基于高斯过程建模的移动机器人学习预测控制方法

移动机器人在复杂地形条件下面临环境和模型不确定性的挑战, 例如草地、陡坡等环境会对移动机器人的高精度控制造成影响. 本文提出了一种基于高斯过程建模的移动机器人学习预测控制方法, 能够对环境和模型不确定性进行实时的建模和预测, 并将该模型用于最优控制策略的学习中, 完成在模型和环境不确定下的机器人运动控制. 该方法利用高斯过程回归对环境和模型不确定性进行建模, 并结合系统运动学方程得到误差状态模型, 并将该模型用于滚动时域强化学习中, 通过迭代优化学习最优控制策略. 最后, 针对移动机器人在椭圆和8字形轨迹上的横向跟踪控制问题, 进行了仿真实验, 并与非线性模型预测控制进行比较. 结果表明, 本文提出的方法能够有效提升复杂地形条件下控制器的控制性能, 在性能指标上相比未采用高斯过程建模的滚动时域强化学习方法提高20%, 比非线性模型预测控制方法提高36%, 验证了所提方法的有效性和优越性     

基于模型预测的侧风稳定性主动前轮转向控制研究

受侧风影响,高速行驶的车辆易偏离预定行驶轨迹,增加驾驶员“误操作”的风险,存在较大安全隐患,为此,该文开展了车辆侧风稳定性主动控制研究。该研究通过建立附加气动力作用的三自由度整车动力学模型,设计主动前轮转向的车辆侧风稳定性模型预测控制器,并搭建 Simulink-CarSim 联合仿真平台进行验证分析。结果表明,在单向侧风工况和交变侧风工况下,带侧风稳定控制的车辆最大侧向偏移量为 0.01 m,远低于无控制时的偏移量;横摆角速度平台值保持在“0”左右,横摆角速度峰值最高降低了 80%,极大地提高了车辆的侧风稳定性。     

基于ResNeSt网络路面状态识别的主动悬架模型预测控制

为了提升不同运行工况下的路面状态识别精度及主动悬架平顺性控制性能,提出一种基于ResNeSt网络路面状态识别的主动悬架模型预测控制(MPC)方法.首先,搭建基于多路径分散注意力思想的ResNeSt网络架构,建立面向主动悬架实时控制的路面状态识别算法,采用交叉熵目标损失函数和AdamW梯度下降算法进行网络训练以及测试实验验证;然后,在此基础上设计基于路面状态识别的主动悬架MPC控制算法,根据离散状态空间方程推导悬架系统预测模型,以悬架预测输出和控制力输入为性能指标建立目标函数,并考虑不同路面的控制策略确定加权矩阵取值,在系统约束条件下,将MPC目标函数转化为二次最优规划问题的求解;最后,将所提出控制算法与被动悬架、LQG控制进行对比仿真分析,结果表明:ResNeSt网络可以快速准确地识别多种路面状态,所提出控制算法能够根据路面状态对悬架进行实时瞬态主动控制,簧载质量加速度、悬架动挠度和轮胎动载荷的均方根值平均值相比LQG控制分别降低36.56%、32.99%和36.28%.     

具有可参数化不确定性系统的对偶自适应模型预测控制

控制系统中存在的不确定性为其性能优化带来诸多问题.自适应控制和鲁棒控制是针对系统存在的不确定性而采取的不同设计策略;前者没有充分考虑系统的未建模动态,而后者往往是针对不确定的最大界而设计,具有较强的保守性.本文试图将自适应控制和鲁棒控制的策略相结合,提出了一种在模型预测控制中利用未来不确定信息的对偶自适应模型预测控制策略.该策略将系统中由未建模动态引起的不确定性参数化表达,并为其设定边界约束,作为优化问题中新的约束,在优化控制目标的同时减小系统不确定性对控制的影响.仿真结果表明,本文提出的算法较传统自适应模型预测控制算法,对于系统存在的不确定性由于在迭代过程中采用参数化描述,得到了更好的系统性能,且具有更好的收敛性.     

多面体不确定线性系统具有约束满足保证的预测控制(英文)

基于不变集理论, 拓展了Chiscil等人提出的约束不变预测控制方法(ICPC), 提出了一种适用于带约束多面体不确定线性系统的预测控制的框架. 其关键在于为针对标称系统设计的在线优化问题附加适当的额外的鲁棒可行约束. 若优化问题在初始阶段可行, 则此约束可保证在线优化问题始终可行, 从而保证了实际系统中约束条件的始终满足. 同时提出了闭环系统鲁棒稳定的一个充分条件, 可为成本函数的选择提供指导以保证预测控制器的鲁棒镇定.     

主动叶尖间隙模型预测控制系统设计与仿真

为将发动机全工况内叶尖间隙控制在最佳状态,首先,提出实现间隙主动控制的双闭环控制系统结构;其次,设计一种由多个电子机械式作动装置成的可变结构的机匣结构,并建立了其数学模型;然后,应用基于串级模型预测控制的主动间隙控制策略,完成了控制器的设计;最后,以某发动机叶尖间隙变化为被控对象,仿真验证了所设计系统.结果表明:所设计系统控制偏差≤0.01 mm,对对称性间隙变化和非对称性间隙变化的控制效果均较好,可为主动叶尖间隙控制的实现提供参考.     

基于迭代学习与模型预测控制的交通信号混合控制方法

针对基于迭代学习控制的交通信号控制方法对于路网中存在的非重复性实时干扰不能进行有效处理的问题,本文在基于迭代学习控制的交通信号控制方法基础上,结合模型预测控制滚动优化和实时校正的特点,提出了一种基于迭代学习与模型预测控制的交通信号混合控制方法.该方法在有效利用交通流周期性特征改善路网交通状况的同时,可借助模型预测控制的...     

基于高斯过程回归的主动配电网负荷控制优化方法

以需求响应为核心进行配电网负荷控制优化时,节能百分比较低。因此,提出基于高斯过程回归的主动配电网负荷控制优化方法。依托于随机森林算法,判断所有输入变量的重要性,明确主动配电网负荷影响变量。运用高斯过程回归原理,应用负荷预测算法,准确得出主动配电网需求侧未来一段时间内的负荷要求。在此基础上,以直接负荷控制为核心,建立负荷控制协调优化模型,再应用遗传算法求解最优负荷控制优化方案。算例分析结果表明：所提优化方法的节能百分比达到6.23%,说明该方法达到了节能的目的。     

基于神经模型预测控制的主动队列管理算法

基于模型预测理论,提出了用于支持TCP流的IP路由器主动队列管理控制器——神经模型预测控制器(NM PC).这种控制器使用了不同的时间延迟环节近似方法以及不同的近似非线性模型.控制器的主要目标是在高动态网络条件下稳定瓶颈路由器的队列长度.仿真结果表明,与采用RED算法及REM算法的控制器相比,这种控制器具有较好的鲁棒性和较短的响应时间,尤其是网络在大流量和具有高动态性条件下效果更为明显.     

基于串联结构的分布式模型预测控制

分布式模型预测控制(Distributed model predictive control, DMPC)是一类用于多输入多输出的大规模系统的控制方式.每个智能体通过相互协作完成整个系统的控制. 已有的分布式预测控制算法可以划分为迭代式算法和非迭代算法:迭代算法在迭代到收敛情况下,具有集中式预测控制(Centralized model predictive control, CMPC)算法的性能,但迭 代次数过多,子系统间通信量大;非迭代算法不需要迭代,但性能有一定损失.本文提出了一种基于串联结构的非迭代分布式预测控 制算法.本文算法在串联结构系统中可以有效减少计算量,并结合氧化铝碳分解(Alumina continuous carbonation decomposition process, ACCDP)这一串联过程,通过仿真验证了算 法的有效性;同时分析了算法运用在串联结构下的性能并证明了其稳定性.     

一种间歇过程的综合预测迭代学习控制方法

为了提高迭代学习控制方法在间歇过程轨迹跟踪问题中的收敛速度,本文将批次间的比例型迭代学习控制与批次内的模型预测控制相结合,提出了一种综合应用方法.首先根据间歇过程的线性模型,预测出比例型迭代学习控制的系统输出,然后在批次内采用模型预测控制,通过极小化一个二次型目标函数来获得控制增量.该方法可使系统输出跟踪期望轨迹的速度比比例型迭代学习控制方法更快些.最后通过仿真实例验证了该方法的有效性.     

基于学习的群体动画生成技术研究

为了降低群体动画中生成大量自然而又相似的人体运动的难度和复杂性,研究了一种基于学习的群体动画生成技术。该技术首先通过建立基于高斯过程隐变量模型和隐空间动态模型的运动姿势学习模型,将高维运动姿势映射到低维隐空间中,并在低维隐空间对相邻姿势的动态演化进行建模;然后通过对已有运动数据的学习来获得组成该运动的姿势的概率分布,再通过隐空间中的动态预测和Hybrid Monte Carlo采样来得到符合给定概率分布的隐轨迹;最后通过姿势重构来得到与原运动非常相似但又不同的一系列自然的运动,以产生群体动画,从而避开了传统的基于几何和物理约束的逆运动方法固有的困难和复杂性。     

台风最大风速预测的高斯过程回归模型

针对影响台风最大风速的输入变量较多以及输入变量与输出变量之间的非线性变化特点,首先计算各个输入变量与输出变量间的互信息,这些互信息间接地反映了各个输入变量与输出变量间的相关性;然后根据t检验法确定一个阈值,对于互信息小于阈值的输入变量作不相关变量处理,筛选出最佳的模型输入变量;最后采用高斯过程回归模型对筛选后的样本集进行拟合,在贝叶斯非参数建模的框架下,确定高斯过程回归模型的协方差函数.仿真结果表明,所得高斯过程模型能够满足绝对误差的预定要求,且具有较大的实用价值.     

Iterative learning control-based batch process control technique for integrated control of end product properties and transient profiles of process variables

Importance of batch processes has grown recently with the increasing economic competition that has pushed the manufacturing industries to pursue small quantity production of diverse high value-added products. Accordingly, systems engineering research on advanced control and optimization of batch processes has proliferated. In this paper, we examine the potentials of ‘iterative learning control (ILC)’ as a framework for industrial batch process control and optimization. First, various ILC rules are reviewed to provide a historical perspective. Next it is shown how the concept of ILC can be fused with model predictive control (MPC) to build an integrated end product and transient profile control technique for industrial chemical batch processes. Possible extensions and modifications of the technique are also presented along with some numerical illustrations. Finally, other related techniques are introduced to note the similarities and contemplate the opportunities for synergistic integration with the current ILC framework.     

带终端滑模约束的非线性模型预测控制方法

将预测控制和滑模控制结合起来,提出一种非线性性模型预测控制方法。给出一种可行的双模控制方案,系统状态位于终端区外时采用提出的预测控制,在终端区内部采用高线设计的滑模控制。对系统终端滑模附加不等式约束,使得系统状态在预测时域的末端位于高线设计的滑动模态区内,从而使预测时域减小。仿真结果表明了算法的有效性。     

烘丝过程中的组合积分控制器与双重控制研究

在烟草行业的烘丝过程中,烟丝的出口水分作为被控对象常常具有大滞后与强非线性的特性,且在工艺流程中通常存在干扰因素;当前,这一过程中大多仍采用传统PID控制器,存在响应稳态误差大、响应时间长等问题,进而影响烟丝的最终品质;针对这一情况,引入组合积分控制器替代传统PID控制器在烘丝过程中的作用;同时引入双重控制,并与组合积分控制器相结合;针对控制对象进行的仿真实验结果表明,这一新型控制策略在烘丝过程出口水分的控制效果上明显优于传统PID控制器,稳态误差较小且响应迅速,证明了组合积分控制器运用在双重控制系统中时具有优异的动态性能与鲁棒性;最后,这一新型双重控制算法已成功应用到烟草行业烘丝过程的水分控制上。