Core Concepts
Durch den Einsatz von Lernmechanismen auf verschiedenen Ebenen der hierarchischen Steuerung können die Leistung und die Ressourcennutzung autonomer Systeme mit Energiebeschränkungen optimiert werden.
Abstract
Der Artikel befasst sich mit dem Design von hierarchischen Steuerungsarchitekturen für autonome Systeme mit Energiebeschränkungen. Es werden zwei Anwendungsbeispiele aus der Raumfahrtrobotik und dem öffentlichen Verkehr vorgestellt, um den Bedarf für formal entworfene, lernende hierarchische Steuerungssysteme zu motivieren.
Es wird eine lernende Steuerungsarchitektur vorgeschlagen, die Lernmechanismen auf verschiedenen Ebenen der Steuerungshierarchie integriert, um die Leistung und Ressourcennutzung zu verbessern. Das vorgeschlagene hierarchische Steuerungsschema basiert auf einer energiebewussten Aufgabenplanung und -zuweisung auf hoher Ebene, ergänzt durch einen prädiktiven Regelungsmechanismus auf niedriger Ebene, der für die autonome Ausführung der Aufgaben, einschließlich Bewegungssteuerung und Energiemanagement, verantwortlich ist.
Simulationsbeispiele zeigen die Vorteile und Grenzen der vorgeschlagenen Architektur, wenn Lernen verwendet wird, um eine energieeffizientere Aufgabenzuweisung zu erhalten.
Stats
Die durchschnittliche Dauer der Aktivitäten ist 28% länger als die tatsächliche Dauer.
Die Energieanforderungen sind viel niedriger als vorhergesagt.
Quotes
"Durch den Einsatz von Lernmechanismen auf allen Ebenen der Steuerungshierarchie des energiebeschränkten Systems können enorme Vorteile erzielt werden."
"Lernen auf der niedrigsten Ebene bezieht sich auf die Fähigkeit, Daten zu verwenden, um prädiktive Modelle für Energie und Sicherheitsgrenzen zu aktualisieren, die auf dem Aufgabentyp und dem Umweltzustand kontextualisiert sind."
"Lernen auf den höheren Ebenen bezieht sich auf die Fähigkeit, Daten zu verwenden, um Aufgaben neu zuzuweisen, Aufgaben neu zu definieren und basierend auf neuen erlernten Modellen und neuen Aufgaben umzuplanen."