| 内容提要: |
本报告主要汇报了基于数据驱动的迭代学习控制的研究现状。迭代学习控制适合于具有某种重复运动性质的被控对象，可利用过去重复操作过程中的控制信息修正当前的控制行为，最终实现整个有限时间区间上的完全跟踪性能。由于迭代学习控制不需要系统的任何先验知识，而是通过试验的方法选取学习增益，因此迭代学习控制也被称作无模型方法。在该方法中，控制器的设计和分析仅依赖于系统的I/O数据，能够克服传统迭代学习控制律的设计和分析依赖于系统的某些知识的缺陷以及学习增益选取的盲目性。同时，高阶迭代学习算法，可以提高系统的收敛性能和控制品质。本次报告主要参考的文献：
- Xuhui B, Zhongsheng H, Shangtai J, et al. An iterative learning control design approach for networked control systems with data dropouts [J]. International Journal of Robust and Nonlinear Control, 2016, 26(1): 91-109.
Hou Z, Jin S. Data-driven model-free adaptive control for a class of MIMO nonlinear discrete-time systems [J]. IEEE Transactions on Neural Networks, 2011, 22(12): 2173-2188. |