摘要：模型预测控制(MPC)是一种具有稳定性保证的最优控制算法,但需要在线求解优化问题,这极大限制了其在嵌入式系统中的部署。得益于深度学习和计算硬件的发展,离线训练、在线推理的神经网络近似MPC方法受到了广泛关注,在实际控制系统中具有优异的表现。本文讨论了两个关键问题的最新进展:神经网络的结构设计、数据集生成和训练方法;神经网络近似误差的应对方法,以保证闭环系统稳定性和满足约束。最后,给出了神经网络在GPU(图形处理器)和FPGA(现场可编程门阵列)上的快速部署案例,展示了使用神经网络近似MPC的实际性能优势。

摘要：This paper investigates a consensus design problem for continuous-time first-order multiagent systems with uniform constant communication *** that the agent dynamic is unstable and the diagraph is undirected,sufficient conditions are derived to guarantee *** key technique is the adoption of historical input information in the ***,when agent's own historical input information is used in the protocol design,the consensus condition is constructed in terms of agent dynamic,communication delay,and the eigenratio of the network *** result is presented to validate the effectiveness of the theoretical result.

摘要：随着通信技术和新一代人工智能的迅速发展,强化学习这一数据驱动的控制方法引起了极大的关注.本文回顾了强化学习中的一类典型方法——策略优化法——在系统控制律设计上的最新研究进展.主要讨论了其在各种重要线性最优控制问题上的收敛性及样本复杂度,例如线性二次控制、输出反馈控制、H∞控制、分布式控制等.此外,对策略优化法在网络化系统控制中的应用作了展望.

摘要：近年来,强化学习方法得到了广泛的关注,并已在控制领域取得了一定成果.自主水下机器人(AUV)能完成复杂多样的水下任务,是海洋探索开发任务中的关键设备,强化学习技术的发展为AUV的智能化控制提供了新的思路.本文着眼于强化学习与AUV控制的交叉领域,重点介绍了强化学习在镇定控制和跟踪控制等底层控制任务方面的应用.为此,我们首先对强化学习框架进行了简要介绍,并在其后对强化学习在AUV控制领域面临的挑战以及最新的进展进行了概述.最后,我们详细介绍了两种针对AUV的无模型强化学习控制方法,希望能够为此类控制器的设计和使用提供参考.