Model Predictive Control | 占俊飞的个人主页

MPPI with Control Barrier Functions for F1/10：真实世界不确定性下的鲁棒安全控制

Wed, 07 May 2025 00:00:00 +0000

本项目在 F1/10 自主赛车平台上实现了 Shield-MPPI，这是一种将 Control Barrier Functions (CBFs) 与 Model Predictive Path Integral (MPPI) 控制相结合的新方法，旨在实现真实世界不确定性条件下的鲁棒安全导航。

主要贡献包括：

安全保障：通过离散时间 CBFs 确保预定义安全集的前向不变性。
代价增强与控制滤波：在 MPPI 轨迹代价中加入 CBF 惩罚项，并应用基于梯度的滤波方法以保证实时安全性。
鲁棒性评估：在仿真和实际赛车环境中评估了系统在扰动、噪声和模型失配下的表现。
计算可行性：验证了 Shield-MPPI 在资源受限平台上的实时性能。

该方法在碰撞避免、赛道跟踪和鲁棒性方面较基准 MPPI 有显著提升。

RL-Enhanced Disturbance-Aware MPC for Robust UAV Trajectory Tracking

Wed, 07 May 2025 00:00:00 +0000

[已被 IEEE SMC 2025 录用] — 即将发表

本研究提出了 ROAM，一种新颖的 RL 增强、扰动感知的 MPC 框架，用于不确定和动态环境中的精确 UAV 轨迹跟踪。该方法结合了 MPC 的预测优势、reinforcement learning (RL) 的快速响应能力以及自适应 sliding mode observer (SMO) 的鲁棒性。

问题与动机

使用 MPC 的传统 UAV 控制器在模型失配、风扰动和计算延迟下表现不佳，导致残余跟踪误差和收敛缓慢。本工作通过两项创新解决这些挑战：

离线训练的 RL 热启动策略以加速 MPC 收敛
Adaptive Super-Twisting Sliding Mode Observer (AST-SMO) 以估计和抑制实时扰动

技术贡献

1. 基于 RL 的热启动

通过在专家 MPC 轨迹上进行模仿学习，训练了一个方向条件策略。
在实时控制中，它为 MPC 求解器提供与轨迹一致的初始猜测，将早期跟踪误差降低了 16.9%，计算时间减少了 38.7%。

2. 用于扰动估计的 AST-SMO

SMO 使用平滑双曲函数实时估计外部扰动，以避免抖振。
自适应增益调节机制动态调整灵敏度以实现更好的收敛。

3. 扰动感知 MPC

MPC 被重新构建以纳入来自 AST-SMO 的实时估计： \[ x_{k+1} = Ax_k + Bu_k + E(\hat{d}_k) \]
目标：最小化跟踪误差和控制能耗，同时维持系统约束。

仿真结果

在正弦和噪声扰动下的 12 自由度四旋翼模型上进行了评估。
ROAM 实现了：
- 早期跟踪精度提升 16.9%
- 计算时间减少 38.7%
- 在强外部扰动下相比经典 MPC 具有更优的轨迹跟随性能

结论

ROAM 表明，RL、观测器与 MPC 的深度集成可产生具有更快收敛速度、更好稳定性和更高韧性的控制系统。其轻量化和模块化设计使其非常适合在嵌入式 UAV 平台上进行实时部署。

Minimizing Maximum Age of Service in Virtualized Green IoT Networks

Sat, 07 Dec 2024 00:00:00 +0000

本项目解决了在太阳能驱动的绿色 IoT 网络中嵌入和调度应用的挑战，目标是最小化最大 Age of Service (AoS) — 一个表示数据生成到服务完成之间延迟的新鲜度指标。

目标

本研究聚焦于由可再生能源（太阳能）驱动的虚拟化、具备计算能力的 IoT 基础设施。应用被建模为包含 Virtual Network Functions (VNFs) 的 Directed Acyclic Graphs (DAGs)，需要在波动的能量和计算约束下执行。

主要贡献

Mixed Integer Linear Programming (MILP) 建模

提出了首个 MILP 模型，联合优化：
- 设备选择与采样时间
- DAG 请求嵌入决策
- 设备、网关和服务器的能耗
目标：最小化所有 DAG 请求的最大 AoS。

启发式与预测控制方案

开发了 GreedyOL，一种基于当前 AoS 嵌入 DAG 的快速启发式算法。
提出了 RHCOP，一种 Receding Horizon Control Optimization 框架：
- 利用 Gaussian Mixture Models (GMMs) 预测太阳能到达量和无线信道增益。
- 仅使用因果（非未来）信息实现实时调度。

结果与洞察

RHCOP 实现了最优 MILP 的 1.07 倍 min-max AoS，GreedyOL 为 1.13 倍。
更多的网关和服务器由于增强的冗余性和灵活性而降低了 AoS。
VNF-C（采集）和 VNF-P（处理）数量相等时可获得最优新鲜度。

更广泛的影响

所提出的系统为能耗感知、延迟敏感的 IoT 应用奠定了基础，尤其适用于偏远或能源受限的环境。研究结果揭示了计算新鲜度、资源分配与绿色网络部署策略之间的权衡关系。

[IEEE Transactions on Services Computing 投稿] — 即将发表