反回帰型ニューラルネットワークによるモデリングを通じた、安全な学習ベース非線形モデル予測制御（NMPC）への取り組み
arXiv cs.LG / 2026/3/26
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文は、非線形モデル予測制御（NMPC）における重要なボトルネックを扱う。すなわち、オンラインで非線形計画問題を解く処理が、制御レートが高く、モデルが複雑、または予測ホライズンが長い場合に、組込みハードウェアでは過度に高コストになり得る点である。
- そこで提案されるのがSequential-AMPCである。これは、予測ホライズン全体にわたってパラメータを共有することで、MPCの候補制御系列を生成するリカレントニューラルネットワークのポリシーを用いた、学習ベースのNMPC近似である。
- 導入可能性を確保するため、著者らは学習したポリシーを、安全性を考慮したオンライン評価とフォールバック機構で包み込むSafe Sequential-AMPCを導入する。
- 複数のベンチマークにおける実験の結果、Sequential-AMPCは、典型的な学習ベース手法に比べて、専門家（エキスパート）によるMPCロールアウトを大幅に少なくする必要がある一方で、より高い実現可能性をもつ候補系列を生成し、閉ループの安全性もより良好にすることが示される。
- 高次元システムでは、この手法により、少ないエポック数で学習ダイナミクスと性能が改善されることが確認され、さらにフィードフォワードのベースラインが停滞していても、安定した検証の改善が持続する。
