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.     

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.     

日本春日电机株式会社专家访问CQST

2007年10月24日，日本春日电机株式会社的静电防爆专家铃木先生一行两人，对南阳防爆电气研究所国家防爆电气产品质量监督检验中心（CQST）进行了访问。     

数据驱动的策略优化控制律设计最新研究综述

随着通信技术和新一代人工智能的迅速发展,强化学习这一数据驱动的控制方法引起了极大的关注.本文回顾了强化学习中的一类典型方法——策略优化法——在系统控制律设计上的最新研究进展.主要讨论了其在各种重要线性最优控制问题上的收敛性及样本复杂度,例如线性二次控制、输出反馈控制、■控制、分布式控制等.此外,对策略优化法在网络化系统控制中的应用作了展望.