机构名称：
¥ 1.0
在基于现代模型的控制框架中，例如模型预测控制或基于模型的信息学习学习，机器学习已成为一种无处不在的技术类别，以提高动态模型的准确性。通过利用诸如神经网络之类的表现力体系结构，这些框架旨在通过构建系统动力学的准确数据驱动表示，旨在提高系统的模型精度和控制性能。尽管对其非学习顾问进行了显着的绩效提高，但对于这些基于模型的模型的基于模型的控制器在不确定性的存在下，这些模型的控制器通常几乎没有保证。尤其是在模拟误差，噪声和外源性干扰的影响下，确定这些学习模型的准确性是一项挑战。在某些情况下，甚至可能违反约束，使控制器不安全。在这项工作中，我们提出了一个新颖的框架，该框架可以应用于大量的基于模型的控制器，并通过以在线和模块化方式鲁棒化基于模型的控制器，从而减轻上述问题，并在模型的准确性和约束满意度上提供可证明的保证。该框架首先部署保形预测，以生成有限的，可证明的有效的不确定性区域，以无分配方式为动态模型。通过动态约束程序，这些不确定性区域被纳入约束中。关键字：基于学习的控制，基于模型的控制，不确定性量化1。（2023a））。Jiahao等。Jiahao等。与预测参考生成器的配方一起，生成了一组可鲁棒的参考传播，并将其纳入基于模型的控制器中。使用两个实际的案例研究，我们证明我们提出的方法不仅产生了良好的不良区域，这些区域建立了模型的准确性，而且还使闭环系统以强大但不保守的方式满足约束。简介由于非线性优化框架的最新进展以及计算资源的可用性增加，在广泛的域上应用基于模型的控制器的应用趋势是趋势。，用于建筑物中的温度控制（Yao和Shekhar（2021）），用于自动驾驶汽车（Wu等人（2022））和四型控制（Chee等人机器学习方法的扩散同时导致了学习增强的，基于模型的控制框架的发展，这些框架利用学习工具通过改进动态模型来提高控制性能，例如（2023）。尽管这些发展激增，但这些基于学习的控制框架在不确定性存在下如何执行的问题仍然是一个积极的研究主题（Mesbah等人。（2022）; Brunke等。（2022））。在这项工作中，我们通过提出一个新颖的框架来解决这个问题，该框架系统地允许基于模型的控制器在模型不匹配，噪声和外部干扰的集体影响下稳健地满足约束。
使用共形预测对基于模型的控制器的不确定性定量和鲁棒化
主要关键词
相关文件推荐
