高阶模型预测控制策略源码。

简介：
通过融合策略搜索与深度神经网络，有望在诸多决策任务中实现自动化。 模型预测控制（MPC）凭借其利用系统动态模型并在较短的时间范围内在线优化问题的能力，为机器人控制任务提供了坚实可靠的方案。 在本研究中，我们探索了学习模型预测控制（High-MPC）的高级策略，并结合概率决策方法以及人工神经网络的泛化能力，以实现强大的在线优化效果。 经过训练的神经网络策略，基于机器人的本地感知信息，能够为底层MPC控制器提供适应性的高级决策变量选择，进而为机器人生成最优控制指令。 进一步地，我们首先将MPC的高级决策变量的搜索过程转化为一个策略搜索问题，具体而言是一个概率推断问题。 该问题可以得到封闭形式的精确解。 此外，我们还提出了一个用于学习神经网络高级策略的自监督学习算法，该算法能够应用于高度动态环境中的实时超参数调整。 通过运用所提出的方法解决具有复杂性的控制挑战，我们成功展示了将在线自适应技术集成到自主机器人系统中的可行性。