电气工程与系统科学 > 系统与控制
[提交于 2025年7月18日
]
标题: 无需参考的迭代学习模型预测控制与神经证书
标题: Reference-Free Iterative Learning Model Predictive Control with Neural Certificates
摘要: 在本文中,我们提出了一种新颖的无参考迭代学习模型预测控制(MPC)。 在所提出的方法中,基于控制李雅普诺夫屏障函数(CLBF)的概念,使用从过去控制执行中收集的数据学习一个证书函数,并用于定义当前迭代中的MPC优化问题的终端集和成本。 此方案使得MPC的终端组件在连续迭代中逐步改进。 与依赖混合整数规划且存在数值困难的现有方法不同,所提出的方法将MPC优化问题表述为标准非线性规划,从而实现更高效的在线计算。 所提出的方法满足关键的MPC属性,包括递归可行性和渐近稳定性。 此外,我们证明了在一定假设下,性能成本随着迭代次数的增加而不会增加。 数值实验包括与PyBullet的仿真,证实我们的控制方案迭代地提高了控制性能,并且相比现有方法显著提高了在线计算效率。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.