В статье представлен обзор методов прямой численной оптимизации для интеллектуальных систем управления беспилотными робототехническими устройствами. Рассмотрена история развития направления, методы исследования задач нелинейного адаптивного управления, системное моделирование при исследовании управляемых процессов с прогнозированием. Применительно к автономному транспорту мобильные роботы должны перемещаться в динамических средах при выполнении заданных ограничений. Необходимы работающие алгоритмы с обратной связью, способные быстро реагировать на меняющиеся условия. Рассмотрены особенности постановок задач в терминах нелинейного адаптивного управления, современные многометодные вычислительные технологии исследования нелинейного адаптивного управления с прогнозированием: алгоритмы онлайн-оптимизации с использованием оффлайн-планировщиков и алгоритмы машинного обучения, опирающиеся на применение искусственных нейронных сетей различной структуры. Исследован опыт разработки и внедрения встроенной стратегии оптимального управления для приложений автономного вождения на дорожном транспортном средстве. Представлены результаты анализа технологий, используемых на практике. Использование рассмотренных технологий позволяет проводить исследования методов нелинейного адаптивного управления с прогнозированием для роботизированного транспортного средства.

В настоящем обзоре рассматривается роль нейронных сетей, основанных на методах управления с прогнозирующей моделью (MPC), в различных областях управления, подчеркивается их эффективность в оптимизации сложных систем при одновременном признании существующих проблем. Исследуется инновационная интеграция нейронных сетей с MPC, достижения в системном моделировании, оптимизации и надежности. Несмотря на существующие проблемы, в том числе аппаратные ограничения и требования к данным, комбинированное применение нейронных сетей предлагает многообещающие решения. Новые тенденции, включая усовершенствованные сетевые архитектуры и оптимизацию в реальном времени, предвещают на многообещающее будущее. Практические требования к внедрению подчеркивают необходимость целостного подхода, обеспечивающего адаптивность, безопасность и эффективность. Отмечено, что интеграция нейронных сетей с MPC продолжит формировать среду для систем управления.

Датчики стабилизации имеют решающее значение для систем подвеса в аэрокосмической промышленности и используются для обеспечения точной обработки изображений и сопровождения цели. В исследовании представлен робастный подход к управлению с прогнозированием нелинейных моделей (NMPC) для достижения эффективной стабилизации датчиков в 2-осевых карданных системах, установленных на беспилотных летательных аппаратах (БПЛА). Сложная нелинейная и изменяющаяся во времени система упрощается путем аппроксимации вокруг неоднозначной точки равновесия. Формулируя задачу управления как задачу оптимизации с использованием многоступенчатого стохастического программирования, можно учитывать неопределенности с помощью концепции дерева сценариев, реализованной с использованием набора инструментов do-MPC, основанного на CasADi/IPOPT. Это обеспечивает адаптивное управление входами и работу по замкнутому контуру на основе информации в режиме реального времени. Результаты моделирования демонстрируют эффективность предлагаемого подхода для стабилизации системы и смягчения возмущений. Контроллер обеспечивает надежное управление в различных условиях, эффективное противодействие внешним помехам и помехам измерений. Данный подход обеспечивает гибкость при настройке гиперпараметров для достижения баланса между точностью и требованиями к вычислительным ресурсам. Предлагаемый подход обеспечивает гибкость при настройке гиперпараметров для достижения баланса между точностью и требованиями к вычислительным ресурсам. Полученные результаты позволяют получить информацию о производительности системы и подчеркивают влияние выбора гиперпараметров. Результаты исследования позволяют сформировать базу для разработки передовых систем стабилизации в аэрокосмической промышленности с учетом возможностей современных датчиков. В дальнейшие планы авторов входит улучшение работы в режиме реального времени за счет использования более современных вычислителей или замены MPC на подходящую нейронную сеть, обученную с использованием данных настоящего моделирования. Ключевые слова: многоступенчатая робастная нелинейная модель с прогнозирующим управлением, устранение помех, карданная стабилизация, неопределенность параметров.

Рассмотрена задача построения многозначного решения для уравнения Бакли–Леверетта, описывающего процесс двухфазной фильтрации в среде с переменным коэффициентом пористости. Такое уравнение используется для расчета эволюции поверхности разделения фаз “нефть–вода” при разработке нефтяных месторождений. Показано, как для заданных начальных условий построить каустику многозначных решений.