A Terminal State Feasibility Governor for Real-Time Nonlinear Model Predictive Control Over Arbitrary Horizons
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This article introduces a novel feasibility governor (FG), which enlarges the region of attraction (ROA) of a nonlinear model predictive control (NMPC) setpoint regulation law with an arbitrarily short prediction horizon. The efficient online FG is developed for nonlinear systems subject to pointwise-in-time state and input constraints and relies on a discrete-time solution of a trajectory-based explicit reference governor (ERG) with Lyapunov-based terminal energy constraint. It ensures the FG-NMPC scheme’s recursive feasibility to any target and asymptotic stability to constant targets by adaptively integrating the derivative of an auxiliary reference applied to the closed-loop NMPC. Compared to recently published FG schemes, this scheme scales better to higher-dimensional nonlinear systems with a priori unknown constraints, as it does not require expensive offline computations to construct the feasible set or the maximal output admissible set (MOAS) associated with the NMPC’s terminal control law. The scheme is implemented as a C++ algorithm and validated through simulations on a quadrotor that aggressively but safely flies through a priori unknown environments cluttered with obstacles. It is shown to satisfy all constraints for any piecewise-continuous reference, achieve asymptotic stability and zero-offset tracking to constant constraint-admissible targets, and require low computational effort. Supplementary video material can be found at <uri xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">https://youtu.be/2LSYNwuYpzI</uri>.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle