要約
データ対応の予測制御（DEEPC）は最近、制約処理機能を備えた効率的なシステム制御のための強力なデータ駆動型アプローチとして浮上しました。
入出力（I/O）データを直接利用して、コストがかかり、時間がかかる可能性のある明示的なモデル識別のプロセスをバイパスすることにより、最適なコントロールを実行します。
ただし、大規模な最適化問題（通常、モデルベースのカウンターパートよりも高い次元であるモデル予測制御）によって駆動される高い計算の複雑さは、リアルタイムアプリケーションを妨げます。
この制限を克服するために、データ対応の隣接する極端な（deene）フレームワークを提案します。これにより、制御パフォーマンスを維持しながら計算コストが大幅に削減されます。
Deeneは、初期条件と参照軌跡の変化に応じて、事前計算された公称DEEPCソリューションを効率的に更新するために、1次の最適性摂動分析を活用します。
7-DOF Kinova Gen3ロボットアームに対する有効性を検証し、大幅な計算節約と堅牢なデータ駆動型のコントロールパフォーマンスを実証します。
要約(オリジナル)
Data-enabled predictive control (DeePC) has recently emerged as a powerful data-driven approach for efficient system controls with constraints handling capabilities. It performs optimal controls by directly harnessing input-output (I/O) data, bypassing the process of explicit model identification that can be costly and time-consuming. However, its high computational complexity, driven by a large-scale optimization problem (typically in a higher dimension than its model-based counterpart–Model Predictive Control), hinders real-time applications. To overcome this limitation, we propose the data-enabled neighboring extremal (DeeNE) framework, which significantly reduces computational cost while preserving control performance. DeeNE leverages first-order optimality perturbation analysis to efficiently update a precomputed nominal DeePC solution in response to changes in initial conditions and reference trajectories. We validate its effectiveness on a 7-DoF KINOVA Gen3 robotic arm, demonstrating substantial computational savings and robust, data-driven control performance.
arxiv情報
| 著者 | Amin Vahidi-Moghaddam,Keyi Zhu,Kaixiang Zhang,Ziyou Song,Zhaojian Li |
| 発行日 | 2025-04-09 21:30:37+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google