陈军,博士.D.他是电子与计算机工程系的助理教授
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. Chen at junchen@kingpaq.com