制御2026/9/2arXiv:2609.02079v1

コープマン作用素に基づく確率的間欠計測を伴う非線形システムのロバストモデル予測制御

Koopman-Based Robust Model Predictive Control for Nonlinear Systems with Stochastic Intermittent Measurements

間欠的な状態計測下での非線形システムに対し、コープマン作用素を用いた線形化モデルと確率的制約緩和を組み合わせたMPCを提案し、閉ループ安定性と再帰的実行可能性を理論的に保証した。

詳しい要約

1. どんなもの？

本論文は、間欠的な状態測定（stochastic intermittent measurements）が発生する非線形システムに対する、Koopman作用素に基づくロバストモデル予測制御（MPC）フレームワークを提案している。測定欠落中は予測不確かさが増大し、測定トリガーによるリセットが公称状態伝播を乱すため、閉ループ安定性と再帰的実行可能性が損なわれる問題に対処する。提案手法は、確率的に打ち切られたソフト制約（probabilistically truncated soft constraints）を用いる。

2. 先行研究と比べてどこがすごい？

従来のMPCは完全な状態測定を仮定するか、欠落を決定論的に扱うことが多い。本手法は、測定欠落プロセスを2モードの離散時間Markov連鎖としてモデル化し、開ループ伝播と測定トリガーリセットを統合したMarkov jump誤差モデルを構築する点が新しい。また、Lipschitz制約付き深層Koopmanモデルにより線形潜在予測器を実現し、オンライン最適化の計算効率を高めている。さらに、分布に依存しない確率的誤差半径を構成し、ドロップアウト依存の制約強化を打ち切る点が先行研究と異なる。

3. 技術・手法の肝は？

手法の核は、(1) Lipschitz制約付き深層Koopmanモデルで非線形システムを線形潜在空間に埋め込み、計算効率の高い予測を可能にする点、(2) 測定欠落を2モードMarkov連鎖でモデル化し、予測誤差の平均二乗有界性を数値検証可能な十分条件の下で導出する点、(3) 分布に依存しない確率的誤差半径を所定の信頼水準で構成し、ドロップアウト依存の制約強化を打ち切る点、(4) リセット誘発ジャンプや長期欠落に対応するため、厳密ペナルティソフト制約機構を導入する点である。

4. どうやって有効だと検証した？

理論的検証として、提案する予測誤差が平均二乗有界であることを示し、閉ループ制御誤差の再帰的実行可能性と平均二乗有界性を証明している。数値検証として、視覚サーボ追跡タスクのシミュレーションを行い、確率的測定欠落下での追跡性能を実証している。

5. 議論はある？

要旨からは、提案手法の前提条件（終端互換性、有界外乱）が満たされない場合の挙動や、実機実験での検証、計算負荷の詳細、Koopmanモデルの近似誤差が制御性能に与える影響などについては不明である。また、分布に依存しない誤差半径は保守的になる可能性があり、実際の性能とのトレードオフが議論の余地がある。

6. 次に読むべき論文は？

要旨で参照されている関連研究として、Koopman作用素に基づくMPC、確率的MPC、Markov jumpシステムの制御、間欠測定下での状態推定などが挙げられる。具体的には、Koopman-based MPCの基礎論文や、stochastic MPCの標準的な文献（例えば、Cannonらの確率的MPC）、Markov jump linear systemsの制御理論に関する論文を読むことが推奨される。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Guanhua Liu, Tong Wu, Lixian Zhang, Weifeng Du, Minghao Han

分類: cs.RO, eess.SY

原文アブストラクト

Intermittent state measurements pose fundamental challenges to model predictive control of constrained nonlinear systems because prediction uncertainty grows during feedback outages and measurement-triggered resets disrupt nominal state propagation, potentially compromising closed-loop stability and recursive feasibility. This paper develops a Koopman-based stochastic MPC framework with probabilistically truncated soft constraints. Specifically, a Lipschitz-constrained deep Koopman model provides a linear latent predictor, enabling computationally efficient online optimization. The intermittent measurement process is modeled as a two-mode discrete-time Markov chain, yielding a unified Markov jump error model for open-loop propagation and measurement-triggered resets. Under numerically verifiable sufficient conditions, the prediction error is shown to be mean-square ultimately bounded, and an explicit uniform second-moment bound is obtained. A distribution-free probabilistic error radius is then constructed for a prescribed confidence level and used to truncate dropout-dependent constraint tightening. An exact-penalty soft-constraint mechanism accommodates reset-induced jumps and prolonged dropouts. Under the stated terminal compatibility and bounded-disturbance conditions, recursive feasibility and mean-square ultimate boundedness of the closed-loop regulation error are established. Numerical simulations on a visual-servoing tracking task corroborate these theoretical results and demonstrate effective tracking under stochastic measurement unavailability.

arXivで原文を読む →arXiv概要ページ