⚡ electrical engineering

Adaptive MPC for Constrained Trajectory Tracking of Uncertain LTI System with Input-Rate Limits

Dieser Beitrag schlägt ein systematisches adaptives Modellprädiktives Regelungs-(MPC-)Rahmenwerk vor, das für diskrete unsichere lineare Systeme bei der Verfolgung von Trajektorien unter gleichzeitigen harten Beschränkungen für Zustände, Eingänge und Eingangsänderungsraten eine rekursive Zulässigkeit und geschlossene Stabilität gewährleistet, indem Parameterschätzung mit einer umformulierten Optimierungsprozedur integriert wird, um Herausforderungen der zeitlichen Kopplung zu überwinden.

Ursprüngliche Autoren: Bishal Dey, Abhishek Dhar, Sumit kr. Pandey, Anindita Sengupta

Veröffentlicht 2026-05-07

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Bishal Dey, Abhishek Dhar, Sumit kr. Pandey, Anindita Sengupta

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, ein Auto zu fahren, das Sie noch nie gesehen haben, auf einer kurvigen Straße, die Sie noch nie befahren haben. Das Auto ist etwas „wackelig", weil Sie nicht genau wissen, wie schwer es ist oder wie reaktionsschnell sein Motor ist (dies ist die Unsicherheit). Darüber hinaus gibt es strenge Regeln: Sie dürfen nicht schneller als eine bestimmte Geschwindigkeit fahren (Zustandsbeschränkungen), Sie dürfen das Gaspedal nicht stärker als ein bestimmtes Limit durchdrücken (Eingangsbeschränkungen), und Sie dürfen das Pedal nicht von null auf Vollgas sofort umschalten – Sie müssen sanft und allmählich hineingehen (Eingangsrate-Beschränkungen).

Dieser Artikel stellt ein intelligentes Fahrsystem vor, das Adaptive Model Predictive Control (MPC) genannt wird und genau für dieses Szenario entwickelt wurde. Hier ist die Funktionsweise, aufgeschlüsselt in einfache Konzepte:

1. Das Problem: Das „wackelige" Auto und die strengen Regeln

Die meisten Standard-Fahrsysteme gehen davon aus, dass sie das Auto perfekt kennen. Wenn sich herausstellt, dass das Auto schwerer ist als erwartet, könnte das System einen Unfall verursachen oder gegen die Regeln verstoßen.

Die Herausforderung: Die Autoren befassen sich mit einem System, bei dem der „Motor" und das „Gewicht" (die mathematischen Parameter) unbekannt sind und sich ändern können.
Die Schwierigkeit: Normalerweise wird die Mathematik unglaublich kompliziert, wenn Sie einen bestimmten Pfad (Trajektorie) einhalten müssen und gleichzeitig strenge Regeln bezüglich der Beschleunigung oder Verzögerung einhalten müssen. Es ist wie der Versuch, ein Puzzle zu lösen, bei dem sich die Teile ständig in ihrer Form verändern, und Sie sicherstellen müssen, dass Sie niemals die Ränder des Tisches berühren.

2. Die Lösung: Ein „lernender" GPS-Empfänger

Die Autoren haben ein System entwickelt, das wie ein GPS funktioniert, das das Fahrverhalten des Autos während der Fahrt lernt.

Die „Fehler"-Karte: Anstatt zu versuchen, das Auto direkt von Punkt A nach Punkt B zu fahren, schreibt das System das Problem um. Es fragt: „Wie weit sind wir vom idealen Pfad entfernt?" und konzentriert sich ausschließlich darauf, diese Lücke zu schließen. Dies verwandelt ein komplexes Problem des „Folgen der Straße" in ein einfacheres Problem des „Bleibens in der Mitte der Fahrspur".
Der adaptive Lerner: Da das System die wahren Spezifikationen des Autos nicht kennt, trifft es eine Annahme. Während es fährt, beobachtet es, wie das Auto tatsächlich reagiert. Wenn sich das Auto langsamer bewegt als von der Annahme vorhergesagt, aktualisiert das System sein internes Modell. Es ist wie ein Schüler, der einen Test macht, sieht, welche Antworten falsch waren, und sofort diese spezifischen Themen nacharbeitet, um beim nächsten Mal besser zu werden.
Der „Rohr"-Sicherheitsgurt: Um damit umzugehen, dass das System noch lernt, baut es einen Sicherheitspuffer (ein „Rohr") um den idealen Pfad. Selbst wenn das Auto wackelt, weil das Modell noch nicht perfekt ist, stellt das System sicher, dass das Auto innerhalb dieses sicheren Rohrs bleibt und niemals die Wände (die Beschränkungen) berührt.

3. Der „Eingangsrate"-Twist

Ein einzigartiger Teil dieses Artikels ist der Fokus auf Eingangsrate-Beschränkungen.

Die Analogie: Stellen Sie sich vor, Sie steuern ein Boot. Sie können das Lenkrad nicht einfach sofort um 90 Grad drehen; der Wasserwiderstand und der Schwung des Bootes bedeuten, dass Sie das Lenkrad sanft drehen müssen.
Die Innovation: Die meisten früheren Methoden ignorierten diese „Sanftheits"-Regel oder handhabten sie nur für einfache Fälle. Dieser Artikel ermittelt, wie eine Reihe sanfter Kurven geplant werden kann, während das System noch das Gewicht des Bootes lernt. Es stellt sicher, dass der Plan für die nächste Kurve immer möglich ist, selbst wenn die vorherige Kurve etwas anders war als erwartet.

4. Die Garantie: „Rekursive Zulässigkeit"**

Dies ist ein komplizierter Begriff für eine sehr praktische Zusage: „Wenn wir das Puzzle jetzt lösen können, garantieren wir, dass wir es in der nächsten Sekunde und in der Sekunde danach wieder lösen können."

Da das System lernt und die Regeln streng sind, bestand die Angst, dass das System in einer Situation stecken bleiben könnte, in der kein gültiger Zug möglich ist (eine Sackgasse).
Die Autoren haben mathematisch bewiesen, dass ihr „lernender GPS-Empfänger" niemals stecken bleibt. Es findet immer einen gültigen, sicheren Weg nach vorne, egal wie sich die unbekannten Parameter des Autos verhalten.

5. Die Ergebnisse: Die Simulation

Die Autoren testeten dies in einer Computersimulation eines zweirädrigen Fahrzeugs (wie einer Drohne oder einem Roboter).

Sie gaben dem System einen kurvigen Pfad, dem es folgen sollte.
Sie machten die Physik des Fahrzeugs unbekannt und leicht anders als das Modell.
Das Ergebnis: Das Fahrzeug folgte erfolgreich dem Pfad, verletzte niemals die Geschwindigkeitsbegrenzungen, schlug niemals die Bedienelemente hart an, und der „lernende" Teil ermittelte schnell das wahre Verhalten des Fahrzeugs. Die Fehler (der Abstand zwischen dem Ort, an dem sich das Auto befand, und dem Ort, an dem es sein sollte), schrumpften im Laufe der Zeit auf null.

Zusammenfassung

Kurz gesagt lehrt dieser Artikel einem Roboter, wie man ein Auto fährt, das es nicht vollständig versteht, während es strenge Regeln bezüglich Geschwindigkeit und Sanftheit einhält. Dies geschieht durch ständige Aktualisierung des Verständnisses des Autos, Planung mehrerer Schritte im Voraus und mathematische Garantie, dass niemals sichere Bewegungen ausgehen, was eine sanfte und sichere Reise zum Ziel gewährleistet.

Technische Zusammenfassung: Adaptive MPC für die eingeschränkte Trajektorienverfolgung unsicherer LTI-Systeme mit Eingangs-Ratenbegrenzungen

Problemstellung
Dieser Beitrag behandelt das Problem der Trajektorienverfolgung für diskrete lineare zeitinvariante (LTI) Systeme unter beschränkter parametrischer Unsicherheit. Das Regelungsdesign muss gleichzeitig harte Beschränkungen für Systemzustände, Stellgrößen und, entscheidend, für Eingangs-Raten (Inkremente) erfüllen. Während die Modellprädiktive Regelung (MPC) ein Standardrahmen zur Behandlung von Beschränkungen ist, stützt sich die klassische MPC auf genaue Prozessmodelle, die aufgrund von Modellierungsfehlern und Parameteränderungen oft nicht verfügbar sind. Bestehende adaptive MPC-Ansätze konzentrieren sich häufig auf Regelungsprobleme, lassen Eingangs-Ratenbeschränkungen außer Acht oder versagen bei der Bewältigung der durch Eingangs-Ratenbegrenzungen unter voller parametrischer Unsicherheit eingeführten zeitlichen Kopplung. Die spezifische Herausforderung besteht darin, die für einen Null-Verfolgungsfehler erforderliche Stellgröße zu bestimmen, wenn Systemparameter unbekannt sind, und gleichzeitig sicherzustellen, dass die durch Eingangs-Ratenbeschränkungen induzierte, zeitvariante zulässige Stellgrößenmenge die rekursive Zulässigkeit oder die Stabilität des geschlossenen Regelkreises nicht beeinträchtigt.

Methodik
Die vorgeschlagene Lösung ist ein adaptives MPC-Rahmenwerk, das das Trajektorienverfolgungsproblem unter Verwendung von Fehlerkoordinaten relativ zu einer zeitvariierenden Referenztrajektorie in ein Regelungsproblem transformiert. Die Methodik durchläuft mehrere Schlüsselschritte:

Systemreformulierung: Die Systemdynamik wird in Bezug auf Fehlerzustände ( $x^e_k = x_k - x^r_k$ ) und Fehlerstellgrößen ( $u^e_k = u_k - u^r_k$ ) ausgedrückt. Diese Transformation ermöglicht es, das Verfolgungsproblem als Regelungsproblem zu behandeln, bei dem das Ziel darin besteht, die Fehlerzustände in den Ursprung zu treiben.
Indirektes adaptives Gesetz: Ein projektionsbasiertes Gradientenabstiegs-Verfahren zur Parameterschätzung wird eingesetzt, um die lumpierten unsicheren Parameter ( $\Theta = [A, B]$ ) online zu schätzen. Die Schätzwerte werden so eingeschränkt, dass sie innerhalb einer bekannten konvexen Hülle ( $\Psi$ ) möglicher Parameterwerte liegen, um Beschränktheit zu gewährleisten.
Charakterisierung der Fehlermengen: Der Beitrag definiert rigoros Mengen, die die durch Parameteranpassung induzierten Fehler ( $\tilde{x}^e_k$ ) und die Variation der Parameterschätzwerte ( $\Delta \hat{\Theta}$ ) begrenzen. Diese Mengen werden verwendet, um die Beschränkungen im MPC-Optimierungsproblem zu verschärfen.
Beschränkungsreformulierung: Zustands-, Eingangs- und Eingangs-Ratenbeschränkungen werden im Bereich der Fehlerdynamik reformuliert. Ein wesentlicher Beitrag ist die Behandlung von Eingangs-Ratenbeschränkungen, die eine zeitliche Kopplung zwischen aufeinanderfolgenden Stellgrößen einführen. Die zulässige Stellgrößenmenge erweist sich als zeitvariant aufgrund ihrer Abhängigkeit von der vorherigen Stellgröße, bleibt jedoch ein konvexes Polytop.
Robuste MPC-Formulierung: Die Stellgröße wird in einen stabilisierenden Zustandsrückführungs-Term ( $Kx^e_k$ ) und eine freie Optimierungsvariable ( $v^e_k$ ) zerlegt. Das MPC-Optimierungsproblem wird unter Verwendung eines nominalen Prädiktionsmodells basierend auf aktuellen Parameterschätzwerten formuliert. Um Robustheit gegenüber Schätzfehlern zu gewährleisten, werden die Beschränkungen für die nominalen prädizierten Zustände durch Subtraktion der berechneten Fehlermengen ( $Z^\Theta_i$ und $Z^{\tilde{x}^e}$ ) verschärft.
Stabilitäts- und Zulässigkeitsanalyse:
- Rekursive Zulässigkeit: Der Beitrag zeigt, dass trotz der zeitvariierenden Natur der zulässigen Stellgrößenmenge das Optimierungsproblem rekursiv zulässig bleibt. Dies wird durch die Konstruktion einer zulässigen Kandidatenlösung im nächsten Zeitschritt basierend auf der optimalen Lösung des aktuellen Schritts bewiesen, wobei die Verschiebung der Eingangs-Ratenbeschränkung berücksichtigt wird.
- Stabilität des geschlossenen Regelkreises: Mittels einer Lyapunov-basierten Analyse wird nachgewiesen, dass der geschlossene Regelkreis beschränkt ist und der Verfolgungsfehler asymptotisch gegen Null konvergiert. Die Analyse berücksichtigt die Beschränktheit der Parameterschätzfehler sowie die Störgrößen, die aus Modellabweichungen resultieren.

Hauptbeiträge

Systematische adaptive MPC für die Verfolgung: Im Gegensatz zu früheren Arbeiten, die sich auf Regelung oder teilweise Beschränkungen konzentrieren, bietet diese Arbeit eine systematische Lösung für die eingeschränkte Trajektorienverfolgung unter voller parametrischer Unsicherheit.
Behandlung von Eingangs-Ratenbeschränkungen: Der Beitrag adressiert explizit die Komplexität, die durch Eingangs-Ratenbeschränkungen eingeführt wird, die aufeinanderfolgende Stellgrößen koppeln und eine zeitvariante zulässige Menge erzeugen. Er zeigt auf, wie in diesem spezifischen Kontext die rekursive Zulässigkeit aufrechterhalten werden kann.
Rigorose Zulässigkeits- und Stabilitätsbeweise: Die Autoren liefern rigorose mathematische Beweise sowohl für die rekursive Zulässigkeit als auch für die Stabilität des geschlossenen Regelkreises (Konvergenz des Verfolgungsfehlers und Beschränktheit der physikalischen Zustände) trotz des Vorhandenseins von Unsicherheit und zeitvariierenden Beschränkungen.
Strategie zur Verschärfung von Beschränkungen: Die Methode nutzt adaptiv geschätzte Parameter und abgeleitete Fehlergrenzen, um die Beschränkungen im Optimierungsverfahren zu verschärfen und sicherzustellen, dass die tatsächlichen Systemzustände die ursprünglichen physikalischen Beschränkungen erfüllen.

Simulationsergebnisse
Die Wirksamkeit des vorgeschlagenen Rahmenwerks wird durch Simulationen an einem diskreten System zweiter Ordnung mit unsicheren Parametern validiert. Das System hat die Aufgabe, eine zeitvariierende Referenztrajektorie unter Einhaltung von Beschränkungen für Zustände ( $\|x\|_\infty \leq 2.25$ ), Eingänge ( $\|u\|_\infty \leq 3$ ) und Eingangs-Raten ( $\|\Delta u\|_\infty \leq 2.5$ ) zu verfolgen.

Die Simulationen zeigen, dass die Systemzustände die Referenztrajektorie erfolgreich verfolgen und innerhalb der vorgeschriebenen Grenzen bleiben.
Stellgrößen und deren Raten erfüllen die auferlegten Beschränkungen während der gesamten Simulation.
Die Schätzfehler der Parameter bleiben beschränkt. Eine bemerkenswerte Beobachtung ist, dass eine plötzliche Änderung der Referenztrajektorie bei $t=30$ s eine Transiente im Parameterschätzfehler induziert, die anschließend abklingt, während das adaptive Gesetz wieder einsetzt, um der neuen Referenz zu folgen.
Die Fehlerzustände konvergieren gegen den Ursprung, was die Stabilitätsbehauptungen bestätigt.

Bedeutung und Behauptungen
Der Beitrag beansprucht, ein rechnerisch handhabbares und theoretisch fundiertes Regelungsrahmenwerk für sicherheitskritische Anwendungen (wie Luft- und Raumfahrt, autonome Fahrzeuge und Robotik) anzubieten, bei denen eine genaue Trajektorienverfolgung trotz Modellunsicherheiten und strenger physikalischer Grenzen der Aktuatoren erforderlich ist. Die primäre Bedeutung liegt in der Überwindung der Schwierigkeit, die Einhaltung von Beschränkungen und die Leistungsfähigkeit sowohl bei parametrischer Unsicherheit als auch bei Eingangs-Ratenbeschränkungen zu garantieren, eine Kombination, die Standardargumente zur rekursiven Zulässigkeit unanwendbar macht. Die Arbeit behauptet, dass durch die systematische Nutzung geschätzter Parameter und die Reformulierung des MPC-Problems mit angemessener Verschärfung der Beschränkungen eine robuste eingeschränkte Trajektorienverfolgung mit garantierter Stabilität und rekursiver Zulässigkeit erreichbar ist.