.png){kind=icon}
返回
Taming non-linearity with local data-driven predictive control☆
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ifacsc.2026.100396.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
模型预测控制（MPC）依赖于动态模型以递推时域方式计算最优控制作用。当准确模型不可用或获取成本高昂时，数据驱动的预测控制（DDPC）为最优控制综合提供了一种可行的替代方案。尽管线性情况现已相对得到较好理解，但非线性系统的理论基础和实践实现仍欠发达。本文提出了一种有效方法以弥合这一差距，通过结合局部线性数据驱动近似，在迭代细化后产生一种用于非线性DDPC的顺序数据驱动二次规划算法。所提出的DDPC框架通过倒立摆基准的广泛数值仿真进行了验证。具体而言，我们展示了（i）随着数据量的增加，闭环性能接近基于模型的MPC，（ii）我们的方法与最近提出的Data Enabled Predictive Control（DeePC）的非线性变体相比具有优势，（iii）该算法可以有效地在线部署，从少量且易于收集的数据集开始，在少数几次试验内实现摆杆起摆。（c）2026 Elsevier Ltd. 版权所有，包括文本和数据挖掘、AI训练以及类似技术的权利。
Keyword:
Learning methods for control
Data-driven control
Predictive control
Non-linear systems
Local linear regression
