Hierarchische, verteilte Zielverfolgung und Formationsregelung mit Konsensus Algorithmen und MPC
Motivation
Betrachtet wird eine Gruppe autonomer Agenten (z. B. mobile Roboter oder UAVs), die ein unbekanntes, sich bewegendes Ziel verfolgen und dabei eine vorgegebene Formation um dieses Ziel einhalten sollen. Die Zielbewegung ist nicht im Voraus bekannt und kann sich schnell ändern. Gleichzeitig ist die Kommunikation zwischen den Agenten eingeschränkt, und regelungstechnische sowie kollisionsvermeidende Nebenbedingungen müssen berücksichtigt werden. Ein naiver Ansatz, bei dem die Rollen der Agenten ausschließlich anhand ihrer momentanen Nähe zu Formationsplätzen bestimmt werden, führt häufig zu unerwünschtem Umschaltverhalten und Zeno-ähnlichen Effekten. Dies ist insbesondere problematisch, wenn auf der unterlagerten Ebene modellprädiktive Regler (Model Predictive Control, MPC) eingesetzt werden, da diese empfindlich auf abrupte Referenzänderungen reagieren. Konsensus Algorithmen ermöglichen dagegen eine verteilte Entscheidungsfindung, bei der sich die Agenten über lokale Kommunikation auf eine konsistente Rollenvergabe einigen. Dies motiviert die Entwicklung eines hierarchischen, verteilten Regelungskonzepts, in dem eine diskrete, konsensusbasierte Rollenvergabe schnelles Umschalten vermeidet und klar von der kontinuierlichen Trajektorienverfolgung mittels MPC entkoppelt ist.
Aufgabenbeschreibung
Um ein gemischt-ganzzahliges MPC-Problem zu vermeiden, konzentriert sich die Arbeit auf die Entwicklung eines übergeordneten Rollenvergabe-Verfahrens in Kombination mit einem unterlagerten, MPC-basierten Tracking-Ansatz. Der übergeordnete Entscheidungsprozess soll dabei auf dem Min-Konsensus Algorithmus basieren, wobei Möglichkeiten wie zusätzliche Strafterme zur Vermeidung schnellen Umschaltverhaltens untersucht werden sollen. Darüber hinaus muss der lokale MPC der unteren Ebene so ausgelegt werden, dass eine geeignete Tracking-Performance gewährleistet ist. Der hierarchische Regelungsansatz soll mithilfe von Simulationen evaluiert werden, wobei die Regelgüte anhand verschiedener Leistungskennzahlen wie Formationsfehler, Anzahl der Umschaltungen, Kommunikationszuverlässigkeit und Stellaufwand bewertet wird.
Voraussetzungen
Grundkenntnisse in MATLAB, Erfahrung in optimierungsbasierter Regelung und/oder verteilten Algorithmen (Zum Beispiel Kenntnisse in den Vorlesungen „Numerical Optimization“ oder „Model Predictive Control“).
Kontakt
Maximilian Pierer von Esch, M.Sc.
Chair of Automatic Control
maximilian.v.pierer@fau.de
Katharina Stich, M.Sc.
Lehrstuhl für Intelligente Technische Elektronik und Systeme
katharina.stich@fau.de