Planering och optimeringsbaserad reglering för autonoma system

Planering och optimeringsbaserad reglering för autonoma system
Foto: Karl Öfverström

En central funktion hos ett autonomt system är att få det att utnyttja dess möjligheter, som vi kallar för styrsignaler, att påverka sitt framtida beteende så att något syfte uppnås. I vår forskning möjliggörs detta genom att använda matematiska modeller för att prediktera nyttan av att systemet beter sig på ett visst sätt och baserat på detta välja en styrsignalsekvens som optimerar ett visst kriterium.

Det kraftfulla verktyget vi använder oss av heter optimal styrning, som kan sägas ha applikationer överallt. Allt från autonoma bilar och robotar till ekonomiska och sociala system.

Att utnyttja en modell för att prediktera systemets framtida beteende är centralt inom optimal styrning och inte minst inom modellprediktiv reglering (MPC). Modellen ger möjligheter att dels prediktera hur bra det framtida beteendet är baserat på ett prestandamått i form av en målfunktion och dels ger den möjligheter att definiera vad som är tillåtna styrsignaler och beteenden hos systemet i framtiden.

Optimal styrning kan dels innebära att man off-line beräknar en fullständig trajektoria från systemets starttillstånd till dess önskade sluttillstånd och dels att man beräknar en policy, d.v.s. återkoppling, som i realtid kan användas för att beräkna en styrsignal givet systemets faktiska tillstånd i varje tidpunkt. Ett exempel på det första är när man beräknar trajektorier för rymdfarkoster för att t.ex. kunna placera dem på en främmande himlakropp och ett exempel på det senare är den policy som används för att t.ex. används för att stabilisera ett modernt från början instabilt stridsflygplan.
 
Ett specialfall av optimal styrning är rörelseplanering, som kan sägas innebära att man vill hitta en sekvens av styrsignaler som förflyttar systemet genom en värld innehållande hinder som systemet ska undvika. Traditionellt sett har inte algoritmer för numerisk optimal styrning varit lämpliga för denna problemställning med objekt som ska undvikas. Ett undantag är algoritmer för MPC för hybrida system, där objekten som ska undvikas kan beskrivas med hjälp av heltalsbivillkor.

En del av vår forskning handlar om att utveckla nya metoder för att kunna lösa rörelsestyrningsproblem med utgångspunkt från existerande metoder inom numerisk optimal styrning. De metoder som används idag inom området bygger oftast antingen på sampling eller någon variant av grafsökning. Dessa metoder är tacksamma att använda för problem med icke-konvexa hinder, men de genererar generellt sett inte lika bra lösningar som de från numerisk optimal styrning. En lösning på det är att utjämna en lösning från en samplande algoritm eller grafsökningsalgoritm med en metod från optimal styrning/optimering. Vår ambition är att bygga bort detta behov av två separata steg och istället försöka att effektivt integrera stegen med varandra.

En annan del av forskningen handlar om att få ett system att utföra, eller följa, en plan från en planerare. Vi vill göra detta på ett sätt att vi kan garantera att en eventuell avvikelse från planen går mot noll i tiden, det vill säga att systemet ska vara stabilt kring planen den följer.

Ytterligare en relaterad del handlar om att göra effektiva beräkningar som möjliggör användande av numerisk optimal styrning för större problem och snabbare beräkningar. För att lyckas med detta utnyttjar vi dels problemstruktur och dels modern hårdvara som kan utföra beräkningar parallellt. Delar av vårt arbete inom detta område är publicerat i Isak Nielsens doktorsavhandling.

Som en applikation inom området arbetar vi med autonoma lastbilar. Vi har dels arbetat med gruvlastbilar inom projektet iQMatic med Scania som samarbetspartner och dels med lastbilar som backar med avancerade släpkonfigurationer. Det senare är ett pågående projekt. Delar av vårt arbete inom iQMatic är publicerat i licentiatavhandlingen av Niclas Evestedt.

Video

Kontakt

Om avdelningen

Om institutionen