A Novel Fuzzy Logic Based Adaptive Supertwisting Sliding Mode Control Algorithm for Dynamic Uncertain Systems
St. Peter’s University(圣彼得大学);Sahyadri College of Engineering and Management(萨亚德里工程与管理学院);PA College of Engineering(PA工程学院)
针对动态不确定系统的控制问题,提出了一种基于模糊逻辑的自适应超扭曲滑模控制器。该控制器综合了二阶滑模控制、模糊逻辑控制和自适应控制的优点。该控制器保证了系统的到达条件、稳定性和鲁棒性。此外,所提出的控制器是非常适合简单的设计和实施。基于Matlab的DC-DC Buck变换器仿真结果表明,该控制器优于一阶滑模模糊逻辑控制器。基于这种比较,所提出的控制器,以获得所需的瞬态响应,而不会引起抖振和稳态条件下的错误。所提出的控制器是能够给鲁棒性的性能方面的拒绝输入电压变化和负载变化。
2012-08-10 cs.AI
STL-Based Synthesis of Feedback Controllers Using Reinforcement Learning
IIT Kanpur(印度理工学院坎普尔分校)
深度强化学习(Deep Reinforcement Learning,DRL)有可能用于为具有未知动态的各种复杂系统合成反馈控制器(agent)。这些系统预计将满足不同的安全性和活性最好使用时序逻辑捕获的属性。在RL中,奖励函数在指定这些代理的期望行为方面起着至关重要的作用。然而,设计的RL代理的奖励函数,以满足复杂的时序逻辑规范的问题在文献中得到了有限的关注。为了解决这个问题,我们提供了一个系统的方法,通过使用信号时序逻辑(STL)的定量语义来实时生成奖励,STL是一种广泛使用的时序逻辑,用于指定网络物理系统的行为。我们提出了一个新的定量语义STL有几个理想的属性,使其适合奖励生成。我们评估我们的STL为基础的强化学习机制在几个复杂的连续控制基准,并比较我们的STL语义与文献中的合成控制器代理的功效。实验结果表明,我们的新语义是最适合通过强化学习合成复杂连续动态系统的反馈控制器。
2022-12-02 cs.AI
Logical foundations of Smart Contracts
School of Electrical Engineering;Computer Science University of Ottawa Ottawa, Canada
针对智能合约实现需复杂形式化方法的问题,提出以情景演算为逻辑基础,用其衍生语言Golog实现智能合约,以解决动态复杂系统的形式化描述难题。
2025-02-13 cs.AI cs.LO
Nonmonotonic Reasoning as a Temporal Activity
Florida State University(佛罗里达州立大学)
一个{ \it动态推理系统}(DRS)是一个传统的形式逻辑系统的适应,明确地描绘推理作为一个时间活动,与系统的每个非逻辑输入和每个推理规则的应用被视为发生在一个不同的时间步骤。每个DRS都包含一些定义良好的逻辑以及一个控制器,用于指导推理过程以响应用户输入。逻辑是通用的,而控制器是特定于应用程序的。尽管如此,每个控制器都提供了一个非单调信念修正算法。DRS的一般概念包括一个框架,在该框架内,人们可以为给定的应用制定逻辑和算法,并证明算法是正确的,即,它们用于(i)导出所有显著信息和(ii)保持信念集的一致性。本文说明了普通的一阶谓词演算的想法,适当修改为目前的目的,和一个例子。这个例子重温了一些经典的非单调推理难题(企鹅作品,尼克松钻石),并展示了如何在DRS的上下文中解决这些问题,使用扩展版本的一阶逻辑,包括类型谓词符号。所有的概念都是严格定义和有效计算的,从而为未来的软件实现提供了基础。
2014-04-28 cs.AI
Hybrid fuzzy logic and pid controller based ph neutralization pilot plant
School of Engineering, University of Warwick(华威大学工程学院)
本文提出一种优化的数学模型和先进混合控制器设计,用于pH中和试点工厂的控制设计与自动化,以应对过程控制中的挑战。
2013-05-13 cs.AI cs.SY eess.SY
Design of Fuzzy Logic Controller for Washing Machine
The Maharaja Sayajirao University of Baroda(巴罗达王公萨亚吉拉奥大学)
本文针对洗衣机控制问题,采用Mamdani方法设计了一种基于多输入多输出的模糊逻辑算法,并在Python中实现,仿真结果表明其能以较低计算成本获得更好的执行效果。
2024-02-21 cs.AI cs.SY eess.SY
Design Of Fuzzy Logic Traffic Controller For Isolated Intersections With Emergency Vehicle Priority System Using MATLAB Simulation
Jabalpur Engineering College(贾巴尔普尔工程学院)
本文设计了基于模糊逻辑的交通控制器,通过MATLAB仿真优化隔离交叉口交通流,利用等待时间和队列长度进行控制,并集成紧急车辆优先系统以提升交通效率。
2014-05-05 cs.AI cs.SY eess.SY
Provably Correct Controller Synthesis of Switched Stochastic Systems with Metric Temporal Logic Specifications: A Case Study on Power Systems
School for Engineering of Matter, Transport, and Energy, Arizona State University(亚利桑那州立大学物质、运输与能源工程学院);Argonne National Laboratory(阿贡国家实验室)
针对具有度量时序逻辑(MTL)规范的切换随机控制系统,提出了一种可证明正确的控制器综合方法。首先给出了切换随机控制系统的随机控制互模拟函数,该函数以概率的方式限制了切换随机控制系统与其标称确定性控制系统之间的轨迹发散.然后,我们开发了一种方法来计算最优控制输入的确定性控制系统的标称轨迹与初始状态变化和随机不确定性的鲁棒性解决一个优化问题。我们实现了我们的鲁棒随机控制器的综合方法上的四总线电力系统和九总线电力系统下的发电损耗干扰,MTL规格表示的要求,电网频偏,风力涡轮发电机转子速度的变化和功率流的限制,在不同的电力线。
2021-03-26 cs.AI cs.SY eess.SY
Risk-Awareness in Learning Neural Controllers for Temporal Logic Objectives
University of Southern California(南加州大学);Toyota Motor North America R&D(丰田汽车北美研发中心)
在本文中,我们考虑的问题,在不确定性的存在下,使所得的闭环系统满足一定的硬约束,同时优化某些(软)性能目标的综合控制器。我们假设的硬约束编码安全或关键任务的任务目标表示使用信号时序逻辑(STL),而性能量化使用标准的代价函数的系统轨迹。为了优先满足STL硬约束,我们利用控制障碍函数(CBFs)的框架和算法获得的STL目标的CBFs。我们假设的控制器建模使用神经网络(NN),并提供一个优化算法来学习的NN控制器,优化性能在用户指定的鲁棒性裕度的安全规格的最佳参数。我们使用风险度量的形式主义来评估系统的鲁棒性裕度与其性能之间的权衡所带来的风险。我们证明了我们的方法的有效性,众所周知的困难的例子,如四旋翼和单旋翼非线性控制,其中每个系统的任务目标包括硬时间约束和安全目标。
2022-10-14 cs.AI cs.FL cs.SY
AutoPLC: Generating Vendor-Aware Structured Text for Programmable Logic Controllers
Beihang University, China(北京航空航天大学);Siemens AG(西门子股份公司)
AutoPLC是一个自动从自然语言生成供应商感知的PLC结构化文本代码的框架,通过四阶段生成过程在914任务基准上实现90%以上编译成功率,成本低至每任务0.13美元。
2025-08-03 cs.AI cs.SE
Dynamic Reasoning Systems
Florida State University(佛罗里达州立大学)
一个{ \it动态推理系统}(DRS)是一个传统的形式逻辑系统的适应,明确地描绘推理作为一个时间活动,与系统的每个非逻辑输入和每个推理规则的应用被视为发生在一个不同的时间步骤。每个DRS都包含一些定义良好的逻辑以及一个控制器,用于指导推理过程以响应用户输入。逻辑是通用的,而控制器是特定于应用程序的。尽管如此,每个控制器都提供了一个非单调信念修正算法。DRS的一般概念包括一个框架,在该框架内,人们可以为给定的应用制定逻辑和算法,并证明算法是正确的,即,它们用于(i)导出所有显著信息和(ii)保持信念集的一致性。本文用普通的一阶谓词演算来说明这一思想,并为此目的进行了适当的修改,以及两个例子。后一个例子重温了一些经典的非单调推理难题(企鹅作品,尼克松钻石),并显示了如何在DRS的上下文中解决这些问题,使用扩展版本的一阶逻辑,包括类型谓词符号。所有的概念都是严格定义和有效计算的,从而为未来的软件实现提供了基础。
2013-08-25 cs.AI cs.LO
Verified Compositional Neuro-Symbolic Control for Stochastic Systems with Temporal Logic Tasks
Washington University in St. Louis (WashU)(圣路易斯华盛顿大学)
针对未知随机动态系统LTL任务中NN控制器组合缺乏安全保证的问题,提出基于自动机理论和数据驱动可达性分析的神经符号控制方法,实现零样本安全行为并验证其正确性与完备性。
2023-11-22 cs.AI cs.LG cs.RO
Towards Agrobots: Trajectory Control of an Autonomous Tractor Using Type-2 Fuzzy Logic Controllers
University of Leuven (KU Leuven)(鲁汶大学);Bogazici University(博阿齐奇大学)
为农用车辆提供一些自主功能将减轻操作员的工作,但在这样做时,不应损失准确性以仍然获得最佳产量。农用车辆的自主导航涉及不同动态子系统的控制,例如偏航角动态和纵向速度动态。在这项研究中,比例积分微分控制器被用来控制拖拉机的纵向速度。对于偏航角动态的控制,比例微分控制器与2型模糊神经网络并行工作。在这样的安排中,前者确保相关子系统的稳定性,而后者学习系统动态并成为主导控制器。通过这种方式,而不是建模的子系统之间的相互作用之前,基于模型的控制的设计,我们开发了一种控制算法,学习的相互作用在线测量的反馈误差。除了所述子系统的控制之外,还需要运动控制器来校正用于拖拉机的轨迹跟踪问题的x轴和y轴上的误差。为了证明所提出的控制方案的实时能力,自主拖拉机配备了价格合理的传感器和执行器的使用。实验结果表明了该学习算法的有效性和效率。
2021-04-09 cs.AI cs.LG cs.RO
Scaling Learning based Policy Optimization for Temporal Logic Tasks by Controller Network Dropout
University of Southern California(南加州大学);Toyota NA R&D(丰田北美研发中心)
本文提出一种基于模型的方法,利用前馈神经网络学习DT-STL任务的反馈控制器,并引入控制器网络dropout的新型梯度近似算法,解决了长跨度任务中的梯度消失与爆炸问题,实现了可扩展的反向传播。
2024-08-27 cs.AI cs.LG cs.RO
Signal Temporal Logic Neural Predictive Control
Massachusetts Institute of Technology(麻省理工学院)
针对传统方法在STL控制中计算复杂且难以扩展的问题,提出一种直接学习神经网络控制器并结合备份策略的神经预测控制方法,在保证安全的同时大幅提升了STL满足率和计算速度。
2023-09-10 cs.AI cs.LG cs.RO
An adaptive self-organizing fuzzy logic controller in a serious game for motor impairment rehabilitation
Anglia Ruskin University(安格利亚鲁斯金大学)
康复机器人与视频游戏技术相结合,通过执行各种促进运动,为神经肌肉疾病患者的康复提供了一种辅助手段。目前的工作提出了ReHabGame,一个严重的游戏,使用融合的实施技术,可以很容易地被患者和治疗师用来评估和提高感觉运动的表现,也增加了患者的日常生活中的活动。该游戏允许玩家通过Kinect Xbox,Myo臂章和方向舵脚踏板控制化身的运动,并涉及一系列的伸手-抓握-收集任务,其难度级别通过模糊界面学习。由玩家生成的定向、角速度、头部和脊柱倾斜以及其他数据被监视和保存,同时通过求解定向化身的上肢关节的逆运动学算法来计算任务完成。上身运动量的不同值提供模糊输入,根据模糊输入确定清晰输出并用于生成适当的后续康复游戏水平。因此,该系统可以为患有神经肌肉疾病的患者提供个性化的,经过精心学习的康复计划,与传统的治疗活动相比,该计划具有更好的预测,以指导改进临床方案的开发。
2018-04-27 cs.AI cs.HC cs.RO
Safe Control under Uncertainty
UC Berkeley(加州大学伯克利分校);Microsoft Research(微软研究院)
本文提出Probabilistic Signal Temporal Logic(PrSTL)用于定义随机属性并确保概率保证,通过该逻辑合成安全控制器,应用于四旋翼和自动驾驶车辆等案例。
2015-10-25 cs.AI cs.LO cs.RO
Provably Safe Neural Network Controllers via Differential Dynamic Logic
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);DePaul University(德保罗大学);Carnegie Mellon University(卡内基梅隆大学)
提出VerSAILLE和Mosaic方法,结合微分动态逻辑与神经网络验证,实现无限时间安全性的可证明保证,并在基准上显著优于现有工具。
2024-10-24 cs.AI cs.LG cs.LO