Differentiable Robust Model Predictive Control

要約

決定論的モデル予測制御 (MPC) は強力ですが、現実世界の自律システムを効果的に制御するには不十分なことがよくあります。
環境ノイズやモデル誤差などの要因により、予想される公称性能からの逸脱が生じる可能性があります。
堅牢な MPC アルゴリズムは、決定的な制御と不確実な制御の間のギャップを埋めることを目的としています。
ただし、これらの方法は、コントローラー パラメーターがパフォーマンスに与える非線形および非直感的な影響のため、堅牢性を調整するのが非常に難しいことがよくあります。
この課題に対処するために、まず、陰関数定理 (IFT) を使用した制御の微分可能最適化に関する統一的な観点を提示します。IFT から既存の最先端の手法を導き出すことができます。
IFT は微分動的プログラミングと同様に、効率的な微分可能な最適な制御フレームワークの導出を可能にします。
その後、派生したスキームを真空管ベースの MPC アーキテクチャと組み合わせることで、大きな不確実性や外乱が存在する場合でもロバスト コントローラーの自動かつリアルタイムの調整が容易になります。
提案されたアルゴリズムは、その有効性を実証するために、MuJoCo シミュレータ環境の 2 つのシステムと Robotarium テストベッドでの 1 つのハードウェア実験を含む複数の非線形ロボット システムでベンチマークが行われます。

要約(オリジナル)

Deterministic model predictive control (MPC), while powerful, is often insufficient for effectively controlling autonomous systems in the real-world. Factors such as environmental noise and model error can cause deviations from the expected nominal performance. Robust MPC algorithms aim to bridge this gap between deterministic and uncertain control. However, these methods are often excessively difficult to tune for robustness due to the nonlinear and non-intuitive effects that controller parameters have on performance. To address this challenge, we first present a unifying perspective on differentiable optimization for control using the implicit function theorem (IFT), from which existing state-of-the art methods can be derived. Drawing parallels with differential dynamic programming, the IFT enables the derivation of an efficient differentiable optimal control framework. The derived scheme is subsequently paired with a tube-based MPC architecture to facilitate the automatic and real-time tuning of robust controllers in the presence of large uncertainties and disturbances. The proposed algorithm is benchmarked on multiple nonlinear robotic systems, including two systems in the MuJoCo simulator environment and one hardware experiment on the Robotarium testbed, to demonstrate its efficacy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google