主动模型判别：一种采用自适应划分的多阶段方法

《Automatica》：Active model discrimination: A multi-stage approach with adaptive partitions

　　

牛若晨|沈强|郑永泽

摘要

本文提出了一种新颖的方法，用于设计最优的分离输入，以解决主动模型判别（AMD）问题。该问题旨在区分一组受到各种有界不确定性影响的离散时间仿射模型。这些不确定性包括不可控输入、干扰/噪声、初始条件、参数以及不精确的输出测量值，其中后两者是在运行时才被揭示的。将这一新揭示的信息与现有的AMD方法相结合所面临的挑战之一在于它们的计算复杂性。因此，我们提出了一个多阶段AMD（MS-AMD）框架，该框架使用自适应划分来整合运行时信息，同时保持其离线特性。该方法对即将被揭示的参数和输出测量值的域/空间进行最优划分，选择模板，并施加整数约束以防止成本函数出现非线性。此外，我们的方法可以利用先验概率知识，例如参数和输出测量不确定性的概率分布，这是AMD研究中之前被忽视的一个创新点。MS-AMD问题被构建为一系列混合整数线性规划问题，可以通过现有的商业求解器来解决。解决方案存储在一个查找划分树中，其中包含设计的输入和划分细节。最后，通过模拟结果验证了所提出的AMD方法在识别高速公路车道变换场景中其他车辆意图方面的有效性。