Stochastic nonlinear model predictive control (SNMPC) allows to directly take uncertainty of the dynamics and/or of the system's environment into account, e.g., by including probabilistic chance constraints. However, SNMPC requires the approximate computation of the probability distributions for the state variables that are propagated through the nonlinear system dynamics. This invention proposes the use of Gaussian-assumed density filters (ABF) to perform high-accuracy propagation of mean and covariance information of the state variables through the nonlinear system dynamics, resulting in a tractable SNMPC approach with improved control performance. In addition, the use of a matrix factorization for the covariance matrix variables in the constrained optimal control problem (OCP) formulation guarantees positive definiteness of the full trajectory of covariance matrices in each iteration of any optimization algorithm. Finally, a tailored adjoint-based sequential quadratic programming (SQP) algorithm is described that considerably reduces the computational cost and allows a real-time feasible implementation of the proposed ADF-based SNMPC method to control nonlinear dynamical systems under uncertainty.

    La commande prédictive à modèle non linéaire stochastique (SNMPC) permet de prendre directement en compte l'incertitude de la dynamique et/ou de l'environnement du système, par exemple par inclusion de contraintes aléatoires probabilistes. Cependant, la SNMPC nécessite le calcul approximatif des distributions de probabilité pour les variables d'état qui sont propagées à travers la dynamique du système non linéaire. La présente invention propose l'utilisation de filtres à densité supposée (ADF) gaussiens pour effectuer une propagation à haute précision d'informations de moyenne et de covariance des variables d'état à travers la dynamique du système non linéaire, ce qui permet d'obtenir une approche SNMPC possible à performance de commande améliorée. De plus, l'utilisation d'une factorisation matricielle pour les variables de matrice de covariance dans la formulation du problème de commande optimale (OCP) contraint garantit le caractère défini positif de la trajectoire complète des matrices de covariance à chaque itération de n'importe quel algorithme d'optimisation. Enfin, un algorithme de programmation quadratique séquentielle (SQP) basée sur adjoint personnalisé est décrit qui réduit considérablement le coût de calcul et permet une mise en œuvre réalisable en temps réel du procédé SNMPC basé sur ADF proposé pour commander des systèmes dynamiques non linéaires en présence d'incertitude.


    Zugriff

    Download


    Exportieren, teilen und zitieren



    Titel :

    STOCHASTIC NONLINEAR PREDICTIVE CONTROLLER AND METHOD BASED ON UNCERTAINTY PROPAGATION BY GAUSSIAN-ASSUMED DENSITY FILTERS


    Weitere Titelangaben:

    DISPOSITIF DE COMMANDE PRÉDICTIVE NON LINÉAIRE STOCHASTIQUE ET PROCÉDÉ REPOSANT SUR LA PROPAGATION D'INCERTITUDE PAR DES FILTRES À DENSITÉ SUPPOSÉE GAUSSIENS


    Beteiligte:
    QUIRYNEN RIEN (Autor:in) / BERNTORP KARL (Autor:in)

    Erscheinungsdatum :

    2023-01-05


    Medientyp :

    Patent


    Format :

    Elektronische Ressource


    Sprache :

    Englisch


    Klassifikation :

    IPC:    G05B Steuer- oder Regelsysteme allgemein , CONTROL OR REGULATING SYSTEMS IN GENERAL / B60W CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION , Gemeinsame Steuerung oder Regelung von Fahrzeug-Unteraggregaten verschiedenen Typs oder verschiedener Funktion / G05D SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES , Systeme zum Steuern oder Regeln nichtelektrischer veränderlicher Größen