动态交互环境下基于安全学习的自主目标跟踪方法

This project focuses on the safety problem which is critical for the unmanned control system in the practical applications, it intends to study the intelligent control method based on safety analysis and reconstruction of the stochastic disturbances, it also applies the proposed control method to the design of the autonomous target tracking system under the dynamic interacting environment. The uncertainty of the dynamical model is transformed into an external disturbance term with dynamic uncertainties, an unified mathematical formulation of the safety analysis is constructed, a safe learning framework combining robust control and learning control is developed, and the problem of designing the control system is solved; a data-driven modelling method is developed to learn the dynamic disturbance term with model validation, a probabilistic-based safety analysis method is developed by combining Gaussian processes regression and Bayesian inference mechanism to solve the disturbance reconstruction problem; a filtering algorithm with an adaptive sampling scheme is designed to account for the issue of parameter variation, a transformation method is developed to convert the dynamic sensing constraints into the model of safety analysis, a safe learning-based intelligent control problem is studied for the tracking platform, and the key techniques are integrated into the autonomous target tracking system with performance evaluation. The research aims to optimize the control performance autonomously with combination of control theory and machine learning techniques, satisfy the safety requirements oriented to the practical tasks, and promote wide applications of intelligent control techniques in the autonomous unmanned system.

本项目围绕无人控制系统在实际应用中对于安全性的严格要求，研究基于安全性分析和随机扰动重构的智能控制方法，并应用于动态交互环境下的自主目标跟踪系统设计。通过将动力学模型中的非确定因素转化为动态不确定扰动，形成安全性分析问题的统一数学描述，建立鲁棒控制与学习控制相结合的安全学习框架，解决控制系统的设计问题；研究数据驱动的动态扰动在线建模与模型验证方法，通过将高斯过程回归和贝叶斯推理机制相结合，建立基于概率模型的安全性分析方法，解决扰动信号的重构问题；设计考虑参数突变的自适应采样型滤波算法，建立安全性分析模型与传感器感知约束的动态转换方法，研究基于安全学习框架的跟踪平台智能控制问题，完成自主目标跟踪系统的关键技术集成与性能评估。本研究旨在结合控制理论与机器学习技术实现控制效能的自主优化，同时满足面向实际任务的安全性需求，推动智能控制技术在自主无人系统中的广泛应用。

本项目以动态交互环境下的自主目标跟踪问题为研究背景，结合机器学习技术，深入研究了面向随机过程的非线性系统状态估计与跟踪控制方法，主要研究成果有：.（1）针对基于确定性采样的在线目标跟踪问题，提出一种面向非线性数学模型的系统辨识方法，并将其扩展为在线形式，使代理模型以递归形式持续更新；.（2）针对考虑未知噪声的状态估计问题，提出一种具有递归形式的滤波方法，通过求解带有不等式约束的优化问题实现状态估计的更新，并将该方法应用于二维场景的末端拦截问题中；.（3）针对导弹制导中的天线罩误差斜率估计问题，通过分别设计全局融合算法及本地子滤波器算法，提出一种基于信息融合的误差斜率估计方法。仿真结果证明该方法可以提高估计精度，有效降低制导回路中天线罩误差的影响；.（4）针对雷达导引头信号生成过程中天线罩误差的消除问题，提出一种利用视线角估计制导信息的校正方法。通过对用高斯过程模型表示的代理函数进行求导计算，确定了天线罩误差斜率的解析估计表达式；.（5）针对仿生飞行器柔性扑翼系统的传感器点位优化问题，提出一种基于广义混沌多项式展开的能观性分析方法。该方法无需求导，并可通过设计一系列指标实现对系统能观性的量化分析；.（6）针对不同场景条件下的飞行性能保持与提高问题，通过利用分段曲线构造非对称翼型的形状模型，提出一种基于深度强化学习的变形控制方法，对二阶马尔可夫决策过程进行求解，进而产生适用于当前环境的变形策略。