Learning-enhanced Nonlinear Model Predictive Control using Knowledge-based Neural Ordinary Differential Equations and Deep Ensembles

要約

非線形モデル予測制御 (MPC) は、状態と制御入力の両方の制約を満たすフィードバック制御戦略を合成するために使用される、柔軟で人気が高まっているフレームワークです。
このフレームワークでは、非線形ダイナミクス モデルによって特徴付けられる一連のダイナミクス制約を受ける最適化問題が各タイム ステップで解決されます。
多用途性にもかかわらず、非線形 MPC のパフォーマンスは多くの場合、ダイナミクス モデルの精度に依存します。
この研究では、知識ベースのニューラル常微分方程式 (KNODE) とディープ アンサンブルといった深層学習ツールを活用して、このモデルの予測精度を向上させています。
特に、真のシステムダイナミクスの正確な予測を取得するために、KNODE アンサンブルと呼ばれる KNODE モデルのアンサンブルを学習します。
この学習されたモデルは、新しい学習強化型非線形 MPC フレームワークに統合されます。
閉ループ システムの漸近安定性を保証する十分な条件を提供し、これらの条件が実際に実装できることを示します。
KNODE アンサンブルがより正確な予測を提供することを示し、2 つのケース スタディを使用して、提案された非線形 MPC フレームワークの有効性と閉ループ パフォーマンスを示します。

要約(オリジナル)

Nonlinear model predictive control (MPC) is a flexible and increasingly popular framework used to synthesize feedback control strategies that can satisfy both state and control input constraints. In this framework, an optimization problem, subjected to a set of dynamics constraints characterized by a nonlinear dynamics model, is solved at each time step. Despite its versatility, the performance of nonlinear MPC often depends on the accuracy of the dynamics model. In this work, we leverage deep learning tools, namely knowledge-based neural ordinary differential equations (KNODE) and deep ensembles, to improve the prediction accuracy of this model. In particular, we learn an ensemble of KNODE models, which we refer to as the KNODE ensemble, to obtain an accurate prediction of the true system dynamics. This learned model is then integrated into a novel learning-enhanced nonlinear MPC framework. We provide sufficient conditions that guarantees asymptotic stability of the closed-loop system and show that these conditions can be implemented in practice. We show that the KNODE ensemble provides more accurate predictions and illustrate the efficacy and closed-loop performance of the proposed nonlinear MPC framework using two case studies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google