Controllo predittivo del modello basato sui dati (MPC) si è dimostrato significativo
potenziale per migliorare le prestazioni di controllo del robot in presenza del modello
incertezze. Tuttavia, gli approcci esistenti spesso richiedono ampie attività offline
raccolta dati e formazione intensiva a livello computazionale, limitandone le capacità
per adattarsi in linea. Per affrontare queste sfide, questo articolo presenta un veloce online
framework MPC adattivo che sfrutta le reti neurali integrate con
Meta-apprendimento indipendente dal modello (MALM). Il nostro approccio si concentra su pochi colpi
adattamento della dinamica residua – catturando la discrepanza tra nominale e
comportamento reale del sistema – utilizzando dati online minimi e passaggi di gradiente. Di
incorporando questi modelli residui meta-appresi in un sistema computazionalmente efficiente
Pipeline MPC basata su L4CasADi, il metodo proposto consente un modello rapido
correzione, migliora la precisione predittiva, e migliora il controllo in tempo reale
prestazione. Convalidiamo il quadro attraverso studi di simulazione su un Van der
Oscillatore Pol, un sistema Cart-Pole, e un quadrirotore 2D. I risultati mostrano
guadagni significativi nella velocità di adattamento e nell'accuratezza della previsione rispetto a entrambi i valori nominali
MPC e MPC nominale aumentati con una rete neurale appena inizializzata,
sottolineando l’efficacia del nostro approccio per i robot adattivi in ​​tempo reale
controllare.

Questo articolo esplora i giri e le loro implicazioni.

Scarica PDF: