基于变换器的模型预测控制：通过序列建模进行轨迹优化

模型预测控制（MPC）已确立为约束控制的主要方法论，使得在各种现实世界场景中实现通用机器人自主变得可能。然而，对于大多数感兴趣的问题，MPC依赖于高度非凸轨迹优化问题的递归解决，导致高计算复杂性和对初始化的强依赖。在这项工作中，我们提出了一个统一框架，以结合基于优化和基于学习的方法在MPC中的主要优点。我们的方法包括在轨迹生成的优化过程中嵌入高容量的基于变换器的神经网络模型，其中变换器为非凸优化问题提供近优的初始猜测或目标计划。我们在模拟和实际的自由飞行平台上进行的实验展示了我们框架在改善MPC收敛性和运行时间方面的能力。与纯粹的基于优化的方法相比，结果表明我们的方法可以将轨迹生成性能提高高达75%，将求解器迭代次数减少高达45%，并在不损失性能的情况下将整体MPC运行时间提高7倍。