Multi-Step Model Predictive Safety Filters: Reducing Chattering by Increasing the Prediction Horizon

要約

学習ベースのコントローラーは、さまざまなタスクにおいて従来のコントローラーと比較して優れたパフォーマンスを実証しています。
ただし、安全性の保証を提供することは簡単ではありません。
安全性、つまり状態と入力の制約を満たすことは、学習された制御ポリシーを安全フィルターで強化することによって保証できます。
モデル予測安全フィルター (MPSF) は、モデル予測制御 (MPC) に基づく一般的な安全フィルター アプローチです。
MPSF は、提案された入力とすぐ次のタイム ステップで適用される入力の間の差異を最小限に抑えながら、安全性を保証しようとします。
この限られた先見性により、チャタリングとして知られる、拘束境界付近でぎくしゃくした動きや望ましくない振動が発生する可能性があります。
この論文では、より長い期間にわたる入力補正を考慮することでチャタリングを低減します。
有限モデルの不確実性の仮定の下で、ロバスト MPC の手法を使用して再帰的な実現可能性を証明します。
私たちは、広範なシミュレーションとクアローター実験の両方で、提案されたアプローチを検証しました。
Crazyflie 2.0 ドローンを使った実験では、望ましい安全性の保証を維持することに加えて、提案された MPSF は以前の MPSF 方式と比較してチャタリングを 4 分の 1 以上低減できることを示しました。

要約(オリジナル)

Learning-based controllers have demonstrated superior performance compared to classical controllers in various tasks. However, providing safety guarantees is not trivial. Safety, the satisfaction of state and input constraints, can be guaranteed by augmenting the learned control policy with a safety filter. Model predictive safety filters (MPSFs) are a common safety filtering approach based on model predictive control (MPC). MPSFs seek to guarantee safety while minimizing the difference between the proposed and applied inputs in the immediate next time step. This limited foresight can lead to jerky motions and undesired oscillations close to constraint boundaries, known as chattering. In this paper, we reduce chattering by considering input corrections over a longer horizon. Under the assumption of bounded model uncertainties, we prove recursive feasibility using techniques from robust MPC. We verified the proposed approach in both extensive simulation and quadrotor experiments. In experiments with a Crazyflie 2.0 drone, we show that, in addition to preserving the desired safety guarantees, the proposed MPSF reduces chattering by more than a factor of 4 compared to previous MPSF formulations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google