基于虚拟参考反馈整定的改进无模型自适应控制

针对一类离散时间非线性系统, 提出一种基于虚拟参考反馈整定的改进无模型自适应控制方案. 首先, 利用动态线性化方法给出非线性系统的紧格式动态线性化模型; 然后, 基于优化技术设计控制算法和伪偏导数估计算法; 最后, 设计基于虚拟参考反馈整定的伪偏导数初值和重置值的估计算法. 该控制方案设计仅依赖于被控系统的输入和输出数据, 且能保证闭环系统的稳定性和收敛性. 仿真比较结果验证了所提出方法的有效性.

     

基于坐标补偿的自动泊车系统无模型自适应控制

针对自动泊车系统,提出了无模型自适应控制(Model-free adaptive control, MFAC)方案.控制方案的设计仅利用泊车系统的前轮转角输入数据和车身角输出数据,不包含车辆模型信息.因此,针对不同车型的自动泊车系统,该方案均能实现无模型自适应控制.为了改善期望轨迹的坐标跟踪误差,进一步提出基于坐标补偿的无模型自适应控制方案,该方案由控制算法、参数估计算法、参数重置算法和坐标补偿算法构成.针对不同车型不同泊车速度的仿真结果表明,基于坐标补偿的MFAC方案和原型MFAC方案均能较好地完成自动泊车过程,且基于坐标补偿的MFAC方案相比原型MFAC方案和PID控制方案,在轨迹坐标和车身角等方面均具有更小的跟踪误差和更快的响应速度.     

An Anticipatory Terminal Iterative Learning Control Approach with Applications to Constrained Batch Processes

This work presents an anticipatory terminal iterative learning control scheme for a class of batch processes, where only the final system output is measurable and the control input is constant in each operations. The proposed approach works well with input constraints provided that the desired control input with respect to the desired trajectory is within the saturation bound. The tracking error convergence is established with rigorous mathematical analysis. Simulation results are provided to show the effectiveness of the proposed approach.     

城市交通区域的迭代学习边界控制

已有的边界控制方法主要是基于模型的反馈控制算法,其实际应用效果受制于模型参数的标定和环境的影响.迭代学习控制以完全跟踪为目标,仅利用较少的模型信息就可以沿迭代轴实现对系统期望输出的完全跟踪.基于城市交通流的重复特性,提出一种城市交通区域的迭代学习边界控制方法,给出跟踪误差收敛性分析.以日本横滨区域为对象分别进行3种场景的仿真:早高峰、晚高峰和中心区域拥堵.仿真结果表明,迭代学习控制方法对于各种场景下的区域路网交通均能达到较为理想的控制效果.     

宏观交通流模型参数的迭代学习辨识方法

利用宏观交通流行为的重复性特性, 将快速路宏观交通流模型转换为包含此模型的一般离散时间非线性系统模型, 然后针对此一般离散时间非线性系统模型设计了基于迭代学习的宏观交通流模型参数辨识算法. 严格的理论推导证明了这种参数辨识方案的收敛性和鲁棒性. 仿真结果验证了该算法的有效性.     

离散时间非线性系统的数据驱动无模型自适应迭代学习控制

本文基于迭代域的动态线性化方法,提出了一类单入单出离散时间非线性系统的数据驱动无模型自适应迭代学习控制方案.无模型自适应迭代学习控制本质上属于一种数据驱动控制方法,仅利用被控对象的输入输出数据即可实现控制方案的设计.理论分析表明无模型自适应迭代学习控制方案可以保证最大学习误差的单调收敛性.数值仿真和快速路交通控制应用验证了无模型自适应迭代学习控制方案的有效性.     

未知异构非线性多智能体系统的无模型自适应编队控制

研究一类未知异构非线性多智能体的编队控制问题.首先,利用全格式动态线性化(full form dynamic linearization,FFDL)方法将未知非线性智能体转化为含有时变参数的数据模型,并给出时变参数的估计方法;然后,基于该数据模型设计一种分布式无模型自适应多智能体编队控制方案;最后,为验证所提出的无模型自适应编队控制方案的有效性,利用3台NAO机器人开发基于Python的多智能体编队控制实验平台.实验比较结果表明,通过所提出的控制方案可使3台机器人仅利用局部信息就能有效完成编队控制任务,控制性能优于基于PID的编队控制方法.     

非线性离散时间系统的最优终端迭代学习控制

仅利用系统的终端输出误差而不是整个输出轨迹,提出了一种最优终端迭代学习控制方法.控制信号可直接通过终点的误差信息进行更新.主要创新点在于控制器的设计和分析只利用系统量测的I/O数据而不需要关于系统模型的任何信息,并可实现沿迭代轴的单调收敛.在此意义上,所提出的控制器是数据驱动的无模型控制方法.严格的数学分析和仿真结果均表明了所提出方法的适用性和有效性.     

快速路交通密度的自抗扰控制器设计及不同扰动情况下的性能评价

本文针对快速路主道交通密度的控制问题,提出了一种新的自抗扰匝道调节方法.该方法包括跟踪微分器(TD)、扩展状态观测器(ESO)和非线性输出误差反馈控制律(NLOEF)3个部分.通过微分跟踪环节安排的过渡过程,可有效降低系统的超调;而系统外部不确定性可通过ESO估计,并将估计信息用于NLOEF更新控制信号.本文分别基于宏观MATLAB和微观PARAMICS平台进行了仿真研究,验证了所提出方法抑制不同类型外部扰动的有效性.     

扰动抑制无模型自适应控制的鲁棒性分析

针对一类存在测量扰动的SISO非线性离散时间系统,研究无模型自适应控制算法的扰动作用问题.首先给出了系统输出误差与测量扰动的关系,分析了测量扰动对控制性能的影响.然后提出了一种带有滤波器的改进无模型自适应控制算法,该算法较常规无模型自适应控制算法可有效抑制测量扰动的作用.仿真结果验证了理论分析的正确性.