Faster Model Predictive Control via Self-Supervised Initialization Learning

要約

さまざまな方法論にまたがるロボット制御タスクの最適化には、モデル予測制御（MPC）が含まれます。
ただし、非凸および非分化不可能なコスト関数や長期にわたる計画視野などのシステムの複雑さは、しばしば計算時間を大幅に増加させ、MPCの実際の適用性を制限します。
最適化をスピードアップするための以前の作業には、MPCの実行時間を直接最適化し、ドメインを保持するために一般化することに制限があります。
この課題を克服するために、最適化プロセスを直接促進することを目的とした新しいフレームワークを開発します。
私たちのフレームワークでは、オフラインの自己教師の学習とオンライン微調整を組み合わせて、制御パフォーマンスを改善し、最適化時間を短縮します。
私たちは、斬新で挑戦的なフォーミュラ1トラックのドライビングタスクでの方法の成功を実証します。
単相トレーニングと比較して、当社のアプローチは、最適化時間の19.4％の短縮と、ゼロショットトラックの追跡精度の6.3％の改善を達成します。

要約(オリジナル)

Optimization for robot control tasks, spanning various methodologies, includes Model Predictive Control (MPC). However, the complexity of the system, such as non-convex and non-differentiable cost functions and prolonged planning horizons often drastically increases the computation time, limiting MPC’s real-world applicability. Prior works in speeding up the optimization have limitations on optimizing MPC running time directly and generalizing to hold out domains. To overcome this challenge, we develop a novel framework aiming at expediting optimization processes directly. In our framework, we combine offline self-supervised learning and online fine-tuning to improve the control performance and reduce optimization time. We demonstrate the success of our method on a novel and challenging Formula 1 track driving task. Comparing to single-phase training, our approach achieves a 19.4\% reduction in optimization time and a 6.3\% improvement in tracking accuracy on zero-shot tracks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google