Στην παρούσα ερευνητική πρόταση θα αναπτυχθεί μια συνεργατική μεθοδολογία αποκεντρωμένου προσαρμοστικού ελέγχου βασισμένου σε μοντέλα πρόβλεψης (model predictive control, MPC). Η προτεινόμενη μεθοδολογία θα ενσωματώνει δυναμικά μοντέλα παραχθέντα με χρήση τεχνικών υπολογιστικής νοημοσύνης και πιο συγκεκριμένα με νευρωνικά δίκτυα ακτινικής συνάρτησης βάσης (radial basis function, RBF).
Οι μέθοδοι MPC συνήθως υλοποιούνται μέσω της λογικής κεντρικού (centralized) ελέγχου, όπου υπάρχει ένας ελεγκτής, ο οποίος πρέπει να έχει πρόσβαση σε μετρήσεις από όλους τους κόμβους που αποτελούν το σύστημα. Δυστυχώς, οι μέθοδοι κεντρικού ελέγχου παρουσιάζουν σημαντικά μειονεκτήματα, όπως το αυξημένο υπολογιστικό κόστος, αλλά και ο κίνδυνος πλήρους αποτυχίας του συστήματος σε περίπτωση δυσλειτουργίας του κεντρικού ελεγκτή ή απώλειας της επικοινωνίας μεταξύ των κόμβων. Στην παρούσα πρόταση, έμφαση 
θα δοθεί στον αποκεντρωμένο (decentralized) έλεγχο, όπου κάθε κόμβος λύνει ένα ατομικό πρόβλημα βελτιστοποίησης έχοντας τον προσωπικό του στόχο, αλλά λαμβάνοντας υπόψη και την κατάσταση των γειτονικών κόμβων. Έτσι, το υπολογιστικό κόστος μοιράζεται στην επίλυση πολλών, μικρότερων προβλημάτων βελτιστοποίησης, ενώ η επιτυχία του συστήματος ελέγχου δεν εξαρτάται από την επικοινωνία με έναν κεντρικό κόμβο.
Μια σημαντική καινοτομία στο πεδίο του αποκεντρωμένου ελέγχου θα είναι η ενσωμάτωση αυτών των μοντέλων σε προσαρμοστικούς ελεγκτές MPC, ώστε στην αντικειμενική συνάρτηση και στους περιορισμούς του προβλήματος βελτιστοποίησης που επιλύει ο κάθε κόμβος ξεχωριστά να συμπεριλαμβάνεται η πρόβλεψη της συμπεριφοράς των κοντινών κόμβων δημιουργώντας έτσι ένα συνεργατικό πλαίσιο ελέγχου. Με αυτό τον τρόπο, θα αποφευχθεί η «εγωιστική» συμπεριφορά των κόμβων και θα επιτευχθεί η συνεργασία, ώστε να παραχθεί ένα συνολικά καλύτερο αποτέλεσμα σε σχέση με την περίπτωση του απλού κατανεμημένου ελέγχου.
Η προτεινόμενη μεθοδολογία θα εφαρμοστεί σε προβλήματα συνεργατικού αποκεντρωμένου ελέγχου σμήνους ιπτάμενων οχημάτων, αλλά και στόλου θαλάσσιων οχημάτων επιφανείας. Από τις συγκεκριμένες εφαρμογές αναμένεται να αποκομιστούν σημαντικά οφέλη που αφορούν στον έλεγχο της κίνησης σε σημεία ενδιαφέροντος, όπως αεροδρόμια, λιμάνια, διώρυγες, αλλά και σε αποστολές επιτήρησης, εξερεύνησης και μεταφοράς εμπορευμάτων και επιβατών. Μερικά από αυτά τα οφέλη αφορούν στην μειωμένη κατανάλωση καυσίμου και χρόνου διεκπεραίωσης διαδρομών μέσω του υπολογισμού βέλτιστης τροχιάς, και στην ταυτόχρονη αύξηση της ασφάλειας κατά την πλοήγηση.
Τίτλος Ερευνητικού έργου:
Συνεργατικές μέθοδοι προσαρμοστικού αποκεντρωμένου ελέγχου προβλεπτικού μοντέλου με τεχνικές υπολογιστικής νοημοσύνης
Συνεργαζόμενοι Φορείς:
Το έργο υλοποιείται από έναν φορέα:
Εργαστήριο Τηλεπικοινωνιών, Επεξεργασίας Σήματος και Ευφυών Συστημάτων, Τμήμα Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικών, Σχολή Μηχανικών, Πανεπιστήμιο Δυτικής Αττικής
Πηγή:
Το έργο συγχρηματοδοτείται από την Ελλάδα και την Ευρωπαϊκή Ένωση (Ευρωπαϊκό Κοινωνικό Ταμείο) μέσω του Επιχειρησιακού Προγράμματος «Ανάπτυξη Ανθρώπινου Δυναμικού, Εκπαίδευση και Διά Βίου Μάθηση στο πλαίσιο της δράσης «Υποστήριξη ερευνητών με έμφαση στους νέους ερευνητές-κύκλος Β’_ΕΔΒΜ103» (κωδικός έργου MIS 5050291)
Ποσό Χρηματοδότησης:
Συνολικός προϋπολογισμός: 41.041,00€
Χρονική Διάρκεια: 01/05/2020 – 31/07/2021
Επιστημονικός Υπεύθυνος: Δρ. Αλέξανδρος Αλεξανδρίδης, Καθηγητής, Τμήμα Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικών, ΠΑΔΑ, Γραφείο: A115, Πανεπιστημιούπολη 2, Τηλ. Γραφείου: 2105381571, Εργαστήριο: A109β, Πανεπιστημιούπολη 2, Τηλ. Εργαστηρίου: 2105381336, E-mail: alexx@uniwa.gr, Ιστοσελίδα: users.uniwa.gr/alexx
Ενδεικτικές Δημοσιεύσεις
- Stogiannos, M., A. Alexandridis, H. Sarimveis, “An enhanced decentralized artificial immune-based strategy formulation algorithm for swarms of autonomous vehicles”, Applied Soft Computing, 89 (2020), 106135.
- Stogiannos, M., A. Alexandridis, H. Sarimveis, “Model predictive control for systems with fast dynamics using inverse neural models”, ISA Transactions, 72 (2018), pp. 161-177
- Alexandridis, A., M. Stogiannos, N. Papaioannou, E. Zois, H. Sarimveis, “An Inverse Neural Controller Based on the Applicability Domain of RBF Network Models”, Sensors, 18(1) (2018), 315.
