Data-Driven Predictive Control Towards Multi-Agent Motion Planning With Non-Parametric Closed-Loop Behavior Learning

要約

多くの特定のシナリオでは、正確で効果的なシステム識別は、モデル予測制御 (MPC) の定式化でよく遭遇する課題です。
結果として、そのような精度が欠けている状況で従来の MPC アルゴリズムを採用すると、結果としてシステム全体のパフォーマンスが大幅に低下する可能性があります。
この論文では、データ駆動型の予測制御フレームワークを支える、マルチエージェント モーション プランニングのためのノンパラメトリック閉ループ動作学習法を調査します。
未知のシステムの閉ループ入力/出力測定による革新的な方法論を利用して、収集されたデータセットに基づいてシステムの動作が学習されるため、構築されたノンパラメトリック予測モデルを使用して最適な制御アクションを決定できます。
このノンパラメトリック予測制御フレームワークは、通常、開ループ入出力測定データの収集とパラメトリック システム識別を必要とする代替方法論の最適化手順で発生する重い計算負荷を軽減します。
提案されたデータ駆動型アプローチは、優れた堅牢性特性を維持することも示されています。
最後に、マルチ UAV システムを使用して、この有望な開発の非常に効果的な成果を実証します。

要約(オリジナル)

In many specific scenarios, accurate and effective system identification is a commonly encountered challenge in the model predictive control (MPC) formulation. As a consequence, the overall system performance could be significantly weakened in outcome when the traditional MPC algorithm is adopted under those circumstances when such accuracy is lacking. This paper investigates a non-parametric closed-loop behavior learning method for multi-agent motion planning, which underpins a data-driven predictive control framework. Utilizing an innovative methodology with closed-loop input/output measurements of the unknown system, the behavior of the system is learned based on the collected dataset, and thus the constructed non-parametric predictive model can be used to determine the optimal control actions. This non-parametric predictive control framework alleviates the heavy computational burden commonly encountered in the optimization procedures typically in alternate methodologies requiring open-loop input/output measurement data collection and parametric system identification. The proposed data-driven approach is also shown to preserve good robustness properties. Finally, a multi-UAV system is used to demonstrate the highly effective outcome of this promising development.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google