Contrôle prédictif de modèle basé sur les données (MPC) a démontré d'importantes
potentiel d'amélioration des performances de contrôle du robot en présence d'un modèle
incertitudes. Cependant, les approches existantes nécessitent souvent de nombreuses opérations hors ligne
collecte de données et formation intensive en informatique, limiter leur capacité
s'adapter en ligne. Pour relever ces défis, cet article présente un rapide en ligne
cadre MPC adaptatif qui exploite les réseaux de neurones intégrés à
Méta-apprentissage indépendant du modèle (MALM). Notre approche se concentre sur quelques plans
adaptation de la dynamique résiduelle – capturer l’écart entre le nominal et le
comportement réel du système – en utilisant un minimum de données en ligne et des étapes de dégradé. Par
intégrer ces modèles résiduels méta-appris dans un système informatique efficace
Pipeline MPC basé sur L4CasADi, la méthode proposée permet un modèle rapide
correction, améliore la précision prédictive, et améliore le contrôle en temps réel
performance. Nous validons le cadre à travers des études de simulation sur un Van der
Oscillateur Pol, un système Cart-Pole, et un quadrirotor 2D. Les résultats montrent
des gains significatifs en termes de vitesse d'adaptation et de précision de prévision par rapport aux valeurs nominales
MPC et MPC nominal augmentés d'un réseau neuronal fraîchement initialisé,
soulignant l'efficacité de notre approche pour le robot adaptatif en temps réel
contrôle.

Cet article explore les excursions dans le temps et leurs implications.

Télécharger PDF: