Moving-Horizon Estimators for Hyperbolic and Parabolic PDEs in 1-D

📄 arXiv: 2401.02516v2 📥 PDF

作者: Luke Bhan, Yuanyuan Shi, Iasson Karafyllis, Miroslav Krstic, James B. Rawlings

分类: eess.SY, cs.AI, math.AP, math.DS, math.OC

发布日期: 2024-01-04 (更新: 2024-11-28)

备注: 6 pages, 1 figure. ACC 2024

💡 一句话要点

提出移动地平线估计器以解决PDE实时估计问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 移动地平线估计器 偏微分方程 反步法 状态估计 实时控制 收敛性验证 超曲线PDE 抛物线PDE

📋 核心要点

  1. 现有的PDE观察者需要实时求解，计算负担重，影响系统性能。
  2. 论文提出的MHE通过反步法显式生成状态估计，避免了实时求解的复杂性。
  3. 仿真结果表明，所提出的MHE在理论上保证收敛性，展示了良好的性能。

📝 摘要（中文）

本文介绍了一种针对偏微分方程（PDE）的移动地平线估计器（MHE），旨在消除实时求解观察者PDE的需求。通过使用PDE反步法，针对某些超曲线和抛物线PDE，显式生成移动地平线状态估计。该方法通过将难以求解的观察者PDE转化为显式可解的目标观察者PDE，提供了MHE的显式实现。尽管这些PDE MHE缺乏最优性，但它们在理论上保证了收敛性，并通过仿真结果进行了验证。

🔬 方法详解

问题定义：本文旨在解决偏微分方程（PDE）实时估计中的计算负担问题。现有方法需要实时求解观察者PDE，导致计算复杂度高，难以应用于实际系统。

核心思路：论文提出的移动地平线估计器（MHE）利用PDE反步法，将难以求解的观察者PDE转化为显式可解的目标观察者PDE，从而实现状态估计的显式生成。

技术框架：整体架构包括初始状态估计的输入、测量输出和输入信号的处理，形成一个移动时间地平线的估计过程。主要模块包括反步变换、状态估计生成和收敛性验证。

关键创新：最重要的技术创新在于将MHE的实现显式化，尽管这些MHE缺乏最优性，但它们在PDE的背景下提供了新的解决方案，与传统的MPC方法形成对比。

关键设计：关键设计包括反步法的具体实现细节、状态估计的显式公式，以及在仿真中验证收敛性的具体参数设置。

🖼️ 关键图片

fig_0

📊 实验亮点

实验结果表明，所提出的MHE在不同的超曲线和抛物线PDE中均实现了理论上保证的收敛性。具体的仿真数据展示了在不同时间地平线长度下，MHE的性能优于传统方法，提升幅度显著。

🎯 应用场景

该研究的潜在应用领域包括实时控制系统、智能制造、环境监测等。通过提供高效的PDE状态估计方法，能够在复杂动态系统中实现更快速的响应和更高的控制精度，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

Observers for PDEs are themselves PDEs. Therefore, producing real time estimates with such observers is computationally burdensome. For both finite-dimensional and ODE systems, moving-horizon estimators (MHE) are operators whose output is the state estimate, while their inputs are the initial state estimate at the beginning of the horizon as well as the measured output and input signals over the moving time horizon. In this paper we introduce MHEs for PDEs which remove the need for a numerical solution of an observer PDE in real time. We accomplish this using the PDE backstepping method which, for certain classes of both hyperbolic and parabolic PDEs, produces moving-horizon state estimates explicitly. Precisely, to explicitly produce the state estimates, we employ a backstepping transformation of a hard-to-solve observer PDE into a target observer PDE, which is explicitly solvable. The MHEs we propose are not new observer designs but simply the explicit MHE realizations, over a moving horizon of arbitrary length, of the existing backstepping observers. Our PDE MHEs lack the optimality of the MHEs that arose as duals of MPC, but they are given explicitly, even for PDEs. In the paper we provide explicit formulae for MHEs for both hyperbolic and parabolic PDEs, as well as simulation results that illustrate theoretically guaranteed convergence of the MHEs.