KI und Regelung

Der Kern solcher Funktionen basiert meist auf einer Regelung. Das bedeutet, dass auf der Grundlage des aktuellen Bewegungszustands des Systems, wie er von Sensoren registriert wird, kontinuierlich Steuerbefehle berechnet und auf das System angewendet werden (siehe Abbildung oben).  Der Vorteil der Regelung ist, dass sie von sich aus Korrekturmaßnahmen vorsieht, wenn das dynamische System durch äußere Einflüsse gestört wird oder wenn das dynamische Verhalten des Systems im Voraus nicht genau bekannt ist (was natürlich meistens der Fall ist).

Herausfordernd bei einer Regelung ist, dass durch die Rückkopplung schnell ein grenz- oder gar instabiles System entstehen kann, was zu einem Systemversagen führen kann.

Vor allem bei hochdynamischen Systemen wie Autos, Roboter, Flugzeugen oder Raketen muss ein strukturierter und sorgfältiger Ansatz gewählt werden, um sicherzustellen, dass  eine stabile Systemdynamik erreicht werden kann.

Hierzu werden Ansätze aus der Regelungstechnik verwendet, einer speziellen Disziplin, die über sehr nützliche Werkzeuge zur Analyse des dynamischen Systemverhaltens sowie über nützliche Metriken zur Entwicklung und Bewertung von Regelalgorithmen verfügt. Für den eigentlichen Entwurf dieser Algorithmen steht eine ständig wachsende Palette von Methoden zur Verfügung, die jeweils ihre spezifischen Stärken haben. Unser Institut widmet sich dem Gebiet der Regelungstechnik und einer unserer Forschungsschwerpunkte ist die Entwicklung neuer Methoden bzw. die Weiterentwicklung dieser Methoden, um sie für den Entwurf immer komplexerer Systeme einsetzen zu können.

Der Entwurf von Regelungsalgorithmen erfordert fast immer, dass das dynamische Verhalten in Form eines Simulationsmodells erfasst wird. Selbst wenn die Regelungsmethode dies nicht erfordert, ist die Verifizierung mittels Simulation oft viel billiger als ein Test (z.B. bei Flugzeugen). Die Regelungsalgorithmen selbst werden in der Regel grafisch zusammengestellt, indem sogenannte Blockdiagramme in Tools wie Matlab/Simulink oder Modelica verwendet werden. Die Blöcke können aus einer mathematischen Synthesemethode für Regelungsgesetze stammen oder parametrisierte Filter, Verstärkungen und Zeitkonstanten sein, die mit Hilfe einer multikriteriellen Optimierung abgestimmt werden können, um die oben genannten Anforderungen zu erfüllen. Die Übersetzung eines Blockdiagramms in Software, die auf einem Computer innerhalb des eigentlichen Systems implementiert werden kann, wird häufig mit Hilfe von Tools zur Codegenerierung automatisiert.

Wie bereits erwähnt, widmen wir einen großen Teil unserer Forschung der Weiterentwicklung und Verbesserung von Regelungsmethoden. Hier sind einige, an denen wir in letzter Zeit gearbeitet haben:

Inversionsbasierte Steuerung und Regelung

Ein Regelungssystem oder eine Steuerung muss fast immer auf eine bestimmte Art von System abgestimmt werden. Die inversionsbasierte Steuerung erfasst den größten Teil der Systemabhängigkeit mit Hilfe von inversen Modellgleichungen. Die Anpassung von Steuerungen von einem System auf das andere beschränkt sich weitgehend auf das Einfügen von Modellgleichungen des neuen Systems. Wir können dies automatisch anhand von Modellen tun, die in der Modelica-Sprache definiert sind, was uns eine Menge Arbeit erspart. Weitere Vorteile sind die automatische Anpassung an nichtlineare oder variierende Dynamiken und die Entkopplung, wenn verschiedene Regelgrößen gleichzeitig verfolgt werden müssen. Wir haben auch Möglichkeiten entwickelt, Modellberechnungen durch Messungen der Beschleunigung und der Steuerausschläge zu ersetzen und waren die ersten, die solche so genannten "inkrementellen Methoden" im Flug zur Anwendung brachten.

Robuste Regelung

Dieser Bereich ist die umfassendste Erweiterung der klassischen Regelungstheorie (deren Entwicklung zu Beginn des 20. Jahrhunderts begann) auf Systeme mit mehreren Eingangsgrößen und mehreren Ausgangsgrößen, die darauf abzielen, mehrere Zustände gleichzeitig zu verfolgen. Sie ermöglicht es, Unsicherheiten im System explizit zu berücksichtigen. Das ist ein Vorteil, da man die Leistung (Genauigkeit, Beweglichkeit usw.) gegen den Grad der Unsicherheit abwägen kann.

Regelung mit künstlicher Intelligenz

Dies ist ein schnell wachsender Bereich, der Methoden der künstlichen Intelligenz nutzt. Es ermöglicht Regelungsalgorithmen oder Teilfunktionen, online oder offline zu lernen und dabei das dynamische Verhalten des Systems zu verbessern. Dies ist eine längerfristige Forschung, aber die Möglichkeiten scheinen endlos zu sein. Wir haben bereits Methoden bei Autos und sogar Flugzeugen in Flugtests eingesetzt, mit vielversprechenden Ergebnissen!

Optimierung

Wir setzen in unseren Designprozessen viel Optimierung ein, vor allem als geeignetes Hilfsmittel, um manuelles Ausprobieren zu vermeiden, wenn wir versuchen, viele Anforderungen gleichzeitig zu erfüllen. Wir setzen sogar Online-Optimierung in Systemen (Autos) ein, um die Leistung von Reglern zu verbessern oder die besten Trajektorien für Roboter während ihres Einsatzes oder für treibstoffsparende Routen für Flugzeuge zu finden.

Algorithmen für Beobachter

Sensoren sagen nicht immer direkt, was wir überwachen oder messen wollen. Aus diesem Grund entwickeln wir Beobachter, die die gewünschten Variablen aus den verfügbaren Sensormessungen und dem Wissen über das System schätzen. Wir entwickeln intelligente Algorithmen, um Bewegungszustände von Autos oder sogar Belastungen von Flugzeugen während des Flugs zu schätzen.

Wenn wir neue Methoden implementieren und testen, erproben wir die Grenzen und Einschränkungen die mit der Umsetzung neuer Ideen verbunden sind, und können sogar den Aufwand abschätzen, der erforderlich ist, um die Software für ein Zielsystem zertifizierbar zu machen (was beim Einsatz in Flugzeugen oder Autos unerlässlich ist). Deshalb führen wir Flugtests mit Flugzeugen durch, machen Fahrversuche mit Autos usw.