Zusammenfassung
Der Beitrag stellt ein Verfahren zur stochastischen modellprädiktiven Regelung nichtlinearer Systeme vor, wobei das unsichere Systemverhalten durch eine stochastische Differentialgleichung beschrieben wird. Die Unscented-Transformation wird eingesetzt, um die Evolution der Wahrscheinlichkeitsverteilung durch eine Prädiktion von Mittelwert und Kovarianz zu ersetzen. Das resultierende deterministische Problem kann effizient numerisch mit einem Gradientenverfahren gelöst werden.
Abstract
This article presents a method for stochastic model predictive control of nonlinear systems, whereby the uncertain system is described by a stochastic differential equation. The unscented transformation is applied to replace the evolution of probability distributions by a prediction of mean and covariance. The resulting deterministic problem can be solved efficiently with a fast gradient method.
Über die Autoren
M. Sc. Andreas Völz ist Mitarbeiter am Institut für Mess-, Regel- und Mikrotechnik der Universität Ulm. Hauptarbeitsgebiete: kollisionsfreie Bewegungsplanung von Robotern, stochastische modellprädiktive Regelung.
Universität Ulm, Institut für Mess-, Regel- und Mikrotechnik, Albert-Einstein-Allee 41, D-89081 Ulm
Prof. Dr.-Ing. Knut Graichen ist Professor am Institut für Mess-, Regel- und Mikrotechnik der Universität Ulm. Hauptarbeitsgebiete: optimale und modellprädiktive Regelung, nichtlineare Steuerungs- und Regelungsverfahren, schnelle mechatronische Systeme.
Universität Ulm, Institut für Mess-, Regel- und Mikrotechnik, Albert-Einstein-Allee 41, D-89081 Ulm
©2016 Walter de Gruyter Berlin/Boston
