Generalized Benders Decomposition with Continual Learning for Hybrid Model Predictive Control in Dynamic Environment

要約

連続変数と離散変数の両方を使用するハイブリッド モデル予測制御 (MPC) は、ロボット制御タスク、特に環境との接触を伴うタスクに広く適用できます。
組み合わせの複雑さのため、ハイブリッド MPC の解決速度はリアルタイム アプリケーションには不十分な場合があります。
この論文では、継続学習を備えた一般化ベンダー分解 (GBD) に基づくハイブリッド MPC ソルバーを提案しました。
このアルゴリズムは、部分問題の不変双対空間から切断面を蓄積します。
短いコールド スタート フェーズの後、蓄積されたカットによって新しい問題インスタンスのウォーム スタートが提供され、解決速度が向上します。
制御が準備されていないランダムに変化する環境にもかかわらず、解決速度は維持されます。
ランダムに移動するソフトコンタクトウォールを備えたカートポールシステムを制御するソルバーを検証し、解決速度が既製のソルバー Gurobi より 2 ～ 3 倍速いことを示しました。

要約(オリジナル)

Hybrid model predictive control (MPC) with both continuous and discrete variables is widely applicable to robotic control tasks, especially those involving contact with the environment. Due to the combinatorial complexity, the solving speed of hybrid MPC can be insufficient for real-time applications. In this paper, we proposed a hybrid MPC solver based on Generalized Benders Decomposition (GBD) with continual learning. The algorithm accumulates cutting planes from the invariant dual space of the subproblems. After a short cold-start phase, the accumulated cuts provide warm-starts for the new problem instances to increase the solving speed. Despite the randomly changing environment that the control is unprepared for, the solving speed maintains. We verified our solver on controlling a cart-pole system with randomly moving soft contact walls and show that the solving speed is 2-3 times faster than the off-the-shelf solver Gurobi.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google