¿Cuáles son los problemas actuales en la teoría moderna del control?

Hay muchas buenas respuestas para problemas generales de controles modernos, por lo que me centraré en una específica.

Dentro del campo de la ingeniería aeroespacial, la optimización de la orientación en tiempo real es algo que me entusiasma mucho. En lugar de calcular numéricamente una trayectoria óptima (de un cohete o avión) por adelantado, y luego intentar seguir esa trayectoria, los vehículos aeronáuticos del futuro recalcularán continuamente la trayectoria óptima durante el vuelo . Dentro de Orientación, Navegación y Control (GN&C), esto es esencialmente G&C combinado.

Tenemos la capacidad computacional para hacer esto, pero hay otras dos consideraciones que contribuyen a por qué no se ha implementado ampliamente.

Primero es el costo; Las soluciones de orientación fuera de línea han demostrado ser “suficientemente buenas”. Por lo tanto, realizar más investigaciones aún no tiene sentido financiero, pero a medida que tenemos requisitos de vuelo y cohetes más rigurosos de la comercialización, resolver estos problemas puede ser más práctico.

En segundo lugar, dado que los algoritmos de optimización en tiempo real no se han utilizado mucho, la confianza en su éxito es baja. En el sector aeroespacial, el patrimonio de vuelo comprobado es extremadamente importante porque reduce significativamente el riesgo. Con una carga útil muy costosa (posiblemente humanos) a bordo, los subsistemas de alto riesgo son un no-no.

1. Control descentralizado de un enjambre de drones autoorganizados, o un grupo de vehículos autónomos.
Esto involucra temas de controles, optimización, teoría de juegos.

El futuro del transporte urbano está en la optimización y control centralizado / descentralizado. Incluso antes de que aparezcan vehículos totalmente autónomos, las personas conducirán con pistas de su asistente inteligente de navegación en red. Puede ser suficiente si cada uno de cada 4 autos tiene sensores y controles adicionales para mejorar el tráfico en general.

2. Algoritmos de control inteligentes y adaptativos que son fáciles de entender y depurar. Algoritmos que permiten comprender fácilmente el rendimiento esperado y el margen de estabilidad.

Tenga en cuenta que es el peor de los casos que a menudo es más importante para nosotros.
Cuando su automóvil cambia súper suavemente, algunas personas lo notan. Cuando suena incluso una vez, la gente se queja.
La red neuronal profunda en un vehículo autónomo puede conducir bellamente en muchos escenarios, pero esto aún no es suficiente. Necesitamos una garantía de un rendimiento seguro (aunque degradado) en situaciones imprevistas.

La objeción a los complejos algoritmos de control adaptativo en muchas áreas es que cuando un sistema regresa a servicio es difícil entender por qué se ha adaptado / aprendido de la manera en que lo hizo y si lo que está haciendo es realmente normal. Los grados de libertad son demasiados para el ingeniero de servicio humilde.
Necesitamos un controlador que regrese y comparta la experiencia. Quizás incluso “organice un seminario para controladores más jóvenes” sobre cómo controlar mejor el sistema.

Jessy Grizzle, profesora del grupo de control de sistemas de la Universidad de Michigan, y su equipo están trabajando duro en Mabel, un robot bípedo. Actualmente el robot usa soporte lateral cuando corre. Trabajar hacia un robot bípedo en funcionamiento totalmente independiente es un problema abierto actual de mucho interés entre la comunidad de control no lineal.