摘要：针对一类未知时变时滞非线性系统,提出一种基于观测器的重复控制方案.采用线性矩阵不等式设计非线性观测器,所设计的控制律含有PID反馈项,常值参数自适应律是微分-差分型的,时变参数学习律是差分型的.在假设未知时变时滞、时变参数和参考输出的周期有已知的最小公倍数下,通过构造一个Lyapunov-Krasovskii型复合能量函数,证明了所有闭环信号有界且输出跟踪误差收敛.仿真实例表明了算法的有效性.

摘要：本文在不同问题框架下阐述了自适应迭代学习控制方法的研究现状,并介绍了该领域未来的一些研究方向.首先,简要概述了自适应迭代学习控制的分析方法与控制器结构;其次,从系统的结构特征和运行特征两个角度,讨论了近年来自适应迭代学习控制领域的研究热点,包括非参数型不确定性、输入不确定性、状态受限、状态不可测、非重复运动等关键问题.针对每一类问题,指出了自适应迭代学习控制器的设计和分析特点;然后,探讨了数据驱动自适应迭代学习控制的设计方法;最后,提出了自适应迭代学习控制领域的一些开放性的、具有挑战性的关键问题,亟待进一步研究和探索.

摘要：针对含有未知时变参数和时变时滞的非线性参数化系统,提出了一种新的自适应迭代学习控制方法.该方法将参数分离技术与信号置换思想相结合,可以处理含有时变参数和时滞相关不确定性的非线性系统.设计了一种自适应控制策略,使跟踪误差的平方在一个有限区间上的积分渐近收敛于零.通过构造Lyapunov-Krasovskii型复合能量函数,给出了闭环系统收敛的一个充分条件.给出两个仿真例子验证了控制方法的有效性.

摘要：高速列车自动驾驶系统是一个快时变、非线性的复杂受控系统,针对运行阻力难以建模的问题,建立非参数化的阻力模型,提出基于径向基的模糊神经网络算法对其进行逼近。在此基础上,考虑高速列车自动驾驶系统具有高度重复性的特点,结合现有算法反馈控制的思想,引入前馈控制模型,设计非参数化的迭代学习控制律,充分学习系统的重复性信息,基于Lyapunov稳定性原理,经过严格的数学推导证明所提出算法的收敛性。同时,利用计算机对算法进行仿真试验和分析,验证所提出算法具有较快的收敛性和对期望曲线的较高跟踪精度。

摘要：本文讨论了一类在有限空间区间内重复运行的不确定运动系统的跟踪控制问题.通过引入空间状态微分算子和空间复合能量函数,提出了一种空间周期的自适应迭代学习控制算法.首先利用空间状态微分算子,将系统从时间域转化到空间域形式.然后基于空间复合能量函数设计了控制器,利用含限幅作用的参数自适应律逼近系统中的不确定性,同时引入鲁棒项共同抑制非参数不确定性的影响.通过严格的数学分析,证明了在标准初始条件和随机有界初始误差两种情况下的跟踪误差收敛性.最后通过列车仿真进一步验证了该算法的有效性.

摘要：针对一阶未知非线性参数化周期时变时滞系统,设计了一种自适应学习控制方案。假设未知时变参数,时变时滞和参考信号的共同周期是已知的,通过重构系统方程,将包含时变时滞在内的所有未知时变项合并成为一个周期时变向量,采用周期自适应律估计该向量.通过构造一个Lyapunov—Krasovskii型复合能量函数证明了所有信号有界并且跟踪误差收敛.结果被推广到一类含有混合参数的高阶非线性系统.通过两个仿真例子说明本文所提出的控制算法的有效性.

摘要：针对含有未知时变参数和时变时滞的非线性参数化系统,提出了一种新的自适应迭代学习控制方法.该方法将参数分离技术与信号置换思想相结合,可以处理含有时变参数和时滞不确定性的非线性系统.设计了一种自适应控制策略,使跟踪误差的平方在一个有限区间上的积分渐近收敛于零.通过构造Lyapunov-Krasovskii型复合能量函数,给出了闭环系统收敛的一个充分条件.给出仿真例子验证了控制方法的有效性.

摘要：针对复杂驾驶环境中智能车辆的路径跟踪问题,提出了一种新型自适应容错学习控制策略。为了便于路径跟踪控制器的设计,首先,创新地将车辆动力学转化为一种参数化形式。在此基础上,考虑到车辆动力系统的欠驱动特性,我们控制器设计中引入一种新型处理非方输入矩阵的方法。该方法不仅拓展了自适应学习算法的应用范围,同时也为处理一般非方动力系统提供了一种新思路。其次,针对行驶过程中车辆损耗或意外可能导致的故障,我们提出了一种容错学习机制。此外,利用Lyapunov理论给出了该控制方法的严格收敛性证明,并通过实例验证了该方法的有效性。事实证明,所提控制策略不仅可以有效地处理车辆动力系统固有的非线性性、不确定性以及各种外界干扰,同时还能较好地应对汽车执行器故障带来的影响。

摘要：针对一类双线性参数化时变时滞系统,设计了一种新颖的自适应迭代学习控制策略,该策略利用信号置换思想与参数重组技术来有效处理系统中时变时滞项,引入微分-差分耦合型自适应律以解决系统中双线性参数化项.通过构建一个Lyapunov-Krasovskii型复合能量函数证明了跟踪误差的收敛性以及所有信号的有界性.仿真实例结果表明该策略是有效且可行的.