Key points are not available for this paper at this time.
Le contrôle prédictif par modèle (MPC) est une approche puissante, basée sur l'optimisation, pour le contrôle des systèmes dynamiques. Cependant, la complexité computationnelle de l'optimisation en ligne peut être problématique sur des dispositifs embarqués. En particulier, lorsque nous devons garantir des fréquences de contrôle fixes. Ainsi, des travaux précédents ont proposé de réduire la charge computationnelle en utilisant l'apprentissage par imitation (IL) pour approcher la politique de la MPC par un réseau de neurones. Dans ce travail, nous apprenons plutôt l'ensemble de la trajectoire planifiée de la MPC. Nous introduisons une combinaison d'une nouvelle architecture de réseau de neurones PlanNetX et d'une fonction de perte simple basée sur la trajectoire d'état qui tire parti de la structure de contrôle optimal paramétrée de la MPC. Nous validons notre approche dans le contexte de la conduite autonome en apprenant un planificateur longitudinal et en le benchmarkant de manière approfondie dans le simulateur CommonRoad à l'aide de scénarios synthétiques et de scénarios dérivés de données réelles. Nos résultats expérimentaux montrent que nous pouvons apprendre la trajectoire MPC en boucle ouverte avec une grande précision tout en améliorant la performance en boucle fermée de la politique de contrôle apprise par rapport à d'autres références comme le clonage de comportement.
Hoffmann et al. (Mon,) ont étudié cette question.