Approximate non-linear model predictive control with safety-augmented neural networks

要約

タイトル：安全強化ニューラルネットワークを用いた近似非線形モデル予測制御（Approximate non-linear model predictive control with safety-augmented neural networks）

要約：
– モデル予測制御は一般的な非線形システムにおける安定性と制約条件の達成を実現するが、オンライン最適化による計算負荷が非常に高い。
– 本論文では、ニューラルネットワークを用いたモデル予測制御の近似について研究し、オンライン評価の高速化を実現する。
– 近似不正確性にもかかわらず、収束性と制約の達成に対する確実な保証を提供する安全強化を提案する。
– MPCの全入力シーケンスをNNで近似し、それがMPCの問題に対する実行可能な解であるかをオンラインで検証することができる。それが不可能な場合やより悪いコストになる場合は、標準的なMPC技術に基づく安全候補に置き換える。
– 本手法は、NNの一度の評価と入力シーケンスのオンライン順方向積分を必要とするため、リソース制限のあるシステムでも高速に計算できる。
– 提案された制御フレームワークは、異なる複雑度の非線形MPCベンチマークの3つで示され、オンライン最適化よりも桁違いの計算速度向上が実現される。例として、NAIVE NN IMPLEMENTATION では安全性を確保できなかったが、Safety-augmented NNs を用いて確実な安全性を実現した。

要約(オリジナル)

Model predictive control (MPC) achieves stability and constraint satisfaction for general nonlinear systems, but requires computationally expensive online optimization. This paper studies approximations of such MPC controllers via neural networks (NNs) to achieve fast online evaluation. We propose safety augmentation that yields deterministic guarantees for convergence and constraint satisfaction despite approximation inaccuracies. We approximate the entire input sequence of the MPC with NNs, which allows us to verify online if it is a feasible solution to the MPC problem. We replace the NN solution by a safe candidate based on standard MPC techniques whenever it is infeasible or has worse cost. Our method requires a single evaluation of the NN and forward integration of the input sequence online, which is fast to compute on resource-constrained systems. The proposed control framework is illustrated on three non-linear MPC benchmarks of different complexity, demonstrating computational speedups orders of magnitudes higher than online optimization. In the examples, we achieve deterministic safety through the safety-augmented NNs, where naive NN implementation fails.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI