Стохастический MPC с робастностью к ошибкам в статистике возмущений

США и Запад · вчера

Описан стохастический MPC с косвенной обратной связью для линейных систем с аддитивными возмущениями, где неопределённость среднего и ковариации задаётся множеством Гельбриха. Неопределённость моментов распространяется вдоль динамики ошибки, а ужесточение ограничений вычисляется офлайн в замкнутой форме. Онлайн-задача остаётся квадратичной программой с одним аддитивным запасом робастности.

Почему это важно

Даёт способ сохранять гарантии безопасности прогнозного управления при неточных статистических данных о возмущениях.

Созвучно продуктам ЦД

ЦД.Прогноз

Заголовок оригинала: Distributionally Robust Indirect-Feedback Stochastic MPC with Gelbrich Ambiguity Sets

Читать первоисточник: arXiv — Systems and Control (eess.SY)

Перевод и краткое изложение — машинные, по материалам источника. Полный текст статьи не републикуется; права на него принадлежат источнику.

Рядом по теме

Моделированиевчера

Роман Венедиктов («Эмерджентные мультиагентные системы»): «Сегодня сам факт использования ИИ стал обычной частью корпоративной ИТ-среды»

Совместное предприятие Selectel и ИТМО «Эмерджентные мультиангентные системы» занимается технологиями для создания и эксплуатации мультиагентных систем: не столько созданием ещё одного отдельного ИИ-ассистента, сколько тем, как сделать эксплуатацию большого количества агентов управляемой, надежной…

ЦДПspbIT ↗

ПрогнозированиеСША и Западвчера

Адаптивная кластеризация в робастном распределённом MPC для связанных агентов

Предложена схема динамической кластеризации для tube-based MPC систем связанных агентов: агенты внутри кластера явно координируются, а внешние связи учитываются как ограниченные возмущения. Онлайн-выбор топологии от централизованной до полностью децентрализованной опирается на меру рассогласования по верхней и нижней оценке стоимости и штраф за коммуникации. Доказано сохранение рекурсивной допустимости, выполнение ограничений и практическая асимптотическая устойчивость.

ЦД.ПрогнозarXiv — Systems and Control (eess.SY) ↗

ПрогнозированиеСША и Западвчера

Нейросетевая аппроксимация NMPC без экспертных демонстраций

Предложен рекуррентный фреймворк Seq-AMPC, который строит полные последовательности управлений по предсказанным траекториям, используя общие параметры на всём горизонте. Политика обучается напрямую через известную динамику с потерями за стоимость управления, выполнение ограничений и условие снижения стоимости, согласованное с безопасным резервным фильтром. Это снимает необходимость в больших наборах решений экспертного NMPC.

ЦД.ПрогнозarXiv — Systems and Control (eess.SY) ↗