Алгоритмы управления обучением, особенно в сочетании с машинным обучением, позволяют разрабатывать интеллектуальные контроллеры, которые автоматически обучаются на основе множества доступных данных, обеспечивая превосходный компромисс между точностью, скоростью и стоимостью.
Интеллектуальные методы управления необходимы для того, чтобы не отставать от растущих требований к производительности высокотехнологичных систем следующего поколения, начиная от высокоскоростной печати, астрономии и медицинских приложений и заканчивая полупроводниковой серверной частью, и в то же время для более низких затрат.
Примеры включают позиционирование полупроводниковых корпусов размером в несколько микрометров, которое выполняется с десятками тысяч корпусов в час с точностью позиционирования субмикрометра, или лазерную спутниковую связь, где требуется точность наведения в микрорадианах по отношению к вибрирующему спутнику на расстояние в несколько сотен километров.
Чтобы поддерживать эти требования к производительности в будущем, разработка интеллектуальных контроллеров становится все более сложной задачей, и особенно многообещающей является область управления с обучением. Алгоритмы управления обучением, особенно в сочетании с машинным обучением, позволяют разрабатывать интеллектуальные контроллеры, которые автоматически обучаются на основе множества доступных данных, обеспечивая превосходный компромисс между точностью, скоростью и стоимостью.
В своей диссертации Ноуд Мурен подробно описывает, как можно улучшить характеристики управления для будущих систем, изучая доступные данные и применяя новые методы из области машинного обучения и управления. Эти методы могут эффективно использовать данные для автоматического обновления алгоритмов или распознавания структуры данных.
Использование новых аспектов машинного обучения
Традиционные обучающиеся контроллеры не применимы напрямую из-за возрастающей сложности управления будущими системами. Это вызвано тем, что сложность неизвестных нарушений и гибкость желаемых эталонов возрастают до такой степени, что традиционные (обучающие) подходы больше не применимы. Эти проблемы необходимо решить, чтобы обеспечить успешное внедрение в широкий спектр мехатронных систем.
Основной вклад этой диссертации направлен на разработку систематических подходов к проектированию для управления мехатронными системами путем изучения данных и использования новых аспектов машинного обучения. Во-первых, гибкость и дизайн традиционных обучающихся контроллеров значительно улучшаются за счет использования гауссовских процессов, т. е. объединения данных и предшествующих знаний для изучения неизвестных возмущений на основе данных. Показано, что регрессия гауссовского процесса может быть очень эффективно использована в управлении и позволяет легко справляться со сложными мультифизическими возмущениями.
Во-вторых, представлена адаптивная настройка контроллера на основе данных, позволяющая избежать трудоемкой ручной настройки. Это делается с помощью оптимального оценщика таким образом, чтобы параметры контроллера можно было оценить во время работы. Представленный подход облегчает автоматическое обновление параметров прямой связи в течение доли секунды, что является значительным улучшением производительности по сравнению с ручной настройкой параметров прямой связи и существующими подходами в области задач.
Общие результаты этой диссертации вносят вклад в практически значимые и теоретические результаты, которые позволяют внедрять сложные методы, происходящие из машинного обучения, в современные современные методы управления движением. Кроме того, несколько подходов успешно проверены на промышленных системах. Используя эти последние разработки в области машинного обучения вместе с хорошо известными методами управления обучением, можно получить большой потенциал.
