Information-Theoretic Framework for Self-Adapting Model Predictive Controllers

Created by

Haebom

저자

Wael Hafez, Amir Nazeri

💡 개요

본 논문은 동적 환경 변화에 실시간으로 적응하지 못하는 기존 모델 예측 제어(MPC)의 한계를 극복하기 위해 정보 이론적 접근 방식인 'Entanglement Learning(EL)'을 제안합니다. EL은 'Information Digital Twin(IDT)'을 통해 MPC 입력, 제어 행동, 시스템 동역학 간의 정보 흐름을 정량화하고 'entanglement metrics'라는 새로운 지표를 사용하여 상호 의존성을 추적합니다. 이를 통해 성능 저하를 감지하고 MPC 파라미터를 실시간으로 조정하여 안정성을 유지하며 적응성을 향상시킵니다.

🔑 시사점 및 한계

•

MPC의 실시간 적응 능력을 정보 이론적 관점에서 획기적으로 개선하여 동적 환경에서의 자율 시스템 성능을 향상시킬 수 있습니다.

•

기존 MPC 프레임워크에 쉽게 통합 가능하며, UAV뿐만 아니라 적응성이 요구되는 다양한 MPC 응용 분야에 확장 적용될 수 있습니다.

•

정보 흐름 기반의 적응은 오류 기반 피드백보다 선제적인 대응을 가능하게 하여 시스템의 신뢰성과 강건성을 높입니다.

•

새로운 정보 이론적 지표들의 계산 복잡성과 실제 시스템 적용 시의 실시간 처리 가능성에 대한 추가적인 연구와 검증이 필요합니다.

PDF 보기

Made with Slashpage