A neural model predictive control (MPC) controller for controlling a power system (i.e., a device) is described. The MPC controller receives the measurement result of the current state of the device in the basic controller, and generates control signals based on the measurement results of the current state of the device. The forward module receives the measurement results of the current state of the device, and the control signals to generate prediction of the forward module. The measurement results prior to receiving the corrector module equipment from the basic controller of the current state of the control signal to generate additional correction to the forward prediction module to generate the prediction of equipment state. A control sequence with a plurality of pairs of control signals and corresponding predicted device status is generated, with a length of L until the N has been generated
【技术实现步骤摘要】
【国外来华专利技术】用于控制器适应的系统和方法相关申请的交叉引用本申请是2014年9月30日提交的美国临时申请No.62/057,633的非临时专利申请,该美国临时申请的全部内容通过引用被包括在本文中。
技术介绍
(1)
本专利技术涉及一种控制器适应(adaptation)系统,并且更具体地,涉及一种给予系统(诸如自主和/或用户控制的汽车或飞机)的控制器快速地适应系统的动力学的变化的能力的控制器适配器。(2)相关技术的描述动力系统通常经由控制器操作。控制器的任务是在自主系统上评估操作参数(诸如周围环境等)并执行命令,以在操作参数的界限内执行任务并进行操作。已经开发了用于控制自主系统的多种系统和方法。例如,模型预测控制(参见所结合的参考文献列表,参考文献1)计算最佳控制命令来实现给定控制目标(例如,将汽车保持在车道中),但是这种计算取决于系统动力学的前向(forward)模型,并且使该模型适应突变要求另一种方法。诸如支持向量回归(参见参考文献2)、高斯过程(参见参考文献3)以及主成分分析(参见参考文献4)的机器学习方法通常要求大量数据来重新学习功能关系。在线学习方法利用每个单独数据点使内部模型逐渐适应(参见参考文献5至7),但是不能适应突变。系统动力学的预期变化可能很大,特别是在损害之后。由于这种变化,在线学习模型通常不能足够快速地适应突变。因此,存在一种对根据由于系统动力学的突变导致的稀疏数据提供适应的快速控制器适配器的持续需求。
技术实现思路
描述一种用于根据稀疏数据适应以控制动力系统而不管动力的不期望改变的神经模型预测控制(MPC)控制器。系统可能是自主和/或用户控制的汽车或 ...
【技术保护点】
一种神经模型预测控制MPC控制器,所述神经模型预测控制MPC控制器包括:一个或更多个非暂时性电子处理器,所述非暂时性电子处理器被配置为执行以下操作:在前向模块中从基本控制器接收设备的当前状态的测量结果和控制信号,以生成前向模块预测;在前向模块校正器中接收所述设备的所述当前状态的所述测量结果和所述控制信号,以生成对所述前向模型预测的附加校正以便生成预测设备状态;生成多对控制信号和相应预测设备状态的控制序列;以及基于所述控制序列生成下一个设备控制信号。
【技术特征摘要】
【国外来华专利技术】2014.09.30 US 62/057,633;2015.09.29 US 14/869,9611.一种神经模型预测控制MPC控制器,所述神经模型预测控制MPC控制器包括:一个或更多个非暂时性电子处理器,所述非暂时性电子处理器被配置为执行以下操作:在前向模块中从基本控制器接收设备的当前状态的测量结果和控制信号,以生成前向模块预测;在前向模块校正器中接收所述设备的所述当前状态的所述测量结果和所述控制信号,以生成对所述前向模型预测的附加校正以便生成预测设备状态;生成多对控制信号和相应预测设备状态的控制序列;以及基于所述控制序列生成下一个设备控制信号。2.根据权利要求1所述的神经模型预测控制MPC控制器,所述神经模型预测控制MPC控制器还被配置为执行以下操作:在所述基本控制器中接收设备的当前状态的测量结果;以及基于所述设备的所述当前状态的所述测量结果生成所述控制信号。3.根据权利要求2所述的神经模型预测控制MPC控制器,其中,对预测设备状态限定代价函数,使得通过在所述Ns个控制序列中的每个控制序列中的所述预测设备状态当中找到使所述代价函数最小化的预测设备状态以生成最小化序列,并且然后从所述最小化序列中选择第一设备控制信号来确定所述下一个控制设备信号。4.根据权利要求3所述的神经模型预测控制MPC控制器,其中,生成所述最小化序列的所述基本控制器是在下一个时间步幅中使用的所述基本控制器。5.根据权利要求1所述的神经模型预测控制MPC控制器,所述神经模型预测控制MPC控制器还包括一个或更多个传感器,所述一个或更多个传感器与基本控制器、前向模块和前向模块校正器通信连接,以生成所述设备的所述当前状态的所述测量结果。6.根据权利要求1所述的神经模型预测控制MPC控制器,其中,每个控制序列使用唯一随机生成的基本控制器生成。7.根据权利要求1所述的神经模型预测控制MPC控制器,其中,所述前向模块校正器是神经网络。8.根据权利要求1所述的神经模型预测控制MPC控制器,其中,所述前向模块校正器是多层感知器。9.根据权利要求1所述的神经模型预测控制MPC控制器,其中,所述基本控制器是神经网络。10.根据权利要求1所述的神经模型预测控制MPC控制器,所述神经模型预测控制MPC控制器还包括一个或更多个传感器,所述一个或更多个传感器与基本控制器、前向模块和前向模块校正器通信连接,以生成所述设备的所述当前状态的所述测量结果;其中,每个控制序列使用唯一随机生成的基本控制器生成;其中,对预测设备状态限定代价函数,使得通过在所述Ns个控制序列中的每个控制序列中的所述预测设备状态当中找到使所述代价函数最小化的预测设备状态以生成最小化序列,并且然后从所述最小化序列中选择第一设备控制信号来确定所述下一个控制设备信号;其中,生成所述最小化序列的所述基本控制器是在下一个时间步幅中使用的基本控制器;其中,所述前向模块校正器是神经网络;并且其中,所述前向模块校正器是多层感知器。11.一种使用神经模型预测控制MPC控制器根据稀疏数据快速适应的方法,所述方法包括以下动作:使一个或更多个处理器执行存储在非暂时性存储器上的指令,使得当执行指令时所述一个或更多个处理器执行以下操作:在前向模块中从基本控制器接收设备的当前状态的测量结果和控制信号,以生成前向模块预测;在前向模块校正器中接收所述设备的所述当前状态的所述测量结果和所述控制信号,以生成对所述前向模型预测的附加校正以便生成预测设备状态;生成多对控制信号和相应预测设备状态的控制序列;以及基于所述控制序列生成下一个设备控制信号。12.根据权利要求11所述的方法,所述方法还包括执行以下操作的动作:在所述基本控制器中接收设备的当前状态的测量结果;以及基于所述设备的所述当前状态的所述测量结果生成所述控制信号。13.根据权利要求12所述的方法,其中,对预测设备状态限定代价函数,使得通过在所述Ns个控制序列中的每个控制序列中的所述预测设备状态当中找到使所述代价函数最小化的预测设备状态以生成最小化序列,并且然后从所述最小化序列中选择第一设备控制信号来确定所述下一个控制设备信号。14.根据权利要求13所述的方法,其中,生成所述最小化序列的所述...
【专利技术属性】
技术研发人员:C·E·马丁,H·霍夫曼,
申请(专利权)人:赫尔实验室有限公司,
类型:发明
国别省市:美国,US
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。