Datengesteuerte modellprädiktive Steuerung (MPC) hat sich als bedeutsam erwiesen
Potenzial zur Verbesserung der Robotersteuerungsleistung bei Vorhandensein eines Modells
Unsicherheiten. Jedoch, Bestehende Ansätze erfordern oft umfangreiche Offline-Ansätze
Datenerfassung und rechenintensives Training, ihre Fähigkeiten einschränken
online anpassen. Um diese Herausforderungen anzugehen, Dieses Papier stellt eine schnelle Online-Präsentation vor
adaptives MPC-Framework, das integrierte neuronale Netze nutzt
Modellunabhängiges Meta-Lernen (MALM). Unser Ansatz konzentriert sich auf wenige Aufnahmen
Anpassung der Restdynamik – Erfassung der Diskrepanz zwischen Nennwert und
wahres Systemverhalten – unter Verwendung minimaler Online-Daten und Gradientenschritte. Von
Einbetten dieser meta-gelernten Restmodelle in ein recheneffizientes System
L4CasADi-basierte MPC-Pipeline, Die vorgeschlagene Methode ermöglicht eine schnelle Modellierung
Korrektur, verbessert die Vorhersagegenauigkeit, und verbessert die Echtzeitsteuerung
Leistung. Wir validieren das Framework durch Simulationsstudien an einem Van der
Pol-Oszillator, ein Cart-Pole-System, und ein 2D-Quadrotor. Ergebnisse zeigen
erhebliche Fortschritte bei der Anpassungsgeschwindigkeit und der Vorhersagegenauigkeit gegenüber beiden Nennwerten
MPC und nominales MPC, ergänzt durch ein frisch initialisiertes neuronales Netzwerk,
Dies unterstreicht die Wirksamkeit unseres Ansatzes für adaptive Echtzeitroboter
Kontrolle.

Dieser Artikel untersucht Zeitreisen und deren Auswirkungen.

PDF herunterladen: