基于可变障碍函数和强化学习的预设性能最优安全跟踪控制

研究一类具有未知初始跟踪条件的非线性系统预设性能最优安全跟踪控制问题.首先,开发一个基于可变障碍函数的性能约束控制设计的新方法,并基于已有的安全边界保护法(SBPM)提出一个新的安全边界自调整规律(SBSAL),使其不仅可以处理实际输出约束发生突变的情况,而且还可以解决突变解除后系统输出不能快速准确跟踪原期望轨迹的问题,使得安全跟踪控制策略更为完善.然后,采用演员-评论家神经网络(ACNNs)强化学习(RL)算法优化系统的控制输入,减少控制的能量消耗.
所设计预设性能最优安全跟踪控制器可保证系统在初始跟踪条件未知情况下的安全跟踪控制,且系统输出具有预设有限时间控制性能.最后,通过仿真验证所提出方法的有效性.