基于集合成员学习的未知非线性系统数据驱动鲁棒MPC
《Automatica》:Data-driven robust MPC for unknown nonlinear systems via set-membership learning
【字体:
大
中
小
】
时间:2026年08月28日
来源:Automatica 6.2
编辑推荐:
摘要
数据驱动模型预测控制(MPC)已成为控制未知系统的有吸引力方法,尤其是在数据受噪声污染的情况下。然而,大多数现有的数据驱动MPC方法专注于线性系统,对扰动下的非线性动力学关注较少。为填补这一空白,我们提出了一种针对具有过程扰动的未知非线性系统的鲁棒数据驱动极小-极大M
摘要
数据驱动模型预测控制(MPC)已成为控制未知系统的有吸引力方法,尤其是在数据受噪声污染的情况下。然而,大多数现有的数据驱动MPC方法专注于线性系统,对扰动下的非线性动力学关注较少。为填补这一空白,我们提出了一种针对具有过程扰动的未知非线性系统的鲁棒数据驱动极小-极大MPC方案。我们利用由基函数字典构建的向量场来表示未知非线性动力学,从而得到具有未知矩阵的等价线性形式。这些未知矩阵由从含噪输入-状态数据中导出的集员表征来描述。利用该不确定性描述,我们构建了一个极小-极大MPC问题。研究了两种在线场景:(i) 状态测量无噪声,以及 (ii) 状态测量受过程扰动影响。对于每种情况,我们都推导了一个基于Lyapunov的半定规划(SDP),以计算一个稳定的状态反馈控制器。结果表明,所提方案能够保证递归可行性,并根据是否存在过程扰动实现闭环系统的指数稳定性或鲁棒稳定性。在基准算例上的仿真研究阐明了所提方法相较于现有数据驱动和基于模型的控制器在有效性和性能上的优势。
引言
数据驱动控制是一种直接从实验数据设计控制器的范式,无需显式的系统辨识步骤(Bianchi等,2025;Hou和Jin,2013;Wang等,2026;Wang等,2025)。该方法引起了广泛关注,因为它可以简化设计以及稳定性分析,并已成功应用于机器人、能源系统和过程控制等多个领域(Fawcett等,2023;Huang等,2019)。特别是,数据驱动模型预测控制(MPC)已成为处理未知系统的强大框架(Liu等,2023a)。与经典MPC类似,数据驱动MPC可以实施状态和输入约束,并提供闭环稳定性和性能的保证,但无需已辨识的模型。例如,利用Willems等人的基本引理,可以直接从测量的输入-输出轨迹合成最优控制策略(如DeePC方法,Willems等,2005)。大量近期工作也将数据驱动MPC扩展到处理实际问题,如输出测量噪声和网络攻击(Liu等,2023a;Liu等,2023b)。
尽管数据驱动MPC在处理测量噪声方面非常有效,但许多现实系统还受到过程扰动的影响(由于未建模动力学、未知输入或对抗性干扰),这些扰动直接影响状态演化。与测量噪声不同,过程扰动需要不同的设计策略。受经典基于模型的极小-极大MPC启发(Bemporad等,2003;Kothare等,1996;Wan和Kothare,2003),近期研究开始探索利用离线含噪轨迹和在线测量来实现鲁棒性的数据驱动极小-极大MPC方案(Xie等,2026)。这些方法旨在调整控制输入以最小化所有与数据一致的系统模型的最坏情况代价,从而在不确定性下确保鲁棒性能和平稳化。
与线性系统的大量文献相比,非线性系统的结果要少得多。一种常见策略是利用已知的非线性结构形式(Rueda-Escobedo和Schiffer,2020;Str?sser等,2023)。例如,Koopman算子框架将非线性系统提升到高维线性空间,从而可以实现对某些双线性系统的数据驱动控制(Str?sser等,2023)。其他方法包括具有已知基函数的线性参数化模型、高斯过程模型、局部线性或多项式近似以及反馈线性化(De Persis等,2023;Fraile等,2021;Umlauft和Hirche,2020)。例如,工作(Umlauft & Hirche,2020)通过仔细界定Taylor余项,为一般多项式系统提供了数据驱动控制律。或者,De Persis等(2023)利用函数字典表示向量场并通过数据依赖的SDP合成控制器。然而,这些工作大多关注静态或离线控制器。据我们所知,为同时显式考虑离线训练数据和在线过程扰动的通用非线性系统设计在线数据驱动状态反馈控制器的问题仍然悬而未决。
本文将数据驱动极小-极大MPC扩展到具有扰动的未知非线性系统。我们的方法首先利用已知基函数库将非线性动力学提升为伪线性形式,从而保留非线性结构。具体而言,我们假设未知向量场可以写成 $g(x) = A_s Z(x)$ 的形式,其中 $A_s$ 为某个未知矩阵,$Z(x)$ 为已知提升。然后,我们使用含噪的离线输入-状态数据构建未知系统矩阵的集员表征。基于该不确定集,我们构建了一个非线性数据驱动极小-极大MPC问题。我们考虑两种场景:(i) 在线状态测量无噪声,以及 (ii) 在线状态测量受未知但有界扰动影响。对于每种场景,我们都推导了一个利用Lyapunov条件的数据驱动SDP,其解给出一个稳定的状态反馈控制增益。所得的退域方案保证在不确定性下闭环数据驱动控制系统的指数稳定性或鲁棒稳定性。
我们的工作受到Wei、Br?ndle等(2026)以及Xie等(2024)、Xie等(2026)的启发。然而,与这些结果相比,此处解决的主要技术挑战在于:基于数据的SDP必须同时验证系统的线性和非线性部分的稳定性和约束满足性。这导致了一个新约束的构造,其中非线性效应通过额外的二次项来体现。这一要求无法通过直接扩展Wei、Br?ndle等(2026)以及Xie等(2024、2026)中使用的线性二次不等式来满足。因此,推导出的闭环系统递归可行性、约束满足性和鲁棒稳定性保证显式考虑了线性和非线性组件的耦合效应,而这些效应在纯线性设定中是不存在的。总而言之,本文的贡献总结如下:
(c1) 利用二次矩阵不等式从含噪输入-状态数据构建未知非线性系统矩阵的表征。然后考虑两种场景。首先,我们关注离线含噪数据和在线无噪状态测量的情况。其次,我们将框架扩展到显式考虑离线数据和在线状态测量中的过程扰动。在每种情况下,具有状态约束的数据驱动极小-极大MPC问题被重构为产生状态反馈控制律的SDP。
(c2) 对于在线测量无噪声的情况,我们证明所得控制器将系统指数稳定到原点并满足状态约束。在存在含噪在线测量的情况下,我们建立了在所提方案下闭环系统是鲁棒稳定的并保证状态约束成立。
本文其余部分组织如下。第2节描述系统模型并提出未知动力学的数据驱动表征。第3节为在线状态测量无噪声的情况开发数据驱动极小-极大MPC方案,并建立闭环保证,包括递归可行性、状态约束满足和指数稳定性。第4节将框架扩展到在线测量含噪的情况,并建立递归可行性、鲁棒稳定性和约束满足性。第5节呈现仿真结果,第6节总结全文。
符号说明:令 $\mathbb{R}$($\mathbb{R}_+$)和 $\mathbb{Z}$ 分别表示(正)实数集和非负整数集。我们用 $\mathbb{Z}[a,b]$ 表示 $\{a, a+1, \ldots, b\}$。单位矩阵和零矩阵分别为 $I$ 和 $0$(其维度由上下文决定)。对于矩阵 $Q$,$Q \succ 0$($Q \succeq 0$)意味着 $Q$ 是正定的(半定的)。对于兼容维度的向量 $x$ 和矩阵 $Q \succ 0$,$\|x\|_Q = \sqrt{x^\top Q x}$。当维度匹配时,我们用简写 $QR[\star]^\top$ 表示 $QRQ^\top$。
各章节片段
系统表示
我们考虑离散时间非线性系统
$$x_{k+1} = g(x_k) + B_s u_k + d_k, \quad k = 1, 2, 3, \ldots$$
其中 $x_k \in \mathbb{R}^{n_x}$ 是系统状态,$u_k \in \mathbb{R}^{n_u}$ 是控制输入,$d_k \in \mathbb{R}^{n_x}$ 是未知过程扰动。向量场 $g(x_k) \in \mathbb{R}^{n_x}$ 和输入矩阵 $B_s \in \mathbb{R}^{n_x \times n_u}$ 都是未知的。我们的目标是在存在不确定性的情况下设计一个在线控制器来稳定非线性系统。
如果没有关于向量场 $g(x_k)$ 的任何先验知识,控制设计将极具挑战性甚至不可能。我们
数据驱动极小-极大MPC
如第2节所述,在满足假设3的扰动下的离线数据 $\bar{U}$、$\bar{X}$ 和 $\bar{Z}$ 被用于构建数据驱动集 $\mathcal{S}$,以表征与系统行为(4)一致的所有系统矩阵。利用该参数化,我们构建了一个具有状态约束的数据驱动极小-极大MPC问题(13)。
为求解问题1,我们考虑一个简化设置,其中假设闭环运行期间在线测量的状态数据是无噪声的。
利用含噪数据的数据驱动鲁棒极小-极大MPC
第3节提出的数据驱动极小-极大MPC依赖于在线状态测量无噪声的假设。然而,由于传感器噪声和建模不确定性,这一假设在实际中往往被违反,这限制了所提框架在现实系统中的应用。这促使我们开发一个显式考虑含噪在线状态数据的鲁棒控制器,描述为
$$x_{k+1} = A_s Z(x_k) + B_s K_k Z(x_k) + d_k$$
当离线数据中同时存在扰动时
仿真结果
我们在两个非线性系统上展示所提方法。我们将我们的方案(无噪的D-MPC和含噪的D-RMPC)与两个基准进行比较:(i) 一个基于辨识的鲁棒极小-极大MPC(ID-RMPC),该方案首先基于离线数据通过最小二乘法辨识系统矩阵($A$, $B$),然后应用鲁棒极小-极大MPC;以及 (ii) 一个基于收缩/Lyapunov条件(Hu等,2025)的数据驱动静态反馈控制器(D-FC)。仿真在以下系统上进行
结论
我们提出了一个针对具有过程扰动的未知非线性系统的数据驱动鲁棒极小-极大MPC框架。通过利用已知基函数表示非线性向量场(从而产生提升后的线性形式),并使用离线含噪数据来定义系统矩阵的集员表征,我们提出了一个具有椭球状状态约束的数据驱动MPC问题。研究了两种场景:一种是在线系统不受过程扰动影响,另一种是系统受扰动影响
Wenjie Liu
Yuzhou Wei 于2018年获得南京理工大学交通运输工程学士学位,2022年获得华北理工大学控制科学与工程硕士学位。她于2026年获得北京理工大学控制科学与工程专业博士学位。她目前是北京理工大学自动化学院的博士后研究员。她当前的研究方向包括……
Yuzhou Wei | Wenjie Liu | Yifan Xie | Frank Allg?wer | Jian Sun | Gang Wang
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号