Robust MPC 1 （不确定性的类型）

Robust and Stochastic Model Predictive Control

本博客仅记录本人的学习笔记，非原创，旨在监督自己学习进度，争取日更！！！—— effer（某不知名大学控制专业研究生）

不确定性的类型

鲁棒和随机控制涉及对某种意义上不确定的系统的控制，由于基于名义模型的预测行为与实际行为并不相同，不确定性可能以不同的方式出现。系统可能具有未知的附加扰动，系统的状态可能不完全已知，或者用于确定控制的系统模型可能不准确。

具有加性扰动的系统满足以下差分方程：

$x^{+}=f(x,u,w)$

如果扰动$w$有界，通常可以设计一个模型预测控制器，确保所有可能的扰动序列都满足状态和控制约束（Robust MPC）。如果扰动无界，则不可能确保所有扰动序列都满足通常的状态和控制约束。或者设计模型预测控制器，以确保平均满足约束，或者更常见的是，满足预定概率（Stochastic MPC）。

状态无法被精确测量的情况可通过多种方式来处理。例如，固有的鲁棒性通常使用以下模型：

$x^{+}=f(x+e,u,w)$

$e$表示状态测量误差，在Stochastic最优控制文献中，测量输出为 $y=Cx+v$ ，而且扰动$w$和$v$通常假设为高斯白噪声过程，最优问题的状态或超状态是给定先验测量值$(y(0),y(1),...,y(k-1))$后，状态 $x$ 在 $k$ 时刻的条件密度。由于该密度通常难以计算和使用，除了由卡尔曼滤波器提供的线性情况外，通常会采用次优程序。在这种次优方法中，状态 $x$ 被替换为在状态可访问的假设下确定的控制律中的估计值 $\hat{x}$。此过程通常称为确定性等效，该术语最初用于线性二次高斯 (LQG) 或此过程不会导致最优性损失的类似情况。当 $f(\cdot )$ 是线性时，状态估计可以用以下查分方程表示：

${\hat{x}}^{+}=g(\hat{x},u)+\xi$

其中 $\xi$ 为 $innovation$ $process$ ，在控制 $\hat{x}$ 时，我们应该确保实际状态 $x$ 肯定满足最优控制问题的约束，如果 $innovation$ $process$ 是有界的，则实际状态 $x$ 位于有界的、可能时变的集合中(Robust MPC)。如果$innovation$ $process$ 不受限制，则应满足预定概率（Stochastic MPC）的约束。

具有参数不确定性的系统可以建模为：

$x^{+}=f(x,u,\theta )$

其中 $\theta$ 表示为系统参数，但这些参数属于一个紧凑集 $\Theta$ 。一个被广泛研究的例子是：

$x^{+}=Ax+Bu$

其中，$\theta :=(A,B)$ 可以取集合 Θ : = c o { ( A i , B i ) ∣ i ∈ I } , I = { 1 , 2 , 3 , . . . , I } \Theta : = co\{ ({A_i},{B_i})|i \in {\cal I}\} ,{\cal I} = \{ 1,2,3,...,{\rm I}\} Θ:=co{(Ai​,Bi​)∣i∈I},I={1,2,3,...,I}中的任何值。

最后，系统描述可能不包括所有的动力学。例如，可以快速忽略快速动力学以简化系统描述，或者可以通过常微分方程（ODE）对由偏微分方程描述的系统进行建模。

当然，所有的这些类型的不确定性都可能出现在单独的实际应用中，下面的研究我们重点关注加性扰动的影响，输出MPC（其中控制器采用状态估计，而不是状态本身）。

参考书目《Model Predictive Control: Theory, Computation, and Design 2nd Edition》By James B. Rawlings