91视频

Det kraftfulla verktyget vi anv盲nder oss av heter optimal styrning, som kan s盲gas ha applikationer 枚verallt. Allt fr氓n autonoma bilar och robotar till ekonomiska och sociala system.

Att utnyttja en modell f枚r att prediktera systemets framtida beteende 盲r centralt inom optimal styrning och inte minst inom modellprediktiv reglering (MPC). Modellen ger m枚jligheter att dels prediktera hur bra det framtida beteendet 盲r baserat p氓 ett prestandam氓tt i form av en m氓lfunktion och dels ger den m枚jligheter att definiera vad som 盲r till氓tna styrsignaler och beteenden hos systemet i framtiden.

Optimal styrning kan dels inneb盲ra att man off-line ber盲knar en fullst盲ndig trajektoria fr氓n systemets starttillst氓nd till dess 枚nskade sluttillst氓nd och dels att man ber盲knar en policy, d.v.s. 氓terkoppling, som i realtid kan anv盲ndas f枚r att ber盲kna en styrsignal givet systemets faktiska tillst氓nd i varje tidpunkt. Ett exempel p氓 det f枚rsta 盲r n盲r man ber盲knar trajektorier f枚r rymdfarkoster f枚r att t.ex. kunna placera dem p氓 en fr盲mmande himlakropp och ett exempel p氓 det senare 盲r den policy som anv盲nds f枚r att t.ex. anv盲nds f枚r att stabilisera ett modernt fr氓n b枚rjan instabilt stridsflygplan.
听
Ett specialfall av optimal styrning 盲r r枚relseplanering, som kan s盲gas inneb盲ra att man vill hitta en sekvens av styrsignaler som f枚rflyttar systemet genom en v盲rld inneh氓llande hinder som systemet ska undvika. Traditionellt sett har inte algoritmer f枚r numerisk optimal styrning varit l盲mpliga f枚r denna problemst盲llning med objekt som ska undvikas. Ett undantag 盲r algoritmer f枚r MPC f枚r hybrida system, d盲r objekten som ska undvikas kan beskrivas med hj盲lp av heltalsbivillkor.

En del av v氓r forskning handlar om att utveckla nya metoder f枚r att kunna l枚sa r枚relsestyrningsproblem med utg氓ngspunkt fr氓n existerande metoder inom numerisk optimal styrning. De metoder som anv盲nds idag inom omr氓det bygger oftast antingen p氓 sampling eller n氓gon variant av grafs枚kning. Dessa metoder 盲r tacksamma att anv盲nda f枚r problem med icke-konvexa hinder, men de genererar generellt sett inte lika bra l枚sningar som de fr氓n numerisk optimal styrning. En l枚sning p氓 det 盲r att utj盲mna en l枚sning fr氓n en samplande algoritm eller grafs枚kningsalgoritm med en metod fr氓n optimal styrning/optimering. V氓r ambition 盲r att bygga bort detta behov av tv氓 separata steg och ist盲llet f枚rs枚ka att effektivt integrera stegen med varandra.

En annan del av forskningen handlar om att f氓 ett system att utf枚ra, eller f枚lja, en plan fr氓n en planerare. Vi vill g枚ra detta p氓 ett s盲tt att vi kan garantera att en eventuell avvikelse fr氓n planen g氓r mot noll i tiden, det vill s盲ga att systemet ska vara stabilt kring planen den f枚ljer.

Ytterligare en relaterad del handlar om att g枚ra effektiva ber盲kningar som m枚jligg枚r anv盲ndande av numerisk optimal styrning f枚r st枚rre problem och snabbare ber盲kningar. F枚r att lyckas med detta utnyttjar vi dels problemstruktur och dels modern h氓rdvara som kan utf枚ra ber盲kningar parallellt. .

Som en applikation inom omr氓det 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 sl盲pkonfigurationer. Det senare 盲r ett p氓g氓ende projekt. .