Robust Nonlinear Reduced-Order Model Predictive Control

要約

現実世界のシステムは高次元の非線形ダイナミクスによって特徴付けられることが多く、リアルタイムで制御することが困難になります。
モデルベースの制御スキームでは低次数モデル (ROM) が頻繁に使用されますが、次元削減によりモデルの不確実性が導入され、元の高次元システムの安定性と安全性が損なわれる可能性があります。
この研究では、非線形高次元システムの制約付き最適制御問題を解決するための新しい低次数モデル予測制御 (ROMPC) スキームを提案します。
予測制御スキームで ROM を使用する際の課題に対処するために、モデル削減誤差を動的に考慮する誤差境界システムを導出します。
これらの境界を使用して、堅牢な制約満足度、再帰的実現可能性、漸近的安定性を保証する堅牢な MPC スキームを設計します。
10,000近くの状態を持つ高次元ソフトロボットのシミュレーションにおいて、提案手法の有効性を実証します。

要約(オリジナル)

Real-world systems are often characterized by high-dimensional nonlinear dynamics, making them challenging to control in real time. While reduced-order models (ROMs) are frequently employed in model-based control schemes, dimensionality reduction introduces model uncertainty which can potentially compromise the stability and safety of the original high-dimensional system. In this work, we propose a novel reduced-order model predictive control (ROMPC) scheme to solve constrained optimal control problems for nonlinear, high-dimensional systems. To address the challenges of using ROMs in predictive control schemes, we derive an error bounding system that dynamically accounts for model reduction error. Using these bounds, we design a robust MPC scheme that ensures robust constraint satisfaction, recursive feasibility, and asymptotic stability. We demonstrate the effectiveness of our proposed method in simulations on a high-dimensional soft robot with nearly 10,000 states.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google