闭环控制系统的人工智能 —— 建模、设计和优化控制系统的新机遇
本文探讨了如何利用 AI 工具在控制应用中,其中核心工具是自动微分,包括使用自动微分来线性化系统动态以进行局部稳定性分析,或用于坎曼滤波器的状态估计。我们还探讨了其他用途,例如将微分 - 代数方程转换为普通微分方程,以进行控制设计。此外,我们还研究了在模型预测控制应用程序中全局参数化状态向量和控制输入的机器学习模型的使用。对于每种考虑的用例,我们给出了示例和结果。
Jun, 2023
本文介绍了机器学习和强化学习在控制和规划自主系统行为方面的应用,同时强调在安全关键的环境下要特别注意算法的可靠性和安全性,为控制理论家们提供一个学习该领域的起点。
Jun, 2019
通过系统分析方法如何确保人工神经网络(ANNs)的稳定性和效率?利用控制系统的知识可以分析其系统功能和模拟系统响应,该方法可以有助于优化器和学习系统的开发,特别是在识别对 ANNs 产生负面影响的组件时。
Oct, 2023
工业过程优化和控制是提高经济和生态效益的关键。我们提出了人工神经双胞胎,结合了模型预测控制、深度学习和传感器网络的概念,以解决数据主权、不同目标或实施所需的专业知识等问题。通过将相互连接的过程步骤视为准神经网络,我们可以对过程优化或模型微调进行损失梯度的反向传播,从而调整过程参数或人工智能模型。该概念在 Unity 中模拟的虚拟机群中进行了演示,其中包括塑料回收中的散粒材料处理过程。
Mar, 2024
未来作战将要求指挥与控制(C2)人员在复杂且潜在模糊的情况下以缩短的时间段做出决策。与机器学习算法合作以引导算法行为的交互式机器学习有望在 C2 作战过程中发挥潜力,带来适应性和效率的革新。本文提出在现有科学技术中存在的一些差距,并描述了三个研究重点领域,旨在实现可扩展的交互式机器学习(SIML):1)开发人工智能交互算法以在复杂动态情境下进行规划;2)通过优化角色、配置和信任来培养弹性的人工智能与人类团队;3)为适应一系列潜在情境和情况扩大算法和人工智能团队的规模。
Feb, 2024
通过检查以测试为基础的验证和验证作为最实用的方法,并总结当前先进的方法学,在确保学习能力的 CPS 的形式安全方面,确定了当前测试方法的局限性,并提出了从基础概率测试过渡到更严格方法的路线图,以提供正式保证。
Nov, 2023
在工业 4.0 中,网络物理系统 (CPS) 产生大量数据,可以被人工智能 (AI) 用于预测维护和生产计划等应用。然而,尽管已经证明了 AI 的潜力,但其在制造业等领域的广泛应用仍受限。本文通过综合审查最近的文献、标准和报告,确定了一些关键挑战:系统集成、数据相关问题、管理与劳动力有关的问题以及确保可信 AI。定量分析突出了实践者需要重视但尚需学术界进一步研究的特定挑战和主题。本文简要讨论了这些挑战的现有解决方案,并提出了未来研究的方向。我们希望这项调查能够成为评估 CPS 中应用 AI 的成本效益影响的从业者资源,也能够帮助研究人员解决这些紧迫问题。
May, 2024
KI-LOK 研究项目旨在开发认证控制架构,用于防止基于人工智能感知系统中交通标志的误报检测,并通过整合 Python 原型系统和目标检测模型来测量相关性能指标。初始结果表现有希望,精度提高明显,但还需进一步研究泛化可能性。
Nov, 2023
未来的自主智能机器人面临着从非重复稀疏数据流中学习、检测新颖性并具备无监督学习能力的挑战。本文通过提出一种名为 Continually Learning Prototypes (CLP) 的基于原型的方法,解决了这一挑战。CLP 在 FS-OCL 学习中表现出卓越的结果,在检测新颖性和无监督学习方面达到强基线水平。
Mar, 2024
提出了一种基于交互式支持系统,结合基于知识驱动和数据驱动的机器学习方法以及人类专业知识,并实现用户反馈与决策透明解释,减轻人类负担且尊重其专业性和主观能动性的方法,以及用于工业质量控制中的良品检测任务的模式分类算法。
Mar, 2022