基于ELM学习与卡尔曼状态估计的AI驱动双速率预测控制

《IEEE Access》:AI-Enabled Dual-Rate Predictive Control with ELM-Based Learning and Kalman State Estimation

【字体: 大 中 小 】 时间:2026年03月12日 来源:IEEE Access 4.2

编辑推荐:

  摘要:尽管在非线性模型预测控制以及基于学习的系统识别方面取得了显著进展,但在存在异步感知、模型不确定性及测量噪声的情况下,对非线性系统实现稳健控制依然是一项艰巨任务。传统MPC框架依赖于精确的仿射模型或局部线性化模型以及单速率测量,这限制了它们在具有强非线性、双速率感知以及时变特

  

摘要:

尽管在非线性模型预测控制以及基于学习的系统识别方面取得了显著进展,但在存在异步感知、模型不确定性及测量噪声的情况下,对非线性系统实现稳健控制依然是一项艰巨任务。传统MPC框架依赖于精确的仿射模型或局部线性化模型以及单速率测量,这限制了它们在具有强非线性、双速率感知以及时变特性的实际系统中的应用。这一限制使得许多现实世界中的信息物理系统无法充分受益于MPC的稳健性和约束处理能力。本研究通过提出一种统一的双速率自适应控制框架来应对这一长期存在的挑战,该框架将在线学习、状态估计以及受限预测控制相结合,用于非线性系统。与那些需要离线训练、固定模型结构或启发式增益调优的现有基于学习的MPC方法不同,所提出的方法完全无需先验系统知识即可实现在线自适应建模与控制。本研究主要有三项贡献:(1)一种能够在异步且稀疏测量条件下进行可靠状态估计的双速率无迹卡尔曼滤波器;(2)一种直接嵌入到MPC预测模型中的基于在线极端学习机的NARX建模框架;(3)一种基于李雅普诺夫理论的自适应控制架构,可确保实际的闭环稳定性和稳健性。所学到的模型会实时不断更新,并被用于带有自适应稳态目标计算的受限非线性MPC公式中,从而能够在参数不确定性、外部干扰及测量噪声存在的情况下实现精确的轨迹跟踪。在多种复杂场景下的仿真结果表明,与传统的PID方案相比,所提出的架构具有更出色的跟踪性能和稳健性,凸显了其有效性...
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号