Core Concepts
過去のデータを活用して、モデル予測制御の最適化問題の制約を適応的に除去することで、オンラインでの計算を高速化する。
Abstract
本論文では、モデル予測制御(MPC)の最適化問題を高速化する手法を提案している。MPCは実時間で最適制御問題を解くが、制約が多数ある場合には計算負荷が高くなる問題がある。
提案手法では、過去のデータを活用して、現在の状態に応じて最適化問題の制約を適応的に除去することで、計算時間を大幅に削減する。具体的には以下の手順で行う:
MPCの最適解がリプシッツ連続であることを示し、リプシッツ定数を明示的に計算する手法を提案する。これにより、過去の状態と現在の状態の距離に応じて、最適解の変化を予測できる。
過去の最適解と現在の状態の距離に基づいて、現在の最適化問題から除去可能な制約を特定する。これにより、最適化問題のサイズを縮小できる。
提案手法を用いた適応的MPC(ca-MPC)のアルゴリズムを示し、元のMPCと同じ軌道を生成しつつ、計算時間を大幅に削減できることを示す。
シミュレーションでは、二重積分システムの制御問題に適用し、提案手法が元のMPCと同等の性能を維持しつつ、制約数と計算時間を大幅に削減できることを確認している。
Stats
提案手法のリプシッツ定数は、モデルパラメータから明示的に計算可能である。
提案手法は、元のMPCと同等の性能を維持しつつ、制約数を80%以上削減し、計算時間を10倍以上高速化できる。
Quotes
"過去のデータを活用して、現在の状態に応じて最適化問題の制約を適応的に除去することで、計算時間を大幅に削減する。"
"提案手法を用いた適応的MPC(ca-MPC)のアルゴリズムを示し、元のMPCと同じ軌道を生成しつつ、計算時間を大幅に削減できることを示す。"