Dual MPC for quasi-Linear Parameter Varying systems

📄 arXiv: 2603.29445v1 📥 PDF

作者: Sampath Kumar Mulagaleti, Alberto Bemporad

分类: eess.SY

发布日期: 2026-03-31

备注: 9 pages, 1 figure

💡 一句话要点

提出用于qLPV系统的双重MPC框架，实现同步辨识与控制

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 模型预测控制 准线性参数变化系统 系统辨识 鲁棒控制 双重控制

📋 核心要点

  1. 现有方法难以同时进行qLPV系统的辨识和控制，影响系统性能。
  2. 提出双重MPC框架，通过在线估计器和控制器协同工作，实现同步辨识和控制。
  3. 数值实验验证了该框架在提高跟踪性能和系统模型辨识方面的有效性。

📝 摘要（中文）

本文提出了一种双重模型预测控制（MPC）框架，用于准线性参数变化（qLPV）系统的同步辨识与控制。该框架包含一个在线估计器，用于估计qLPV系统的状态和参数；以及一个控制器，该控制器利用估计的模型来计算具有双重目的的输入：跟踪参考输出，同时主动激励系统以增强参数估计。该方法的核心是一个基于鲁棒管道的MPC方案，该方案利用多面体几何的最新进展，以保证在模型不确定性下的递归可行性和稳定性。通过数值例子证明了该框架在提高跟踪性能的同时识别系统模型方面的有效性。

🔬 方法详解

问题定义：论文旨在解决准线性参数变化（qLPV）系统的同步辨识与控制问题。传统的控制方法通常依赖于精确的系统模型，而qLPV系统的参数会随时间变化，导致模型不确定性。现有的方法要么分别进行系统辨识和控制，要么难以在控制过程中有效地激励系统以提高参数估计的准确性，从而影响控制性能。

核心思路：论文的核心思路是设计一个双重MPC框架，该框架同时进行系统辨识和控制。控制器不仅要跟踪参考输出，还要主动激励系统，以便在线估计器能够更准确地估计系统参数。通过这种方式，可以克服模型不确定性，提高控制性能。

技术框架：该框架包含两个主要模块：在线估计器和控制器。在线估计器负责估计qLPV系统的状态和参数。控制器利用估计的模型来计算控制输入，该输入具有双重目的：跟踪参考输出，同时主动激励系统。控制器采用基于鲁棒管道的MPC方案，以保证在模型不确定性下的递归可行性和稳定性。

关键创新：该方法最重要的技术创新点在于双重MPC的设计，它将系统辨识和控制集成到一个统一的框架中。通过主动激励系统，可以提高参数估计的准确性，从而提高控制性能。此外，基于鲁棒管道的MPC方案能够有效地处理模型不确定性，保证系统的稳定性和鲁棒性。

关键设计：控制器采用基于鲁棒管道的MPC方案，该方案利用多面体几何来描述模型不确定性。通过优化控制输入，可以保证系统的状态始终位于管道内，从而保证系统的稳定性和鲁棒性。在线估计器可以使用各种参数估计方法，例如递归最小二乘法或卡尔曼滤波。控制器的目标函数通常包含跟踪误差和控制输入的惩罚项，以及用于激励系统的附加项。

🖼️ 关键图片

fig_0

📊 实验亮点

论文通过数值例子验证了所提出的双重MPC框架的有效性。实验结果表明，该框架能够有效地提高跟踪性能，同时准确地识别系统模型。具体的性能数据和对比基线在论文中给出，证明了该方法相对于传统方法的优势。

🎯 应用场景

该研究成果可应用于各种需要对时变系统进行精确控制的领域，例如：飞行器控制、机器人控制、过程控制等。通过同步辨识和控制，可以提高系统的适应性和鲁棒性，从而在复杂和不确定的环境中实现高性能控制。未来的研究可以进一步探索该框架在非线性系统中的应用。

📄 摘要（原文）

We present a dual Model Predictive Control (MPC) framework for the simultaneous identification and control of quasi-Linear Parameter Varying (qLPV) systems. The framework is composed of an online estimator for the states and parameters of the qLPV system, and a controller that leverages the estimated model to compute inputs with a dual purpose: tracking a reference output while actively exciting the system to enhance parameter estimation. The core of this approach is a robust tube-based MPC scheme that exploits recent developments in polytopic geometry to guarantee recursive feasibility and stability in spite of model uncertainty. The effectiveness of the framework in achieving improved tracking performance while identifying a model of the system is demonstrated through a numerical example.