[发明专利]利用不确定运动模型的基于模型的控制

说明书

使用粒子滤波器来控制系统，所述粒子滤波器被执行以基于粒子集合到测量模型的拟合来估计所述粒子的权重，其中粒子包括所述系统的具有不确定性的运动模型以及所述系统的状态，所述运动模型被建模为所述系统的可能的运动模型上的高斯过程，所述系统的状态是在有所述粒子的运动模型的不确定性的情况下确定的，其中一个粒子的运动模型的高斯过程的分布不同于另一粒子的运动模型的高斯过程的分布。所述粒子滤波器的每次执行根据所述系统的控制输入和所述粒子的具有所述不确定性的运动模型来更新所述粒子的状态，并且通过将所述粒子的状态拟合到受测量噪声的条件下的所述测量模型中来确定粒子权重。

技术领域

本发明总体上涉及基于模型的控制，更具体地涉及用于使用具有不确定性的运动模型的基于模型的控制的方法和设备。

背景技术

基于优化的控制和估计技术(诸如模型预测控制(MPC))允许基于模型的设计框架，在该设计框架中，系统动态和约束可以直接被考虑。MPC在许多应用中被用于控制各种复杂性的动态系统。这样的系统的例子包括生产线、汽车引擎、机器人、数控加工、卫星和发电机。

MPC是基于系统的模型的实时有限区间优化。MPC具有预计未来的事件和采取适当的控制动作的能力。这通过在受约束的条件下优化系统在未来的有限的时间区间的操作并且仅执行对当前时间步长的控制来实现。

MPC可以预测由控制变量的变化引起的、建模的系统的状态变量的变化。状态变量定义系统的状态，即，被控系统的状态是控制系统的状态-空间表示中的状态变量的最小集合，所述状态空间表示可以表示系统在任何给定时间的整个状态。例如，如果被控系统是自主车辆，则状态变量可以包括车辆的位置、速度和前进方向。控制变量是被设计为改变机器的状态的系统的输入。例如，在化学工艺中，控制变量通常是压力、流动、温度、阀门的打开、以及阻尼器的刚度。这些工艺中的状态变量是要么表示控制目标、要么表示工艺约束的其他测量。

MPC使用系统的模型、当前系统测量、工艺的当前动态状态以及状态和控制约束来计算状态变量的未来的变化。计算这些变化是为了在受控制变量和状态变量这二者的约束的条件下使状态变量保持接近目标。MPC通常仅送出将被实现的每个控制变量的第一变化，并且当需要下一次改变时，重复计算。

基于模型的控制的性能不可避免地取决于最优控制计算中使用的预测模型的质量。预测模型描述系统的动态，即，系统及时的演化。例如，预测模型是描述系统的动态的非线性函数，基于被控系统的控制输入，连接该系统的先前的状态和当前的状态。

然而，在许多应用中，被控系统的运动模型部分是未知的或不确定的。在这样的情况下，对于不确定模型的控制的应用可能导致次优的性能、或者甚至导致被控系统的不稳定。例如，在一些情形下，运动模型的一些参数没有被精确地测量。因此，控制器可能需要估计机器的模型的未知参数。处理这样的问题的常规方法包括自适应MPC或基于学习的MPC，其中，MPC控制问题增加了闭环识别方案，以便学习未知的机器参数。通过学习未知的参数，通过控制器实现的机器的操作得到改进。参见例如U.S.2011/0022193。

然而，除了运动模型的参数的不确定性之外，或者替代运动模型的参数的不确定性，在一些情形下，系统的动态是变化的，即，被控系统的连续状态之间的函数关系。在这些情形下，用于估计模型的参数的自适应方法或基于学习的方法可能是不够的。

因此，需要可以实时地学习控制系统的动态的运动模型的基于模型的控制器。

发明内容

一些实施例的目的是提供系统的使用描述系统的动态的运动模型的基于模型的控制。另外或可替代地，一些实施例的另一目的是提供系统的使用具有不确定性的运动模型的基于模型的控制。另外或可替代地，一些实施例的另一目的是提供系统的使用具有系统的动态的不确定性的运动模型的基于模型的控制。另外或可替代地，一些实施例的另一目的是当被控系统的运动的参数和/或动态是未知的和/或部分已知的时，估计该系统的运动模型。另外或可替代地，一些实施例的另一目的是估计具有非线性动态的被控系统的运动模型。