.png){kind=icon}
返回
Iterative Risk-Constrained Model Predictive Control: A Data-Driven Distributionally Robust Approach
.png){kind=icon}
PRE
AI
DOI：10.1109/TAC.2025.3627883.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种迭代分布鲁棒模型预测控制（MPC）方案，用于求解风险约束下的无限时域最优控制问题。在每次迭代中，算法从起始点到期望平衡点生成一条轨迹，同时通过风险约束确保安全性，并相对于前一次迭代改进成本或安全性。在每次迭代结束时，存储并累积访问的状态和观察到的不确定性样本。对于每次迭代，先前存储的状态被视为MPC方案的终端约束，而迄今为止获得的样本用于构建分布鲁棒风险约束。随着迭代进行，获得更多数据并逐步探索环境，以确保更好的安全性和成本最优性。我们证明了MPC方案具有递归可行性，且轨迹在确保安全性的同时渐近收敛于期望平衡点。我们确定了在迭代过程中成本函数递减的条件。我们为总变差和基于Wasserstein的不确定性集提供了具有有限支撑分布的风险约束的可计算重构形式。一个仿真示例说明了我们的结果在为面对不确定障碍物的两个移动机器人寻找风险约束路径中的应用。
Keyword:
Iterative model predictive control
distributionally robust control
risk-aware control
data-driven methods
期刊
IF:
7
论文数:
1.3W
被引数:
6.7W
机构
引用论文
.png){kind=icon}
A General Framework for Learning-Based Distributionally Robust MPC of Markov Jump Systems马尔可夫跳跃系统基于学习的分布式鲁棒MPC的通用框架
OAAI
OAAI分享收藏Distributionally Robust Risk Map for Learning-Based Motion Planning and Control: A Semidefinite Programming Approach用于基于学习的运动计划和控制的分布式鲁棒风险图: 半定编程方法OAAI
OAAI分享收藏
查看更多内容