Mamba 序列建模遇上模型预测控制

《IEEE Open Journal of Control Systems》：Mamba Sequence Modeling Meets Model Predictive Control

　　

摘要：

本文探讨了基于Mamba神经网络的模型预测控制（MPC）算法设计。Mamba是一种神经网络架构，具备亚二次计算复杂度随序列长度扩展的能力，并具有最先进的建模能力。本文提供了Mamba神经网络的一致且完整的数学描述。随后，通过调整和优化的方式，构建了一个仅含解码器的Mamba多步预测器用于MPC，并给出了面向动态系统序列到序列建模的输入-输出表述。我们在多个数值算例上评估了Mamba-MPC的性能，并将其与基于长短期记忆网络的MPC（LSTM-MPC）和基于Transformer的MPC（Transformer-MPC）进行比较，以对比计算复杂度扩展性。首先，考察了单输入单输出（SISO）Van der Pol振子系统，评估了稳定性、参考跟踪和噪声鲁棒性。接着，引入了多输入多输出（MIMO）四水箱系统，评估了多输入多输出的参考跟踪性能。最后，在Quanser Aero2物理平台上实现了Mamba-MPC，进行了闭环参考跟踪实验。结果表明，Mamba-MPC能够稳定单输入单输出和多输入多输出系统并跟踪参考信号，无论是在仿真环境还是在物理平台上均表现如此。此外，Mamba-MPC在预测控制中始终优于LSTM-MPC，且在计算速度上有显著提升。