[发明专利]用于非线性系统中的反馈误差学习的系统和方法

说明书

本发明涉及用于非线性系统中的反馈误差学习的系统和方法。公开了一种用于使致动器运转的方法。致动器可以是线性或非线性致动器。在一个示例中，响应于反馈控制器的输出而适应伪逆分段双线性模型，以改善前馈控制。

技术领域

本发明涉及用于非线性系统中的反馈误差学习的系统和方法。

背景技术

反馈误差学习(FEL)已经被认为是一种识别逆线性或神经网络被控对象/设备(plant)模型的方法。逆被控对象模型可以用作前馈控制系统的一部分，以控制被控对象。例如，致动器的期望的轨迹可以被输入到逆被控对象模型里，并且自逆被控对象模型输出遵循期望的轨迹的控制命令。可以经由FEL通过基于反馈控制器的输出适应前馈逆线性模型或神经网络的参数来识别逆被控对象模型。逆线性模型或神经网络模型是控制命令的基础，而反馈控制器输出被用来适应线性模型或神经网络模型参数，并纠正源于逆被控对象模型的控制动作。因此，考虑两种类型的FEL，即，具有神经网络模型的FEL和具有线性模型的FEL。

FEL起初作为一种类似于人脑控制手臂或腿的运动的方式的方式控制装置或设备的方法被提出。包括大脑的生物控制系统可以具有迟缓的或延迟的反馈。然而，一些研究者认为，大脑基于逆被控对象模型的认知来提供快速且顺畅的控制动作。通过这种认知，大脑可以将四肢命令到期望的轨迹，而不必等待接收来自神经或感觉的反馈。

最初，FEL的研究仅包括神经网络模型。神经网络模型可以被用来控制任何非线性的被控对象。然而，神经网络模型具有复杂结构，并且因此非常难以进行由神经网络模型提供的控制的理论分析。例如，当应用神经网络时，难以进行控制系统的稳定性分析。同样，就其性质而言，神经网络模型在某种程度上是黑盒或灰盒。因此，当FEL与神经网络模型组合时，该方法不适合实际使用。

控制理论家后来提出了具有线性模型的FEL，并且论证得出具有线性模型的FEL能够对稳定性进行分析。然而，当FEL与线性模型组合时，它只适用于线性的被控制对象。因此，具有神经网络模型或线性模型的FEL在应用以及实施中已经有些受限。

发明内容

发明人在此已经认识到上述缺点，并且已经开发了具有分段(piecewise)双线性模型的FEL。这是一种用于控制系统的方法，其包含：提供被控对象的伪逆分段双线性模型；基于反馈控制器的输出适应伪逆分段双线性模型；以及响应于伪逆分段双线性模型而调整致动器的运转。

通过响应于反馈控制器的输出而适应伪逆分段双线性模型，提供改善非线性系统的前馈控制的技术效果是可能的。具体地，可以在N维查询表中描述致动器的逆模型。可以经由自反馈控制器的输入来调整查询表的入口和顶点，以便最终使反馈控制器的输出趋于零。在反馈控制器的输出到达零时的控制下，查询表提供接近精确的被控对象的逆模型。因此，自查询表输出的致动器或被控对象命令会引起被控对象遵循期望的轨迹，该期望的轨迹是在查询表中给数据编索引的基础。

此外，通过应用具有分段双线性模型的FEL，可以控制任何非线性的被控对象，如用神经网络模型，但以更透明的方式。例如，分段双线性模型是白盒，因为它由查询表表示。因此，具有分段双线性模型的FEL非常适合实际使用。同样，分段双线性模型的参数与线性模型完全相同。因此，很容易作出由系统提供的控制的理论分析。

本说明可以提供若干优点。例如，该方法可以允许致动器更接近地遵循期望的轨迹。此外，该方法试图改善控制系统中的致动器性能。另外，该方法可以应用于现有的车辆控制系统，其中非线性的被控对象是常用的，并且查询表被广泛用于控制。

当单独或结合附图参照以下具体实施方式时，本说明的上述优点和其它优点以及特征将是显而易见的。