具有指定性能的非线性系统确定学习及基于模式的智能控制

The learning problem of intelligent control system has long been considered as one of the most important and challenging issues in the control community. Most practical control systems are typically subjected to several types of constraints on system's performance, e.g., transient performance, safety guarantees. Considering several classes of constrained nonlinear systems, based on deterministic learning theory and system transformation technique, in the project we systematically study the knowledge acquisition, representation, and storage from stable adaptive neural network control in unknown dynamic processes. Using the learned knowledge, dynamical pattern recognition and switching control technique, we propose a pattern-based intelligent control that guarantees the non-violation of the predefined constraints and achieves pattern modeling, classification, recognition and knowledge utilization. Consequently, pattern-based intelligent control with high performance and powerful autonomy is presented for nonlinear systems. The proposed intelligent control is applied in controlling flexible-joint manipulators and its effectiveness is demonstrated through the experiments on a Baxter robot. The results of the project are expected to propose deterministic learning algorithm with satisfactory performance on the transient and steady-state stages, reliable safety guarantees, and powerful autonomy. The study of the project could be greatly helpful for the development of intelligent control theory, and provide efficient methods and powerful tools for controlling practical engineering systems with reliable safety guarantees and the self-learning accurate-controlling ability.

智能控制的学习问题长期以来是控制界的一个重要并具有挑战性的研究课题，且注意到实际系统处于控制精度与安全性能等考虑存在着各种性能约束。因此，本项目将针对具有性能约束的非线性系统，拟采用确定学习理论，模型等价变换原理等技术，深入研究从闭环控制中实现未知系统动态信息获取、表达与存储等学习问题。在此基础上，结合动态模式识别与切换控制技术发展基于动态模式的智能控制方案，确保在不违背性能约束的前提下解决时变控制任务的建模、分类、识别以及调用预先存储的经验知识实现智能自主控制等问题。随后，将所提智能控制方案应用于柔性关节机械臂系统，通过Baxter机器人实验来验证理论方案的有效性，并开发相应的仿真实验平台。本项目的研究旨在提出具有暂态性能好，稳态误差小、安全性高、自主学习能力强等特点的确定学习算法，拓展确定学习理论的应用领域，并为解决动态环境下实际系统实现安全可靠的高性能智能自主控制提供关键技术储备。

随着人机交互的日益频繁，实际机械系统不仅受到各种约束条件限制，而且其自主学习能力日益不能满足人们的需求。鉴于此，本项目着重开展了具有指定性能约束的非线性系统的确定学习控制研究，其主要研究内容包括：1) 具有指定性能约束（包括状态约束、跟踪性能约束等）的几类非线性系统确定学习问题；2）具有指定性能约束的非线性系统基于模式的智能控制问题；3）将理论研究成果推广到几类实际系统（例如机械臂、移动机器人、水面无人艇等），并搭建机器人智能控制仿真实验平台。在研究过程中，采用模型等价变换、系统辨识等理论提出了一些行之有效的确定学习控制方案，解决了具有指定性能约束非线性系统动态知识的获取、表达和存储等问题，并利用知识设计的静态控制器实现了具有保守性低、暂态性能好、安全性能高等特点的高性能控制效果。在此基础上，结合系统辨识与模式识别技术，提出了基于动态模式的具有指定性能要求的非线性系统智能控制框架，解决了多样性任务的辨识与识别，以及调用经验知识实现高性能智能自主控制问题。最后，结合高性能计算平台、Baxter机械臂、UR5机械臂、移动机器人等搭建了虚拟仿真实验平台，并在相应的实物机器人上进行了实验，初步建立了基于动态模式的机器人智能控制仿真实验平台。该实验平台为机器人智能控制提供了技术支撑，同时该平台具有动态并行信息处理能力，也将为动态环境下的大数据处理提供新的技术支持。围绕本项目的研究内容，课题组在控制领域权威学术期刊发表SCI论文23篇、EI论文16篇，其中包括IEEE 汇刊论文14篇，《自动化学报》1篇、《中国科学：信息科学》英文版2篇，授权发明专利8项，授权软件著作权1项，项目负责人2019年获批了“广东省自然科学基金—杰出青年项目”，项目组主要成员戴诗陆荣获了“广东省特支计划青年拔尖人才”。本项目的研究成果丰富了智能控制学科的研究内容，为我国智能机器人的研制提供了技术储备，同时也将推动更多新的研究方向。