在控制

多年来, 许多行业采用的控制系统已经发生了巨大的变化，以允许更复杂的动作和非线性动力学. 为了满足工业对控制的需求，这些控制能够适应复杂的行为，包括人类无法干预的动态或危险环境, 陈军，博士.D.他是电子与计算机工程系的助理教授, 领导了汽车嵌入式系统模型预测控制(MPC)的研究.

“想象一下走在一个黑暗的房间里, 试着理解周围的环境，预测达到目标的最佳路径——同时一步一步地重复这个循环. 这似乎效率很低. 然而, 如果一个人能收到持续的指示，预测每一步, 这项任务可以相当迅速和有效地完成. 模型预测控制就是这样做的. 它是一种基于预测未来输出计算最优控制输入的多变量控制算法,” Dr. Chen解释说.

Dr. 陈和OU研究生周兆东, Christopher Rother和Ali Irshayyid将事件触发MPC应用于自动驾驶汽车路径跟踪问题.

作为一种实时最优控制技术, MPC已广泛应用于过程工业，以实现生产水平的一致性, 仅靠人工手动控制无法实现的经济性和安全性. 由于MPC可以应用于线性和非线性系统，并处理输入和状态的显式约束, 它已成为各种应用中最流行的控制方法之一. 然而，在嵌入式汽车控制中采用MPC的焦点是最近才出现的.

“MPC非常适合集成车辆控制, 其中多个执行器的控制命令同时优化. 这包括协调主动前转向和差动制动使用MPC, 利用MPC实现电动汽车纵向和横向同步控制，并通过MPC实现扭矩矢量的整车动态综合控制,” Dr. 陈说.

因为MPC解决了, 在每个时间步, 最优控制问题, 它需要很高的计算能力. 嵌入式环境, 另一方面, 由于电子控制单元(ECU)的计算能力/精度较低，并且缺乏用于生产前验证和验证的工具，因此给其使用带来了相当大的挑战&V).

为了在不显著降低控制性能的前提下减少MPC计算量, Dr的一个方向. Chen和他的团队最初探索的是事件触发的MPC, 当MPC被触发时，只根据需要制定和解决OCP. 由博士领导. Chen, OU研究生赵东周和Christopher Rother将事件触发MPC应用于自动驾驶汽车路径跟踪问题. OPC的制定是为了在纵向和横向两个方向上跟踪车辆路径, 以轴驱动转矩和前转向输入为控制变量. 测量和比较了不同MPC设置的控制性能和吞吐量要求.

“我们发现，与时间触发的MPC相比, 事件触发的MPC在节省计算方面的好处是非常明显的. 事件触发的mpc在保持控制性能的同时放松了计算需求. 提出了一种适用于嵌入式ECU的高效非线性MPC算法，并给出了仿真结果&V工具，允许从业者执行彻底的V&V在部署之前，“博士. Chen解释说.

Yet, 正如这位科学家欣然承认的那样, 但也存在局限性:事件触发策略通常需要事先了解MPC闭环系统的行为, 情况并非总是如此.

为了克服这些限制, 该小组承担了调查使用无模型强化学习(RL)来触发MPC的任务. 这项研究是在OU的最优控制和人工智能实验室进行的，该实验室支持人工智能增强的高级控制和优化算法开发领域，并应用于汽车和能源系统.

结果是, 该团队提出了一种算法, RLeMPC, 它不需要任何MPC闭环系统行为的知识，并提供一个直接的可校准参数来平衡控制性能和MPC计算负载. 将RLeMPC应用于自动驾驶车辆路径跟踪问题, 它优于基于阈值的事件触发机制.

“与传统控制相比, MPC可以预测一定时间内车辆的未来状态，并通过对未来车辆状态的预测，在预测时间内找到最优的控制序列. 这符合人类的驾驶习惯，因为人们在驾驶时下意识地判断车辆的未来状态. 然而, 这项任务需要一个复杂的车辆模型来计算, 计算量可能会超过车辆中央处理能力的极限. 通过在不影响性能的情况下减少控制量, 我们正在让自动驾驶汽车更加稳定,周兆东说, Ph.D. 电气与计算机工程专业的学生.

汽车嵌入式系统并不是博士的唯一领域. Chen和他的团队的调查. 这个组，也包括Ph.D. 学生Ali irshayid说, 正在开发其他应用程序吗, 比如个性化的自动驾驶, 功率变换器控制, 蓄电池平衡控制, 多车编队控制, 可再生能源整合.

Dr. Chen的研究得到了SECS教师创业基金的部分支持, 公开大学URC教师研究奖学金, 密歇根太空资助联盟的种子基金和智能融合技术公司的捐赠基金.

2022年12月. 陈收到50万美元.从美国国家科学基金会教师早期职业发展计划(Career)获得200万美元资助，资助他的项目“基于强化学习监督的主动式电池平衡的可重构和预测控制”，为期5年.

请访问 http://jchen2020.net 获取更多信息或与Dr. 陈在 junchen@yiner2010.com