Thanh bên bài viết
XÂY DỰNG LUẬT ĐIỀU KHIỂN ĐẢM BẢO AN TOÀN DỰA TRÊN DỮ LIỆU CHO HỆ PHI TUYẾN CÓ RÀNG BUỘC
Nội dung chính của bài viết
Tóm tắt
Trong thập kỷ qua, sự phát triển mạnh mẽ của các phương pháp trí tuệ nhân tạo đã thúc đẩy một xu hướng mới trong lĩnh vực điều khiển. Xu hướng này thể hiện qua sự chuyển đổi từ các phương pháp điều khiển dựa trên mô hình truyền thống sang các phương pháp điều khiển dựa trên dữ liệu. Thách thức lớn nhất đối với các phương pháp điều khiển dựa trên dữ liệu là làm thế nào để chứng minh tính an toàn của hệ thống, đảm bảo tính ổn định và đáp ứng đầy đủ các ràng buộc liên quan đến trạng thái cũng như tín hiệu điều khiển. Bài báo này để xuất một phương pháp thiết kế bộ điều khiển đảm bảo tính an toàn cho hệ thống bằng cách kết hợp giữa phương pháp nhận dạng mô hình dựa trên dữ liệu SINDy (Sparse Identification of Nonlinear Dynamics) và phương pháp điều khiển dựa trên hàm chặn điều khiển theo hàm mũ (Exponential Control Barrier Functions - ECBF). Thông qua dữ liệu về tín hiệu đầu vào - trạng thái, mô hình hệ thống dựa trên dữ liệu được xây dựng và sử dụng để thiết kế bộ điều khiển an toàn bằng hàm chặn. Phương pháp thiết kế bộ điều khiển được minh họa thông qua mô phỏng với hệ thống tay máy robot.
Từ khóa
Điều khiển thông qua hàm chặn, SINDy, điều khiển có ràng buộc, điều khiển dựa trên dữ liệu.
Chi tiết bài viết
Tài liệu tham khảo
[2] K. Prag, M. Woolway, và T. Celik (2022), Toward data-driven optimal control: A systematic review of the landscape, IEEE Access, Vol.10, pp.32190-32212.
[3] U. Rosolia, X. Zhang, và F. Borrelli (2018), Data-driven predictive control for autonomous systems. Annual Review of Control, Robotics, and Autonomous Systems, Vol.1(1), pp.259-286.
[4] J. A. Rossiter và B. Kouvaritakis (2001), Modelling and implicit modelling for predictive control. International Journal of Control, Vol.74(11), pp.1085-1095.
[5] Y. LeCun, Y. Bengio, và G. Hinton (2015), Deep learning, Nature, Vol.521(7553), pp.436-444.
[6] R. S. Sutton và A. G. Barto (2018). Reinforcement learning: An introduction (2nd edition). Cambridge: MIT press.
[7] C. K. Williams và C. E. Rasmussen (2006), Gaussian processes for machine learning. Cambridge, MA: MIT press.
[8] Markovsky, L. Huang và F. Dörfler (2023), Data-driven control based on the behavioral approach: From theory to applications in power systems. IEEE Control Systems Magazine, Vol.43(5), pp.28-68.
[9] S. L. Brunton, J. L. Proctor, và J. N. Kutz (2016), Sparse identification of nonlinear dynamics with control (Sindyc), IFAC-Papers OnLine, Vol.49, No.18, pp.710-715.
[10] F. Abdullah và P. D. Christofides (2023), Real-time adaptive sparse-identification-based predictive control of nonlinear processes. Chemical Engineering Research and Design, Vol.196, pp.750-769.
[11] M. Chen, D. Zhang và Y. Xu (2024), MPC-SINDy-Based Method on Quadrotor UAV Control with Unknown Environmental Disturbance. In International Conference on Guidance, Navigation and Control, Singapore: Springer Nature Singapore, pp.435-442.
[12] D. Ames, S. Coogan, M.Egerstedt, G. Notomista, K. Sreenath, và P. Tabuada (2019), Control barrier functions: Theory and applications, 2019 18th European control conference (ECC), pp.3420-3431.
[13] Z. Chen (2023). Stability control for USVs with SINDY-based online dynamic model update. arXiv preprint arXiv:2311.17297.
[14] Howell, và J. K. Hedrick (2002), Nonlinear observer design via convex optimization, Proceedings of the 2002 American Control Conference (IEEE Cat. No. CH37301) , Vol. 3, tr. 2088-2093.
[15] M. Grant và S. Boyd (2013), CVX: Matlab software for disciplined convex programming, version 2.0 beta. http://cvxr.com/cvx.
[16] MOSEK ApS. (2025), The MOSEK optimization software. Truy cập từ https://www.mosek.com/documentation.