Unifying Sequential Quadratic Programming and Linear-Parameter-Varying Algorithms for Real-Time Model Predictive Control
Kristóf Floch, Amon Lahr, Roland Tóth, Melanie N. Zeilinger
本文介绍了一个统一框架,连接顺序二次编程(SQP)和迭代线性参数变化模型预测控制(LPV-MPC)技术。 使用LPV-MPC的差分公式,我们演示了SQP和LPV-MPC如何通过调度变量和微积分(FTC)嵌入技术的第二基本定理(FTC)嵌入技术的特定选择来统一,并比较它们的收敛特性。 这使得SQP的零序方法与LPV-MPC调度技术统一,以提高随机和健壮MPC问题的计算效率。 为了证明我们的发现,我们在模拟示例中比较了这两个方案。 最后,我们通过将其应用于基于高斯过程(GP)的MPC,通过真实世界的实验,介绍零阶LPV-MPC方法的实时可行性和性能。
This paper presents a unified framework that connects sequential quadratic programming (SQP) and the iterative linear-parameter-varying model predictive control (LPV-MPC) technique. Using the differential formulation of the LPV-MPC, we demonstrate how SQP and LPV-MPC can be unified through a specific choice of scheduling variable and the 2nd Fundamental Theorem of Calculus (FTC) embedding technique and compare their convergence properties. This enables the unification of the zero-order approach ...