Adaptive Complexity Model Predictive Control

要約

この研究では、実現可能性と安定性の保証を維持しながら、タスクに基づいてモデルの複雑さについて適応的に推論するモデル予測制御 (MPC) の定式化を導入します。
既存の MPC 実装は、多くの場合、予測範囲を短縮したりモデルを単純化することで計算の複雑さに対処していますが、どちらも不安定性を引き起こす可能性があります。
行動経済学、運動計画、生体力学の関連アプローチにインスピレーションを得た私たちの方法は、ダイナミクスと地平線上の領域にわたる制約の単純なモデルを使用して、そのようなモデルが実現可能な場合と、そうでない場合には複雑なモデルを使用して MPC 問題を解決します。
このアプローチでは、計画と実行のインターリーブを活用して、これらの領域を繰り返し識別します。これらの領域が正確なテンプレート/アンカー関係を満たしていれば、安全に単純化できます。
この方法がシステムの安定性と実現可能性の特性を損なわないことを示し、対象地形上で機敏な動作を実行する四足ロボットのシミュレーション実験でパフォーマンスを測定します。
この適応方法により、固定複雑さの実装と比較して、より機敏な動作が可能になり、実行可能なタスクの範囲が拡大することがわかりました。

要約(オリジナル)

This work introduces a formulation of model predictive control (MPC) which adaptively reasons about the complexity of the model based on the task while maintaining feasibility and stability guarantees. Existing MPC implementations often handle computational complexity by shortening prediction horizons or simplifying models, both of which can result in instability. Inspired by related approaches in behavioral economics, motion planning, and biomechanics, our method solves MPC problems with a simple model for dynamics and constraints over regions of the horizon where such a model is feasible and a complex model where it is not. The approach leverages an interleaving of planning and execution to iteratively identify these regions, which can be safely simplified if they satisfy an exact template/anchor relationship. We show that this method does not compromise the stability and feasibility properties of the system, and measure performance in simulation experiments on a quadrupedal robot executing agile behaviors over terrains of interest. We find that this adaptive method enables more agile motion and expands the range of executable tasks compared to fixed-complexity implementations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google