包括的な車両性能のための学習エージェントベースモデル予測制御

- 車両性能を包括的に向上させるための分散制御手法である Agent-based Model Predictive Control (AMPC) を拡張した Learning Agent-based MPC (LAMPC) を提案。 - モデルベースの AMPC とデータベースの学習手法を組み合わせたハイブリッド制御スキーム。 - 未知のエージェントの寄与を Gaussian Process Regression (GPR) で学習し、予測平均を MPC のシステムモデルに組み込む。 - 予測分散に基づくソフトチャンス制約で安全性と実現可能性を確率論的に保証。 - シミュレーションと実験で従来の AMPC を上回る性能を示し、リアルタイム実装が可能で任意の制御エージェントトポロジーに柔軟に対応。

- 従来の AMPC は全てのエージェントまたはその寄与が既知であることを前提とし、予測精度に最適性が依存するため実際の実装には理想的すぎた。 - 提案手法 LAMPC は、未知の寄与を GPR で学習することでこの制約を克服。 - 学習能力により、よく学習されたシナリオでは追従性能が向上し、学習が不十分なシナリオでも制約を常に満たすことを保証。 - 従来の AMPC と比較して、より実用的でロバストな制御を実現。

- モデルベースの AMPC とデータベースの学習を融合したハイブリッド制御スキーム。 - 学習コアとして Gaussian Process Regression (GPR) を使用し、オンラインデータ管理戦略で強化。 - 新規のマルチステップ予測メカニズムにより、ホライズンに沿って GPR の学習ポテンシャルを活用。 - 予測平均を未知の寄与の学習結果として MPC のシステムモデルに組み込み、より正確な制御を実現。 - 予測分散に基づくソフトチャンス制約を用いた確率論的フレームワークで制御の安全性と実現可能性を保証。

- シミュレーションと実験の両方を実施。 - 学習能力により、LAMPC が従来の AMPC を上回ることを示した。 - よく学習されたシナリオでは高い追従性能を達成し、学習が不十分なシナリオでも制約満足を常に保証。 - 提案するハイブリッド制御スキームがリアルタイム実装に効率的であり、任意の制御エージェントトポロジーに柔軟であることを確認。

- 要旨からは不明。

- 要旨で参照/比較されている研究: Agent-based Model Predictive Control (AMPC)。 - 関連手法: Gaussian Process Regression (GPR)、Model Predictive Control (MPC)。 - 同分野の定番: 分散制御、マルチエージェントシステム、車両制御。