPC（LMPC）和非线性MPC（NMPC）。然后，讨论了数据驱动的LMPC，概述了基本概念和各种方法的实现，包括子空间预测控制和预测误差方法。随后，重点转向数据驱动的NMPC，强调基于神经网络模型的方法。最后，本文回顾了数据驱动MPC的最新进展，并探讨了未来研究的潜在方向。

🔬 方法详解

问题定义：传统模型预测控制（MPC）依赖于精确的系统模型，但在实际应用中，获取精确模型往往非常困难，尤其是在复杂非线性系统中。这限制了MPC的应用范围。数据驱动MPC旨在利用系统输入输出数据，直接设计控制器，避免对系统进行精确建模。

核心思路：核心思路是利用系统历史数据来学习或近似系统的动态特性，然后基于学习到的模型进行预测控制。对于线性系统，可以使用子空间方法或预测误差方法直接从数据中辨识系统模型。对于非线性系统，通常使用神经网络来建模系统的非线性动态特性。

技术框架：数据驱动MPC的整体框架通常包括以下几个阶段：1) 数据采集：收集系统的输入输出数据。2) 模型学习：使用采集到的数据，采用子空间方法、预测误差方法或神经网络等方法学习系统的动态模型。3) 控制器设计：基于学习到的模型，设计MPC控制器，例如通过求解优化问题来确定最优控制输入。4) 在线控制：将设计的控制器应用于实际系统，并根据系统的实际运行情况进行调整和优化。

关键创新：关键创新在于直接从数据中学习控制策略，避免了对系统进行精确建模的需求。对于线性系统，子空间方法和预测误差方法可以直接从数据中辨识系统模型，而无需进行系统辨识。对于非线性系统，神经网络可以有效地建模系统的非线性动态特性。

关键设计：对于线性系统，关键设计包括选择合适的子空间方法或预测误差方法，以及选择合适的模型阶次和延迟。对于非线性系统，关键设计包括选择合适的神经网络结构（例如，多层感知器或循环神经网络），以及设计合适的损失函数和优化算法。此外，还需要考虑如何保证控制器的稳定性和鲁棒性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

该论文是一篇综述性文章，没有具体的实验结果。但它总结了数据驱动MPC领域的主要方法，包括子空间预测控制、预测误差方法和基于神经网络的NMPC，并指出了未来研究方向。该综述为研究人员提供了一个全面的了解数据驱动MPC的框架。

🎯 应用场景

数据驱动模型预测控制在机器人、过程控制、智能交通、电力系统等领域具有广泛的应用前景。它可以用于控制复杂非线性系统，提高系统的控制性能和鲁棒性，降低对系统模型的依赖，从而降低控制系统的设计和维护成本。未来，随着数据采集和计算能力的不断提高，数据驱动MPC将在更多领域得到应用。

📄 摘要（原文）

This paper presents a comprehensive overview of data-driven model predictive control, highlighting state-of-the-art methodologies and their numerical implementation. The discussion begins with a brief review of conventional model predictive control (MPC), which discusses both linear MPC (LMPC) and nonlinear MPC (NMPC). This is followed by a section on data-driven LMPC, outlining fundamental concepts and the implementation of various approaches, including subspace predictive control and prediction error methods. Subsequently, the focus shifts to data-driven NMPC, emphasizing approaches based on neural network models. The paper concludes with a review of recent advancements in data-driven MPC and explores potential directions for future research.