Probably Approximately Correct Nonlinear Model Predictive Control (PAC-NMPC)

要約

確率的非線形モデル予測制御 (SNMPC) のアプローチは通常、システム ダイナミクスについて限定的な仮定を立て、近似値に依存して基礎となる不確実性分布の展開を特徴付けます。
このため、より複雑な分布 (非ガウス分布やマルチモーダル分布など) を捕捉できないことが多く、パフォーマンスの正確な保証を提供できません。
このペーパーでは、システムのダイナミクスや根底にある不確実性の分布についての仮定をせずに、最近導出されたサンプルの複雑さの限界を利用してフィードバック ポリシーのパフォーマンスを認証する、サンプリング ベースの SNMPC アプローチを紹介します。
私たちのアプローチを並列化することで、1/10 スケールのラリーカーと翼幅 24 インチの固定翼無人航空機 (UAV) を使用して、シミュレーションおよびハードウェア上で統計的安全性が保証されたリアルタイムの後退地平線 SNMPC を実証することができます。

要約(オリジナル)

Approaches for stochastic nonlinear model predictive control (SNMPC) typically make restrictive assumptions about the system dynamics and rely on approximations to characterize the evolution of the underlying uncertainty distributions. For this reason, they are often unable to capture more complex distributions (e.g., non-Gaussian or multi-modal) and cannot provide accurate guarantees of performance. In this paper, we present a sampling-based SNMPC approach that leverages recently derived sample complexity bounds to certify the performance of a feedback policy without making assumptions about the system dynamics or underlying uncertainty distributions. By parallelizing our approach, we are able to demonstrate real-time receding-horizon SNMPC with statistical safety guarantees in simulation and on hardware using a 1/10th scale rally car and a 24-inch wingspan fixed-wing unmanned aerial vehicle (UAV).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google