Fault-Tolerant MPC Control for Trajectory Tracking
作者: David Laranjinho, Daniel Silvestre
分类: eess.SY
发布日期: 2026-03-30
备注: 6 pages, 4 figures
💡 一句话要点
提出一种容错MPC控制策略，用于轨迹跟踪中的故障识别与模型自适应。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 模型预测控制 容错控制 故障诊断 轨迹跟踪 模型自适应
📋 核心要点
- MPC控制器的性能高度依赖于系统模型的质量，而故障发生会导致模型精度下降，进而影响控制效果。
- 该论文提出一种结合主动故障识别的MPC控制策略，能够在系统发生故障时，识别故障并自适应调整模型。
- 论文探索了基于CCG的精确方法和基于SVD的次优方法，用于主动故障隔离和模型更新。
📝 摘要（中文）
本文提出了一种容错模型预测控制（MPC）策略，旨在解决系统发生故障时，模型质量下降导致MPC性能降低的问题。该策略结合了主动故障识别，同时驱动系统跟踪期望轨迹。研究探索了两种方法：一种是基于约束凸生成器（CCG）的集合传播精确公式，另一种是基于奇异值分解（SVD）的次优版本，用于实现主动故障隔离，从而在运行时自适应调整模型。
🔬 方法详解
问题定义：论文旨在解决模型预测控制（MPC）在系统出现故障时性能下降的问题。传统的MPC依赖于精确的系统模型，但当系统发生故障时，模型与真实系统之间的偏差增大，导致控制性能降低，甚至出现控制失效。现有方法缺乏在运行时主动识别故障并自适应调整模型的能力。
核心思路：论文的核心思路是在MPC框架中集成主动故障识别机制。通过主动探测系统状态，并利用观测数据来识别潜在的故障，然后根据识别结果自适应地调整MPC所使用的模型。这样可以在保证系统稳定性的前提下，提高MPC在故障条件下的控制性能。
技术框架：该方法包含以下几个主要模块：1) 基于MPC的轨迹跟踪控制器，用于生成控制指令；2) 故障检测与识别模块，用于监测系统状态并识别故障；3) 模型自适应模块，用于根据故障识别结果调整MPC所使用的模型参数。整体流程是：MPC控制器根据当前模型生成控制指令，系统执行控制指令并产生观测数据，故障检测与识别模块分析观测数据，如果检测到故障，则识别故障类型和位置，模型自适应模块根据识别结果更新模型参数，然后MPC控制器使用更新后的模型继续控制。
关键创新：论文的关键创新在于将主动故障识别与MPC控制相结合，实现了在运行时自适应调整模型的能力。与传统的被动容错方法相比，该方法能够更快速、更准确地识别故障，并根据故障类型和位置进行针对性的模型调整，从而提高控制性能。此外，论文还探索了两种不同的故障识别方法：基于CCG的精确方法和基于SVD的次优方法，为不同的应用场景提供了选择。
关键设计：论文中，基于CCG的方法利用集合传播来精确计算系统状态的可达集，从而实现故障检测与识别。基于SVD的方法则利用奇异值分解来分析系统状态的观测数据，从而识别故障。具体的参数设置、损失函数和网络结构等技术细节在论文中没有详细描述，属于未知信息。
🖼️ 关键图片
📊 实验亮点
论文提出了两种故障识别方法，并将其集成到MPC控制框架中。虽然摘要中没有提供具体的实验数据，但可以推断，通过主动故障识别和模型自适应，该方法能够在系统发生故障时显著提高轨迹跟踪的精度和稳定性，并优于传统的被动容错方法。具体的性能提升幅度未知。
🎯 应用场景
该研究成果可应用于各种需要高可靠性和容错能力的控制系统，例如无人驾驶车辆、机器人、航空航天系统和工业自动化等领域。通过在运行时主动识别故障并自适应调整模型，可以提高这些系统在复杂环境下的稳定性和安全性，降低维护成本，并扩展其应用范围。
📄 摘要（原文）
An MPC controller uses a model of the dynamical system to plan an optimal control strategy for a finite horizon, which makes its performance intrinsically tied to the quality of the model. When faults occur, the compromised model will degrade the performance of the MPC with this impact being dependent on the designed cost function. In this paper, we aim to devise a strategy that combines active fault identification while driving the system towards the desired trajectory. The explored approaches make use of an exact formulation of the problem in terms of set-based propagation resorting to Constrained Convex Generators (CCGs) and a suboptimal version that resorts to the SVD decomposition to achieve the active fault isolation in order to adapt the model in runtime.