想象一下，你正试图驾驶一辆从未见过的汽车，行驶在一条从未走过的蜿蜒道路上。这辆车有些“摇晃”，因为你不知道它的确切重量或发动机的响应程度（这就是不确定性）。此外，你还必须遵守严格的规则：车速不能超过某个上限（状态约束），油门踩踏力度不能超过某个限值（输入约束），而且你不能瞬间将油门从零踩到满，必须逐渐平缓地施加（输入速率约束）。
本文提出了一种名为**自适应模型预测控制（MPC）**的智能驾驶系统，专为应对此类场景而设计。其工作原理可拆解为以下简单概念：
1. 问题：“摇晃”的汽车与严格规则
大多数标准驾驶系统假设它们对车辆了如指掌。如果车辆实际比预期更重，系统可能会导致碰撞或违反规则。
- 挑战：作者所处理的系统中，“发动机”和“重量”（即数学参数）是未知的，且可能发生变化。
- 难点：通常，若要在遵守关于加速或减速速率的严格规则的同时遵循特定轨迹，数学计算会变得极其复杂。这就像试图拼凑一个拼图，但拼图的形状不断变化，而你还需确保永远不触碰到桌子的边缘。
2. 解决方案：一个“会学习”的 GPS
作者构建了一个系统，它如同一个在行驶过程中学习车辆行为的 GPS。
- “误差”地图：系统并非直接从 A 点驾驶到 B 点，而是重新定义问题。它问：“我们偏离理想路径有多远？”并专注于消除这一差距。这将复杂的“沿路行驶”问题转化为更简单的“保持在车道中央”问题。
- 自适应学习器：由于系统不了解车辆的真实参数，它会先做出猜测。在行驶过程中，它观察车辆的实际反应。如果车辆移动速度比预测的慢，系统就会更新其内部模型。这就像一名学生参加考试，看到哪些答案错误后，立即针对这些特定知识点进行学习，以便下次做得更好。
- 安全“管状”区域：为了应对系统仍在学习的现状，它在理想路径周围构建了一个安全缓冲区（即“管状”区域）。即使车辆因模型尚不完美而摇晃，系统也能确保车辆始终处于这个安全管状区域内，永不触碰边界（即约束条件）。
3. “输入速率”的转折
本文的一个独特之处在于对输入速率限制的关注。
- 类比：想象你在驾驶一艘船。你不能瞬间将方向盘旋转 90 度；水的阻力和船的动量意味着你必须平稳地转动方向盘。
- 创新点：大多数先前的方法要么忽略了这一“平滑性”规则，要么仅能处理简单情况。本文解决了如何在系统仍在学习船只重量的同时，规划出一系列平滑转向的问题。它确保即使前一次转向与预期略有不同，下一次转向的计划依然可行。
4. 保证：“递归可行性”
这是一个听起来很 fancy 的术语，实则代表一个非常实际的承诺：“如果我们此刻能解开这个谜题，我们就保证下一秒、再下一秒也能继续解开。”
- 由于系统在不断学习中且规则严格，人们曾担心系统可能会陷入没有任何可行操作的死胡同。
- 作者从数学上证明，他们的“学习型 GPS"永远不会陷入僵局。无论车辆未知参数如何变化，它总能找到一条有效且安全的前进路径。
5. 结果：仿真测试
作者在计算机上对双轮车辆（如无人机或机器人）进行了仿真测试。
- 他们让系统遵循一条蜿蜒的路径。
- 他们设定车辆的物理特性未知，且与模型略有不同。
- 结果：车辆成功沿路径行驶，从未超速，从未猛踩控制装置，且“学习”部分迅速掌握了车辆的真实行为。误差（即车辆实际位置与目标位置之间的距离）随时间逐渐缩小至零。
总结
简而言之，本文教导机器人如何驾驶一辆它尚未完全理解的汽车，同时严格遵守关于速度和平滑性的规则。它通过不断更新对车辆的理解、提前规划多步操作，并从数学上保证永远不会耗尽安全操作选项，从而确保旅程平稳安全地抵达目的地。
技术摘要：具有输入速率限制的 uncertain LTI 系统约束轨迹跟踪的自适应模型预测控制
问题陈述
本文解决了受有界参数不确定性影响的离散时间线性时不变（LTI）系统的轨迹跟踪问题。控制设计必须同时满足系统状态、控制输入以及关键地、输入速率（增量）的硬约束。虽然模型预测控制（MPC）是处理约束的标准框架，但经典 MPC 依赖于精确的受控对象模型，而由于建模误差和参数变化，这些模型往往不可用。现有的自适应 MPC 方法通常侧重于调节问题，忽略了输入速率约束，或者未能解决在全参数不确定性下由输入速率限制引入的时间耦合问题。具体的挑战在于，在系统参数未知的情况下确定实现零跟踪误差所需的控制输入，同时确保由输入速率约束诱导的时变容许控制集不会破坏递归可行性或闭环稳定性。
方法论
所提出的解决方案是一个自适应 MPC 框架，该框架利用相对于时变参考轨迹的误差坐标，将轨迹跟踪问题转化为调节问题。该方法通过以下几个关键步骤进行：
- 系统重构：系统动力学以误差状态（xke=xk−xkr）和误差输入（uke=uk−ukr）的形式表示。这种转换使得跟踪问题可以被视为一个调节问题，其目标是将误差状态驱动至原点。
- 间接自适应律：采用基于投影的梯度下降自适应律来在线估计集总的不确定参数（Θ=[A,B]）。估计值被约束在已知参数值凸包（Ψ）内，以确保有界性。
- 误差集表征：本文严格定义了界定由参数自适应引起的误差（x~ke）和参数估计变化（ΔΘ^）的集合。这些集合用于收紧 MPC 优化问题中的约束。
- 约束重构：状态、输入和输入速率约束在误差动力学域中被重构。一个重要的贡献是处理了输入速率约束，这些约束在连续控制输入之间引入了时间耦合。容许控制集因其对先前控制输入的依赖性而表现为时变，但它仍然是一个凸多面体。
- 鲁棒 MPC 公式化：控制输入被分解为稳定状态反馈项（Kxke）和自由优化变量（vke）。MPC 优化问题基于当前参数估计的名义预测模型进行公式化。为了确保对估计误差的鲁棒性，名义预测状态的约束通过减去计算出的误差集（ZiΘ 和 Zx~e）进行收紧。
- 稳定性与可行性分析：
- 递归可行性：本文证明了尽管容许控制集具有时变特性，优化问题仍然保持递归可行性。这是通过基于当前步骤的最优解构建下一个时间步的可行候选解来证明的，同时考虑了输入速率约束的偏移。
- 闭环稳定性：利用基于 Lyapunov 的分析，本文证明了闭环系统是有界的，且跟踪误差渐近收敛于零。该分析考虑了参数估计误差的有界性以及由模型失配引起的扰动项。
主要贡献
- 面向跟踪的系统性自适应 MPC：与以往侧重于调节或部分约束的工作不同，本文提供了在全参数不确定性下受约束轨迹跟踪的系统性解决方案。
- 处理输入速率约束：本文明确解决了由输入速率约束引入的复杂性，这些约束耦合了连续控制输入并创建了时变容许集。它展示了如何在这种特定背景下保持递归可行性。
- 严格的可行性与稳定性证明：作者提供了关于递归可行性和闭环稳定性（跟踪误差的收敛性和物理状态的有界性）的严格数学证明，尽管存在不确定性和时变约束。
- 约束收紧策略：该方法利用自适应估计的参数和推导出的误差界限来收紧优化过程中的约束，确保实际系统状态满足原始物理约束。
仿真结果
所提出框架的有效性通过对具有不确定参数的二阶离散时间受控对象的仿真进行了验证。该系统被要求跟踪时变参考轨迹，同时遵守状态（∥x∥∞≤2.25）、输入（∥u∥∞≤3）和输入速率（∥Δu∥∞≤2.5）的约束。
- 仿真表明，系统状态成功跟踪了参考轨迹，同时保持在规定的界限内。
- 控制输入及其速率在整个仿真过程中满足施加的约束。
- 参数估计误差显示为有界。一个显著的观察结果是，在 t=30s 时参考轨迹的突然变化引起了参数估计误差的瞬态响应，随后随着自适应律重新介入以跟踪新参考，该误差逐渐衰减。
- 误差状态收敛至原点，证实了稳定性声明。
意义与主张
本文声称提供了一种计算上可行且理论严谨的控制框架，适用于对安全性要求极高的应用（如航空航天、自动驾驶车辆和机器人技术），这些应用要求在存在模型不确定性和致动器严格物理限制的情况下实现精确的轨迹跟踪。其主要意义在于克服了在同时存在参数不确定性和输入速率约束的情况下保证约束满足和性能的困难，这种组合使得标准的递归可行性论证不再适用。该工作断言，通过系统性地利用估计参数并采用适当的约束收紧策略重构 MPC 问题，可以实现具有保证稳定性和递归可行性的鲁棒受约束轨迹跟踪。
每周获取最佳 electrical engineering 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。