Differentiable Nonlinear Model Predictive Control

要約

パラメトリック解感応度の効率的な計算は、非線形モデル予測制御(MPC)と学習強化手法の統合における重要な課題である。機械学習コミュニティで発表されているアプローチは、凸または制約のない定式化に限定されているが、本稿では、陰関数定理（IFT）と内点法（IPM）で扱われる平滑化最適化条件を用いて、一般的な非線形プログラム（NLP）の解の感度計算について議論する。本論文では、2次部分問題にIPMを用いる逐次2次計画法（SQP）における感度計算について詳述する。本論文は、一般的な最適制御問題に対して、順関数と随伴関数の両方の感度計算を提供し、最先端のソルバーmpc.pytorchの3倍を超えるスピードアップを達成する、フレームワーク内での効率的なオープンソース実装を伴っている。

要約(オリジナル)

The efficient computation of parametric solution sensitivities is a key challenge in the integration of learning-enhanced methods with nonlinear model predictive control (MPC), as their availability is crucial for many learning algorithms. While approaches presented in the machine learning community are limited to convex or unconstrained formulations, this paper discusses the computation of solution sensitivities of general nonlinear programs (NLPs) using the implicit function theorem (IFT) and smoothed optimality conditions treated in interior-point methods (IPM). We detail sensitivity computation within a sequential quadratic programming (SQP) method which employs an IPM for the quadratic subproblems. The publication is accompanied by an efficient open-source implementation within the framework, providing both forward and adjoint sensitivities for general optimal control problems, achieving speedups exceeding 3x over the state-of-the-art solver mpc.pytorch.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL