面向FPGA便捷部署的智能模型预测控制

现场可编程逻辑门阵列(FPGA)具有可编程、易并行化的独特优势, 是实现一体化感知、决策、控制最具前景的人工智能芯片之一, 但其硬件描述语言(HDL)不易掌握. 本文提出了一种基于神经网络的智能MPC及其FPGA便捷部署方法, 使用高层次综合(HLS)生成HDL代码, 并通过MATLAB-Modelsim联合仿真验证代码功能, 可克服人工编写HDL代码的困难, 提高控制算法的部署效率. 该方法利用了深度神经网络的结构特点和FPGA的并行计算优势, 离线训练神经网络在线仅需硬件化正向传播, 在低资源占用的同时具有严格计算时间保证. 将所提方法分别应用于高速、高维控制系统中, FPGA在环测试验证了其有效性.     

镇定网络化线性系统的数据率定理

传统控制理论研究如何利用反馈信息实现控制目标,且通常假定通信链路的物理局限性对控制系统没有显著影响.通信理论研究如何将信息从信道的一端可靠地传输到另一端,但忽略传输信息的具体用途.因此,控制和通信在过去是两门相对独立发展的学科.网络化控制系统的涌现促使研究者综合利用控制和通信理论来刻画反馈通信网络对控制系统的影响.本文回顾了基于数字通信网络的离散线性系统的可镇定性问题.特别地,基于信息理论的控制方法,讨论了镇定网络化线性系统所需的最低通信数据率问题.结果表明,最低数据率本质上取决于开环系统的拓扑熵率.     

网络化分布式凸优化算法研究进展

分布式优化是指利用网络化多自主体之间的协作来求解的一类优化问题,其在大规模数值计算、机器学习、资源分配、传感器网络等方面具有重要的研究意义和应用价值.自主体之间的协作通常基于代数图来描述,且图的结构对分布式优化算法的设计与性能有显著影响.本文针对凸优化问题,基于平衡图和非平衡图的情形,简要讨论了分布式优化算法的最新研究进展,并对今后的发展趋势和应用进行展望.     

基于元强化学习的自动列车定速控制

本文考虑自动列车在路况变化下的定速控制问题. 由于铁路路况的复杂以及列车动力学的不确定性, 基于模型的控制器难以稳定、快速、精确地进行定速控制. 我们提出了一种无模型控制器, 其只需要很少的列车运行数据即可适应新的路况. 首先, 我们将列车的定速控制问题建模为一系列转移概率未知的静态连续马尔可夫过程. 然后, 我们应用元强化学习去求解该马尔可夫过程, 得到自适应神经网络控制器. 仿真说明该无模型控制器能够高效地进行定速控制, 并能迅速适应新的环境, 同时满足系统约束.     

网络控制系统的最新研究综述

随着传感、信号处理和通信技术的快速发展,关于网络控制系统(Networked control systems, NCSs)的研究引起了极大的关注.本文拟回顾关于网络控制系统的最新研究进展. 为揭示反馈通信网络对控制系统的影响,主要讨论了为满足不同控制目的所需的各种网络条件, 例如: 在时变信道的环境下,保证线性系统可镇定性 所需的最低编码率;在间断观测的环境下,保证卡尔曼滤波器稳定性的临界丢包条件;在时不变连接图的环境下, 达到线性多自主体系统趋同性所需的网络拓扑结构;在通信资源有限的情况下,基于事件驱动的采样与控制方法等.