在控制

多年来,控制系统采用许多行业已经发生了翻天覆地的变化,允许更复杂的操作和非线性动力学。满足行业需求的控制能够适应复杂的行为,包括动态或危险的环境无法人工干预,小君Chen博士,电子和计算机工程系助理教授,领导研究模型预测控制(MPC)汽车嵌入式系统。

“想象走在黑暗的房间里,试图理解环境和预测的最佳路径到达你的目标——所有在一步一个脚印,重复循环。这似乎是相当低效。然而,如果一个人可以获得持续的方向预测每一个步骤,可以执行任务,而快速有效地。模型预测控制就是这么做的。这是一个多变量控制算法,计算最优控制输入基于预测未来输出,”陈博士解释道。

实时优化控制技术,MPC已广泛应用于流程工业实现生产的一致性水平,经济和安全不能只通过人工手动控制。自MPC可以应用于线性和非线性系统和处理明确限制输入和状态,它一直是最受欢迎的控制方法为各种应用程序。重点采用MPC在嵌入式汽车控制,然而,相当近。

“MPC非常适合集成车辆控制,同时优化多个致动器的控制命令。这包括协调活动前转向和差动制动采用MPC,利用货币政策委员会同时纵向和横向控制的电动汽车,取得综合车辆动态控制通过MPC扭矩矢量,”陈博士说。

自从MPC解决,在每个时间步,一个最优控制问题((OCP),它需要很高的计算能力。嵌入式环境,另一方面,为其使用提供了巨大的挑战,由于计算能力/精度低的电子控制单元(ECU)和缺乏工具预生产验证和确认(v和v)。

为了减少货币政策委员会计算没有显著降低控制性能,一个方向,陈博士和他的团队最初探索了MPC, MPC触发时制定和解决(OCP只在需要的时候。由陈竺,你研究生Zhaodong周和克里斯托弗·洛特应用事件驱动的MPC自主车辆路径跟踪问题。OPC是制定跟踪车辆路径在纵向和横向方向,轴传动转矩和前转向输入的控制变量。控制性能和吞吐量需求不同的MPC设置测量和比较。

“我们发现time-triggered MPC相比,事件驱动的MPC计算储蓄的好处非常明显。事件驱动的mpc轻松计算需要,同时保持控制性能。我们开发了一种有效的非线性MPC算法适合在嵌入式ECU和执行提供了一个v和v的工具,允许从业人员执行彻底v和v在部署之前,”陈博士解释道。

然而,正如科学家欣然承认,有限制:事件触发政策通常需要先验知识的MPC闭环系统的行为,这并非总是如此。

为了克服这些限制,该集团进行了调查的任务使用模范自由强化学习(RL)触发MPC。这项研究是由你的最优控制与人工智能实验室,支持地区增高先进控制和优化算法的开发与应用在汽车和能源系统。

结果,团队提出了一个算法,RLeMPC,不需要任何的知识MPC闭环系统行为和提供了一个直接calibratable参数控制性能和MPC计算负载平衡。当RLeMPC应用于自主车辆路径跟踪问题,它优于基于阈值的事件触发机制。

“与传统控制相比,MPC可以预测未来状态的车辆在一段时间内,找到了最优控制序列预测的时间内通过预测未来车辆状态。这是符合人类驾驶习惯,因为人们下意识地开车时判断车辆的未来状态。然而,这个任务需要一个复杂的车辆模型来计算,而计算的数量可能超过车辆的中央处理能力的极限。通过减少的数量控制在不影响性能,我们让无人驾驶汽车更稳定,”Zhaodong周说,电气和计算机工程的博士学位。

汽车嵌入式系统并不是唯一Chen博士和他的团队的调查。阿里集团,也包括博士生Irshayyid,正在其他应用程序,如个性化自主驾驶,电源转换器控制、电池平衡控制,多车形成控制,和可再生能源集成。

陈博士的研究在一定程度上支持秒教师创业基金,或者URC教员的研究奖学金,密歇根空间格兰特财团种子资金和基金的礼物智能融合技术。

2022年12月,陈竺收到500000美元从NSF教职员工早期职业发展计划(职业)来资助他的项目“可重构和预测控制与强化学习主管积极电池平衡”期间5年。

请访问https://jchen2020.net更多信息或与陈博士联系junchen@www.zhongqiwg.com