Accelerate Hybrid Model Predictive Control using Generalized Benders Decomposition

本文提出了一种使用广义Benders分解（GBD）加速混合模型预测控制的方法，该方法适用于同时具有连续和离散变量的机器人任务。由于组合复杂性，混合MPC的求解速度可能不足以满足实时应用的需求。我们提出使用GBD来加速混合MPC，GBD在线枚举切割并存储在有限的缓冲区内，以为新的问题实例提供热启动。借助可行性切割的稀疏性，设计了一种快速算法来解决Benders主问题。我们还提出从启发式解决方案构建初始最优性切割，使GBD能够规划更长的时间范围。所提出的算法成功地控制了一个带有随机移动软接触墙的小车摆杆系统，达到了比Gurobi快2-3倍的速度，往往超过1000Hz。它还引导一架自由飞行的机器人通过一个迷宫，时间范围为50次重新规划，20Hz的频率。代码可在https://github.com/XuanLin/Benders-MPC上获得。

加速混合模型预测控制以应用于机器人任务

使用广义Benders分解（GBD）加速混合MPC，通过在线枚举约束条件并存储在有限缓冲区内来提供新问题实例的热启动，以及从启发式解决方案构建初始最优性约束条件，以规划更长的时间跨度。

该算法成功控制了一个带有随机移动软接触墙的小车杆系统，达到了比Gurobi快2-3倍的速度，往往超过1000Hz。它还引导自由飞行机器人通过迷宫，在20Hz的重新规划下，拥有50个时间跨度。代码已经开源。

与混合MPC相关的其他研究包括“Hybrid MPC with online learning for autonomous driving”和“Hybrid MPC for cooperative driving of autonomous vehicles”。