Dissertação
Optimal Trajectory Planning in Partially Observable Environments Under Bounded Actuation EVALUATED
O planeamento ótimo de trajetórias sob incertezas é um problema desafiante, em particular se a otimização tiver que ser executada sob incerteza. A estrutura matemática que caracteriza os Processos de Decisão de Markov Parcialmente Observáveis (POMDPs) é bastante utilizada para calcular o planeamento de trajetórias No entanto, sendo reconhecida a sua extrema complexidade, existe imensa pesquisa sobre este tópico para adaptá-la a diferentes sistemas e restrições exigentes. Uma abordagem do estado da arte para este problema, o Linear-Quadratic Gaussian iterativo (iLQG), aproxima a dinâmica das crenças recorrendo a um filtro de Kalman alargado e representa a função de valor definida por uma função de segunda ordem, que é válida em torno de uma trajetória nominal ao longo do espaço das crenças. Para resolver este problema, utiliza-se iteração de valor, onde o algoritmo utilizado baseia-se num Linear-Quadratic Gaussian iterativo para obter uma política ótima de controlo linear, com respeito a uma função de custo definida pelo utilizador que é usada para gerar uma nova trajetória. As crenças são representadas por distribuições gaussianas e podem ser aplicadas a sistemas com dinâmica e modelos de observação não lineares. No entanto, esta abordagem considera atuação ilimitada. A principal contribuição desta dissertação é propor e estudar uma versão constragida deste algoritmo, designada aqui como ciLQG, integrando um método primal-dual de ponto interior, para lidar com restrições arbitrárias de desigualdade, como por exemplo atuação limitada, num algoritmo LQG iterativo. Os resultados da simulação ilustram as vantagens da abordagem proposta.
junho 18, 2018, 14:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Rodrigo Martins de Matos Ventura
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Auxiliar