Improved dynamic output feedback RMPC for linear uncertain syste...

Improved dynamic output feedback RMPC for linear uncertain systems with input constraints (accepted, DOI: 10.1002/rnc.3484) 本文提出了一种针对线性不确定系统且具有输入约束的改进型动态输出反馈鲁棒模型预测控制（Robust Model Predictive Control，RMPC）设计方法。文章的作者为Ting Shi、Zheng-Guang Wu和Hongye Su，他们分别来自杭州电子科技大学自动化学院和浙江大学工业控制技术国家重点实验室。该研究成果已被《国际鲁棒与非线性控制杂志》接受并发表了相关的DOI编号（DOI: 10.1002/rnc.3484）。 在讨论的背景中，作者指出模型预测控制（MPC）和鲁棒模型预测控制（RMPC）因为其能够处理硬约束和模型不确定性而受到了大量关注。大部分现有关于RMPC的工作都关注于状态反馈方法，这要求能够测量到完整的状态信息，并用作预测未来系统行为的初始条件。然而，在许多控制问题中，并非所有状态都能精确测量，只有输出信息可以用于反馈控制。在这种情况下，就需要采用输出反馈控制方法。 在本文中，作者提出了动态输出反馈鲁棒模型预测控制的设计方法，这可以处理具有输入约束的线性不确定系统。为了应对输入限制，控制信号被允许饱和，这样可以充分利用执行器的能力，进而减少保守性。对于那些无法获得的状态信息，采用椭球集合来获取状态估计，并在每个时间点进行更新。此外，文章采用了修改后的RMPC设计要求，以确保优化问题的递归可行性。然后，该设计方法被表述为一个具有线性矩阵不等式（Linear Matrix Inequality，LMI）约束的凸优化问题。 在介绍和摘要部分，作者强调了文章研究的重点，并概述了研究成果。他们期望提出的输出反馈鲁棒模型预测控制设计方法能够进一步减少保守性。通过一个示例，作者展示了所提算法相对于其他现有技术的改进之处。文章的关键词包括鲁棒模型预测控制、输入约束、输出反馈和线性矩阵不等式（LMI）。 作者首先介绍了研究的背景和动机，即在过去几年中，模型预测控制（MPC）和鲁棒MPC（RMPC）由于其能够处理硬约束和模型不确定性而受到了大量关注。作者指出，大部分现有的鲁棒模型预测控制研究都集中在状态反馈方法上，即假设可以测量到完整的状态信息，并利用这些信息作为预测未来系统行为的初始条件。然而，在许多控制问题中，由于物理限制或者传感器成本等原因，并非所有状态都能被精确测量，这时只有输出信息是直接可用的。 因此，对于那些无法直接获取的状态信息，本研究采用了椭球集合的方法来进行状态估计，并在每个时间点实时更新这一估计。针对输入约束的问题，控制信号被允许饱和，以充分利用执行器的能力，这有助于减少由于输入限制而带来的保守性。为了确保优化问题能够递归可行，作者提出了一种修改后的鲁棒模型预测控制设计要求。 接着，作者详细描述了他们提出的动态输出反馈鲁棒模型预测控制设计方法，并将其表述为一个凸优化问题，同时带有线性矩阵不等式（LMI）约束。文章指出，相比于现有的其他技术，这项新技术能够减少控制策略的保守性，并通过实例证明了这一改进算法的优势。 文章提供了关于鲁棒模型预测控制、输入约束、输出反馈以及线性矩阵不等式（LMI）等关键词的进一步研究背景和理论框架，并对所提方法的优势进行了论证。