Dropout MPC: An Ensemble Neural MPC Approach for Systems with Learned Dynamics

神经网络越来越多地被用于数据驱动控制，作为真实系统动态的近似模型。模型预测控制（MPC）采用这种做法，导致神经MPC策略。这引出了一个问题，即训练的神经网络是否已经收敛并广义化，以使学习的模型封装了系统真实动态模型的准确近似，从而使其成为模型控制的可靠选择，特别是对于受干扰和不确定的系统而言。为了解决这个问题，我们提出了Dropout MPC，一种新颖的基于采样的集成神经MPC算法，它在学习的系统模型上采用了蒙特卡罗dropout技术。闭环基于预测控制器的集合，它们同时在每个时间步上用于轨迹优化。集合中的每个成员都根据加权投票方案影响控制输入，因此通过采用学习到的系统动态的不同实现，神经控制在设计上变得更加可靠。该方法的另一个优点是，它通过设计提供了一种估计未来不确定性的方法，从而导致谨慎控制。虽然该方法通常旨在处理具有复杂动态的不确定系统，其中从第一原理推导出的模型很难推断，但为了展示应用，我们利用在实验室中收集的真实移动机械手数据，并将所提出的算法用于机器人在仿真中的导航。

本文旨在提出一种新的神经网络模型预测控制算法，解决在不确定和复杂动态系统中的控制问题。

文中提出了Dropout MPC算法，通过在学习到的系统模型上应用Monte-Carlo Dropout技术，构建了一个基于采样的预测控制器集合。每个控制器成员在每个时间步骤同时用于轨迹优化，并通过加权投票方案影响控制输入，从而提高神经控制的可靠性和鲁棒性。此外，该算法还提供了一种估计未来不确定性的方法，实现了谨慎控制。

该算法的亮点在于提供了一种可靠的控制方法，特别适用于不确定和复杂动态系统，同时还可以估计未来不确定性。实验使用了真实移动机器人的实验数据，并在仿真中进行了测试。该算法还可以用于其他需要模型预测控制的应用。

近期相关研究包括：1. 'Data-driven model predictive control using deep learning: A survey'；2. 'A robust model predictive control approach for uncertain systems with state-dependent disturbances'；3. 'A survey on data-driven predictive control using machine learning'。