Key points are not available for this paper at this time.
التحكم التنبؤي بالنموذج (MPC) هو نهج قوي يعتمد على التحسين للتحكم في الأنظمة الديناميكية. ومع ذلك، فإن التعقيد الحاسوبي للتحسين عبر الإنترنت قد يكون مشكلة في الأجهزة المدمجة. خاصة، عندما نحتاج إلى ضمان ترددات تحكم ثابتة. وبالتالي، اقترحت الأعمال السابقة تقليل العبء الحاسوبي باستخدام التعلم بالتقليد (IL) لتقريب سياسة MPC بواسطة شبكة عصبية. في هذا العمل، نتعلم بدلاً من ذلك المسار المخطط الكامل لـ MPC. نقدم مزيجًا من بنية شبكة عصبية جديدة PlanNetX ودالة خسارة بسيطة تستند إلى مسار الحالة تستفيد من هيكل التحكم الأمثل المعامل لـ MPC. نتحقق من صحتنا في سياق القيادة الذاتية من خلال تعلم مخطط طولي وتقييمه بشكل مكثف في محاكي CommonRoad باستخدام سيناريوهات اصطناعية وسيناريوهات مستمدة من بيانات حقيقية. تظهر نتائجنا التجريبية أن بإمكاننا تعلم مسار MPC المفتوح بدقة عالية مع تحسين أداء الحلقة المغلقة للسياسة المتعلمة مقارنةً بنماذج أساسية أخرى مثل تقليد السلوك.
درس هوفمان وآخرون (Mon ،) هذا السؤال.