⚡ electrical engineering

Distributed model predictive control without terminal cost under inexact distributed optimization

本文提出了一种针对具有耦合约束的线性离散时间系统的创新分布式模型预测控制方案，该方案通过引入基于松弛动态规划的稳定性约束，并利用带有约束收紧的无违规分布式方法求解所得优化问题，从而在不引入终端代价的情况下保证了闭环稳定性。

原作者： Xiaoyu Liu, Dimos V. Dimarogonas, Changxin Liu, Azita Dabiri, Bart De Schutter

发布于 2026-06-12

📖 1 分钟阅读☕ 轻松阅读

原作者： Xiaoyu Liu, Dimos V. Dimarogonas, Changxin Liu, Azita Dabiri, Bart De Schutter

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一群自动驾驶货车在高速公路上紧密编队行驶。它们需要彼此靠近以节省燃料，但同时也绝不能发生碰撞，并且所有车辆都必须就行驶速度达成一致。这是一个经典的分布式模型预测控制 (Distributed Model Predictive Control, MPC) 问题。

可以将 MPC 想象成每辆货车的“水晶球”。每秒钟，每辆货车都会展望未来（例如 10 秒），计算出自身及邻近车辆的最佳路径，但随后仅执行该计划中的第一步，然后再次重新计算一切。

然而，为整个车队进行这种计算是非常困难的。如果每辆货车都试图同时解决整个车队的数学问题，速度会太慢。因此，它们尝试进行局部求解，即每辆货车在进行自身数学计算的同时，与邻近的车辆进行沟通。但这里有两个该论文解决的难题：

“安全网”问题： 通常，为了证明货车不会发生碰撞或失控，工程师必须在预测的末端设计一个复杂的“安全网”（称为“终端代价/Terminal Cost”）。这就像是强迫每辆货车承诺：“我将在 10 秒后正好停在某个特定的停车位上。”这种要求非常僵化且难以协调。
“匆忙计算”问题： 在现实世界中，货车拥有有限的计算能力，无法永远等待数学计算达到完美。它们必须提前停止计算。如果停止得太早，它们可能会意外违反规则（例如离前车太近），因为它们的数学计算尚未完成。

论文的解决方案：一种新的驾驶方式

这篇论文提出了一种巧妙的新方法来管理这类车队，既不需要僵化的“安全网”，又能在数学计算“匆忙”的情况下依然不违反规则。

1. 不再需要“停车位”承诺（无终端代价）

不同于强制每辆货车在 10 秒窗口结束时承诺一个特定目的地，作者引入了一种基于松弛动态规划 (Relaxed Dynamic Programming) 的新规则。

类比： 想象一位老师告诉学生：“你不需要在周五前读完整本书。只要确保你每读完一个章节，都学到了一些新知识，并且离理解整个故事更近了一步即可。”
运作原理： 论文在数学模型中增加了一个特定的约束。它告诉每辆货车：“你今天的努力程度必须比昨天稍微好一点，并根据安全系数进行调整。”这在数学上创造了一个“向下的斜坡”。只要货车持续沿着这个斜坡下滑，系统就能保证稳定和安全，而无需强迫它们在末端到达某个特定的“停车位”。

2. 为“匆忙计算”设置“隐形围栏”（约束收紧）

由于货车必须提前停止计算（即非精确优化），存在着在数学完全收敛前意外进入“禁区”（如离另一辆货车太近）的风险。

类比： 想象你正戴着眼罩和朋友一起走过一条狭窄的走廊，而且你们每隔几秒才检查一次位置。为了安全起见，你不会紧贴墙壁走，而是离墙留出几英寸的距离。这额外的空间就是你的“缓冲带”。
运作原理： 论文使用了一种称为约束收紧 (Constraint Tightening) 的技术。它告诉货车：“在进行计算时，假装走廊比实际的要窄。”
- 如果实际规则是“保持 10 米距离”，那么在计算过程中，数学指令会告诉货车“保持 12 米距离”。
- 这创造了一个安全缓冲。即使货车提前停止计算并产生微小误差，它仍会安全地保持在实际的 10 米限制之内。
- 至关重要的是，论文引入了一种在货车相互通信时动态更新这些“隐形围栏”的方法，确保在计算过程中它们永远不会耗尽可用空间（可行性）。

结果：一场平行之舞

作者通过模拟三辆货车跟随领航车的实验测试了这一方法。

并行处理： 每辆货车同时进行自己的数学计算（并行处理），就像一组舞者在共同协作前，各自同步练习自己的动作一样。
稳定性： 模拟结果显示，即使存在“匆忙计算”（提前停止迭代），货车依然保持稳定、保持距离并完美跟随领航车。其“代价”（衡量表现的指标）降至零，证明了系统的有效性。

总结

简而言之，这篇论文教会了一群机器人如何：

保持稳定，而无需强迫它们在计划结束时达到特定的目标（去除了“终端代价”）。
保持安全，即使在不得不停止计算且数学尚未完美时，通过在规则中建立临时的“安全缓冲”来确保安全（使用“约束收紧”）。

这就像是教一群舞者，即使他们听不清音乐，必须靠猜测来迈出下一步，也能通过给予每个人额外的个人空间来避免互相绊倒，从而保持完美的队形。

技术摘要：非精确分布式优化下无终端代价的分布式模型预测控制

问题陈述
本文研究了受耦合约束限制的分布式线性离散时间系统的控制问题。主要挑战在于设计一种分布式模型预测控制（DMPC）方案，该方案能够在不依赖终端代价或终端集合的情况下保证闭环稳定性。传统的 DMPC 方法通常依赖于可分的终端代价和集合来确保稳定性；然而，当约束涉及所有状态变量且难以进行分离时，这些方法可能会遇到兼容性问题。此外，在实际的实时应用中，分布式优化算法往往由于计算或通信限制而提前终止迭代，从而导致“非精确”最小化。这种提前终止可能导致优化过程中的约束违反，这对于安全至关重要的系统而言是致命的。本文旨在开发一种并行的 DMPC 方法，即使在非精确分布式优化下，也能确保稳定性和整个优化迭代过程中的可行性。

方法论
所提出的框架整合了三个核心组件：一种新型稳定性公式、一种分布式综合方法以及一种无违反优化算法。

无终端代价的稳定性：
作者没有使用终端代价，而是引入了一个基于**松弛动态规划（RDP）**的显式稳定性条件。对于每个智能体 $i$ ，在局部优化问题中添加了一个额外的不等式约束：
$\ell_i(x_i(k+N|k), u_i(k+N|k)) \leq (1-\alpha)\|x_i(k)\|^2_{Q_i} + v_i(k)$
其中 $\ell_i$ 是阶段代价， $\alpha \in (0,1]$ 是松弛参数， $v_i(k)$ 是松弛变量。全局约束 $\sum v_i(k) \leq 0$ 确保了局部代价之和作为整个系统的李雅普诺夫函数。这种表述允许在无需设计终端代价或终端集合的情况下，保证闭环系统的稳定性。
分布式综合：
为了处理耦合约束和新的稳定性约束，问题被进行了分解。作者引入松弛变量 $z^{[s]}$ 来解耦耦合不等式约束。全局优化问题被重新表述为局部子问题，每个智能体在满足局部动力学、局部约束以及涉及松弛变量的修改后的耦合约束条件下，最小化二次代价。
无违反分布式优化：
为了解决迭代优化过程中出现的约束违反问题（非精确最小化），本文提出了一种**约束紧缩（Constraint Tightening）**方法。
- 约束紧缩： 引入了一个紧缩参数 $\delta_s \in (0,1]$ 。在迭代过程中对约束进行紧缩，以确保即使优化提前终止，解对于原问题仍然是可行的。
- 自适应更新： 该方法采用一种自适应机制来更新智能体之间耦合约束的分布。如果分布式约束与实际约束值之间的差距显著，则会更新约束边界以维持可行性。
- 算法： 开发了一种并行算法（算法 1），其中智能体迭代地求解局部凸优化问题，交换关于松弛变量和拉格朗日乘子的信息，并更新其局部约束。该算法保证在每一次迭代中都存在可行解，并收敛到紧缩问题的最优解。

主要贡献
本文做出了以下具体贡献：

新型 DMPC 公式： 开发了一种无终端代价的 DMPC 方法。通过引入基于 RDP 的显式稳定性条件作为附加约束，消除了对可分终端代价和集合的需求。
局部稳定性处理： 引入了一种分布式综合方法，允许每个智能体使用松弛变量来局部处理稳定性约束。
无违反优化： 开发了一种确保在迭代过程中保持可行性的分布式优化方法。这是通过约束紧缩和自适应更新机制实现的，解决了分布式优化中常见的因提前终止导致的约束违反问题。
理论保证： 证明了所提出的优化问题是凸的，并且分布式综合方法在每次迭代中都能产生可行解。理论分析确认了闭环系统是稳定的，且代价函数单调递减。

结果
所提方法通过一个涉及高速公路上跟随领航车的三辆自动驾驶车辆编队的数值算例进行了验证。

仿真设置： 系统由一辆领航车和三辆跟随车组成，具有耦合距离约束、速度限制和控制输入限制。目标是保持期望的距离和速度。
性能： 仿真进行了 200 个控制步，并改变了预测时域 ( $N$ $N$ ) 和 RDP 参数 ( $\alpha$ $α$ )。
- 稳定性： 每步代价收敛至零，速度和位置跟踪误差保持有界，展示了闭环稳定性。
- 可行性： 该方法在各种时域长度和 $\alpha$ 值下均成功找到了可行解，而在标准方法可能失效的情况下（例如 $N=5, \alpha=0.5$ ）。
- 权衡： 结果表明，较大的时域 ( $N$ ) 和较小的 $\alpha$ 值通常能提高性能（降低总代价）并扩大吸引域，但代价是增加了计算时间。
- 并行计算： 仿真确认了每个智能体可以并行计算其控制输入，验证了综合过程的分布式特性。

意义与主张
本文声称，所开发的分布式 MPC 方法为标准的基于终端代价的方法提供了一个鲁棒的替代方案。通过消除对终端代价的依赖，该方法避免了在具有耦合约束的系统中进行终端集分离时的兼容性问题。至关重要的是，所提出的“无违反”优化方法确保了即使在因实时性限制而提前终止优化时，安全关键系统也不会违反约束。作者指出，该方法为每一个可行的控制序列确保了闭环稳定性，同时通过智能体的并行计算实现控制。这项工作被视为迈向更实用、更安全的分布式多智能体控制系统的步骤，并建议未来工作将该框架扩展到非线性系统及处理不确定性。

论文的解决方案：一种新的驾驶方式

1. 不再需要“停车位”承诺（无终端代价）

2. 为“匆忙计算”设置“隐形围栏”（约束收紧）

结果：一场平行之舞

总结

类似论文