ThermoForce: A Physics-Structured Interventional World Model for Building HVAC Control
McGill University(麦吉尔大学)
研究建筑暖通空调系统模型预测控制所需的热模型问题。提出ThermoForce,将时间序列基础模型冻结为被动自由响应,学习物理结构的强制响应算子,在相关干预中表现出色,嵌入MPC可降低热不适与能耗。
2026-07-07 cs.SY eess.SY
Feedforward control for wave disturbance rejection on floating offshore wind turbines
浮动海上风力涡轮机允许在深水中收获风能。然而,当浮式平台被风和波浪激励时,可能导致额外的动力学和结构载荷。在这项工作中,传统的风力涡轮机控制器的补充与一种新的线性前馈控制器的基础上波测量。前馈控制器的目的是衰减由波浪强迫引起的转子速度变化。为了设计这种控制器,开发了一个线性模型,描述了系统对入射波的响应。以DTU 10 MW汽轮机和INNWIND.EU TripleSpar平台为参考,采用高保真数值工具对反馈-前馈控制器的性能进行了评估。在不规则波和湍流风的存在下的仿真表明,前馈控制器有效地补偿了波浪引起的转子振荡。新的控制器能够减少26%的转子速度变化。因此,与静水中运行相比,剩余的转子速度变化仅高出4%。
2020-04-06 cs.SY eess.SY
Unlocking feedforward capabilities in Model Predictive Control algorithms to deal with measurable disturbances
University of Almería(阿尔梅里亚大学)
提出一种在MPC中嵌入真正前馈能力的双控制结构框架,通过无控制代价的前馈动作实现可测扰动的完全补偿,并在DMC、GPC和状态空间MPC中验证有效性。
2026-06-05 cs.SY eess.SY
Feedforward PID Control of Full-Car with Parallel Active Link Suspension for Improved Chassis Attitude Stabilization
PID控制通常用于主动悬架系统中以实现期望的底盘姿态,其中,由于延迟,反馈信息很难调节侧倾和俯仰行为以及稳定底盘姿态,这可能导致当车辆以大的纵向速度转向时的侧翻。为了解决反馈延迟在底盘姿态稳定的问题,在本文中,前馈控制策略,提出了一个以前开发的PID控制方案相结合,在最近推出的并联主动悬架(PALS)。数值模拟与非线性多体车辆模型进行,其中一组ISO驾驶演习进行了测试。结果表明,基于前馈的控制方案相比,传统的PID控制,具有更快的收敛速度,在制动转弯和步骤转向机动,和幸存的鱼钩机动(虽然显示两轮抬离)与50英里每小时的机动入口速度,在传统的PID控制翻转。
2022-03-08 cs.SY eess.SY
Learning Precisely Timed Feedforward Control of the Sensor-Denied Inverted Pendulum
由于信号延迟、计算复杂性和传感器拒绝环境引起的时间延迟在工程和生物控制系统中都构成了关键挑战。在这项工作中,我们研究生物启发的策略,开发精确定时的前馈控制律的工程系统大的时间延迟。我们证明了这种方法的非线性摆与部分否认的意见,使它只可能测量系统的状态附近的直立位置。给定一个大的干扰,使局部反馈控制器,它是必要的,以增加或删除能量的钟摆,使它返回到直立位置后,一个完整的旋转。在直立位置附近的部分观察在观察与致动最有效的区域之间引入了显著的延迟。因此,我们开发了一种学习算法,将传感器信息集成到一个精确定时的前馈控制信号,以克服这种延迟与最小的计算,训练数据,和一组控制决策。这个简单的控制器可以作为许多生物系统的模型,并可以在具有时间延迟的工程系统中实现。
2019-12-10 cs.SY eess.SY
Observer-Feedback-Feedforward Controller Structures in Reinforcement Learning
Uppsala University(乌普萨拉大学)
针对部分可观测非线性系统,本文提出由循环观测器网络与反馈/前馈控制器网络组成的结构化强化学习控制器,可降低复杂度、加快训练并提升扰动抑制。
2023-04-20 cs.LG cs.SY eess.SY
Certified Feedforward Tracking for Unknown Nonlinear Systems via Invertible Neural Networks
University of Minnesota–Twin Cities(明尼苏达大学双城分校);DEVCOM Army Research Laboratory(DEVCOM陆军研究实验室)
该研究针对部分状态测量下未知非线性系统的周期跟踪问题,采用可逆神经网络规避非凸逆问题,结合共形预测提供跟踪误差概率保证,在直流电机驱动机械负载上验证了方法有效性。
2026-08-10 cs.LG cs.SY eess.SY
Feedforward Density-Driven Optimal Control (D2OC) for Tracking Time-Varying Distributions
New Mexico Institute of Mining and Technology(新墨西哥矿业理工学院)
本文提出前馈增强的D²OC框架,通过引入参考速度场模型,解决多智能体在时间变化环境中的分布跟踪滞后问题,理论分析和数值结果表明该方法能有效降低跟踪延迟,保证鲁棒性和高保真度。
2026-11-03 cs.SY eess.SY
Exploring the use of deep learning in task-flexible ILC
当今行业中不断增长的需求导致越来越严格的性能和吞吐量规格。对于高精度运动系统的精确定位,前馈控制起着至关重要的作用。然而,传统的基于模型的前馈方法不再足以满足具有挑战性的性能要求。迭代学习控制(ILC)由于其优越的性能,是一种有吸引力的方法,用于重复运动任务的系统。然而,对于具有非重复运动任务的系统,ILC {通常}不适用,{尽管最近有一些有希望的进展}。在本文中,我们的目标是探索使用深度学习来解决ILC的任务灵活性约束。为此,一个新的任务类比模仿学习(TAIL)-ILC方法的开发。为了基准所提出的方法的性能,模拟研究比较TAIL-ILC经典的基于模型的前馈策略和现有的基于学习的方法,如基于神经网络的前馈学习。
2023-03-25 cs.SY eess.SY
On feedforward control using physics-guided neural networks: Training cost regularization and optimized initialization
ASML(阿斯麦尔);Eindhoven University of Technology(埃因霍温理工大学)
基于模型的前馈控制器的性能通常受限于逆系统动态模型的精度。物理引导的神经网络(PGNN)是一种已知物理模型与神经网络并行协作的网络,最近被提出作为实现所识别的逆动力学的高精度的方法。然而,神经网络的灵活性,可以创建overparameterization时,与物理模型,这导致在训练过程中的参数漂移。这种漂移可能导致物理模型的参数不对应于它们的物理值,这增加了PGNN对训练数据中不存在的操作条件的脆弱性。为了解决这个问题,本文提出了一种正则化方法,通过识别的物理参数,结合优化的训练初始化,提高训练收敛性。正则化的PGNN框架在现实生活中的工业直线电机上进行了验证,它提供了更好的跟踪精度和外推。
2022-01-28 cs.LG cs.SY eess.SY
Adaptive Feedforward Neural Network Control with an Optimized Hidden Node Distribution
具有格型分布隐层节点的复合自适应径向基函数神经网络(RBFNN)控制存在3个固有缺点:1)自适应RBFNN的逼近域难以先验确定; 2)只能保证部分激励持续性(PE)条件; 3)通常情况下,RBFNN所需的隐层节点数很大。本文提出了一种自适应前馈RBFNN控制器的隐节点的优化分布,以适当地解决上述缺点。由K-均值算法计算的隐藏节点的分布沿着期望的状态轨迹最优地分布。自适应RBFNN满足PE条件的周期性参考轨迹。所有隐藏节点的权重将收敛到最优值。该方法大大减少了隐藏节点的数量,同时实现了更好的逼近能力。该控制方案在两种特殊情况下具有与经典PID控制相似的合理性,因此可以看作是一种具有更好逼近能力的增强型PID控制方案。对于由数字器件实现的控制器,对于具有未知动力学的机械手,该方法比具有精确动力学的基于模型的方法具有更好的控制性能,仿真结果验证了该方法的有效性。这一结果为自适应神经网络控制和确定性学习理论的协调提供了更深入的见解。
2021-04-22 cs.SY eess.SY
Parallel Feedforward Compensation for Output Synchronization: Fully Distributed Control and Indefinite Laplacian
这项工作是与使用并行前馈补偿器(PFC)的问题,输出同步异构代理和这种方法可以提供的好处。具体而言,它解决了添加稳定的PFC的代理,相互作用,使用扩散耦合。这种PFC的应用价值是双重的。首先,在需要考虑初始条件的情况下,例如平均一致性和分布式优化,无源性短系统之间的输出同步需要全局信息用于控制器的设计,这是一个问题。我们表明,一个稳定的PFC可以设计钝化的无源性短系统,而其输出渐近消失,其输入趋于零。结果,通过完全分布式控制在这些系统之间实现输出同步,而不改变原始一致性结果。其次,在符号加权图上的输出同步的文献中,通常要求图的Laplacian是半正定的,即,无向图的$L \geq 0$或平衡有向图的$L + L^T \geq 0$。我们表明,PFC作为输出反馈的通信图,以提高对负权重边缘的鲁棒性。其结果是,输出同步实现了一个有符号的加权和平衡的图,即使相应的拉普拉斯算子不是半正定的。
2022-04-25 cs.MA cs.SY eess.SY
Feedforward Controllers from Learned Dynamic Local Model Networks with Application to Excavator Assistance Functions
Robert Bosch GmbH(罗伯特·博世公司);Institute for Data Science in Mechanical Engineering, RWTH Aachen University(亚琛工业大学机械工程数据科学研究所)
针对液压挖掘机建模困难的问题,提出利用记录数据训练局部模型网络并推导前馈控制器的方法,放宽了零动态限制并扩展了多输入多输出与干扰处理,实验证明其有效提升了控制器的跟踪性能。
2024-09-25 cs.LG cs.SY eess.SY
Identifying Feedforward and Feedback Controllable Subspaces of Neural Population Dynamics
本文提出反馈可控性成分分析(FCCA),与 PCA 形成对比,分别识别神经群体动力学中最具反馈和前馈可控性的子空间,并通过理论与实验证明反馈可控子空间能更好地预测动物行为。
2024-08-11 cs.SY eess.SY q-bio.NC
Distribution Control of Stochastic Oscillators via Periodic Feedforward and Population-Level Feedback
The University of Tokyo(东京大学);Tokyo Institute of Technology(东京工业大学)
研究如何将接收相同控制输入的振荡器相位分布引导至目标分布,通过刻画渐近可达性设计周期性输入,结合周期性与群体水平反馈控制设计分布控制器,证明了方法有效性及相关收敛结果。
2026-07-23 cs.SY eess.SY math.OC
A Novel Feedforward Youla Parameterization Method for Avoiding Local Minima in Stereo Image Based Visual Servoing Control
University of California, Davis(加利福尼亚大学戴维斯分校)
针对基于图像的立体视觉伺服中超定约束导致的局部极小值问题,提出结合前馈控制器与Youla参数化反馈控制器的新策略,仿真验证其可有效避坑,实现相机位姿精准高效定位。
2025-06-12 cs.RO cs.SY eess.SY
Modeling, Control and Self-sensing of Dielectric Elastomer Soft Actuators: A Review
School of Mechanical Engineering, Hebei University of Technology(河北工业大学机械工程学院)
综述介电弹性体软执行器的建模、控制与自感知方法,分析其非线性弹性、粘弹性蠕变等挑战及解决方案。
2026-04-19 cs.RO cs.SY eess.SY
Probabilistic Prediction of Ship Maneuvering Motion using Ensemble Learning with Feedforward Neural Networks
Osaka University(大阪大学);University of Tsukuba(筑波大学);RIKEN Center for Advanced Intelligence Project(理化学研究所高级智能中心)
针对船舶操纵建模依赖数据分布的问题,提出融合前馈神经网络与集成学习的概率预测方法,以量化认知不确定性并在多种未知操纵及实船数据上验证有效性。
2024-11-30 cs.RO cs.SY eess.SY
Tracking error learning control for precise mobile robot path tracking in outdoor environment
Massachusetts Institute of Technology(麻省理工学院);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
提出了一种跟踪误差学习控制(TELC)算法,用于越野环境下移动机器人的精确路径跟踪。传统的基于跟踪误差的控制方法中,反馈和前馈控制器都是基于标称模型设计的,无法捕捉不确定性、干扰和工作条件的变化,无法保证在室外环境下精确的路径跟踪性能。在TELC算法中,前馈控制动作的更新,通过使用跟踪误差动态和对象模型失配问题,从而放弃。因此,一旦移动机器人已经在轨道上,前馈控制器就逐渐从系统的控制中消除反馈控制器。除了证明稳定性外,还证明了代价函数不存在局部极小值,从而TELC算法中的系数保证达到全局极小值。实验结果表明,TELC算法的路径跟踪性能优于传统的跟踪误差控制方法。TELC算法控制的移动机器人在越野环境下能够精确地跟踪目标路径,误差小于$10$ cm。
2021-03-21 cs.RO cs.SY eess.SY
A Learn-and-Control Strategy for Jet-Based Additive Manufacturing
在本文中,我们开发了一个基于物理指导的递归神经网络(RNN)模型的预测几何控制框架,用于基于喷射的增材制造(AM)。由于其物理上可解释的架构,该模型的参数是通过使用少量层的输入输出数据通过反向传播训练网络来获得的。此外,我们证明,该模型可以双重表示,使层液滴输入模式(每一层)的一部分,现在成为网络参数,通过反向传播学习。该方法适用于前馈预测控制,其中网络参数从先前数据离线学习,并且合成所有待打印层的控制输入图案。预测控制器的稳定性的充分条件。此外,我们设计了一种算法,有效地实现反馈预测控制,其中网络参数和输入模式(滚动时域)在线学习,没有增加提前期计算。前馈控制方案的实验表明,提高RMS参考跟踪误差超过30%的最先进的状态。我们还实验证明,过程的不确定性补偿的在线学习和反馈控制。
2022-07-07 cs.SY eess.SY math.OC