Bridging model-based to data-driven event-triggered safe model predictive control: Theory and practice
Model tabanlıdan veri tabanlı yaklaşımlara olay tetiklemeli güvenli model öngörülü kontrol: Teori ve uygulama
- Tez No: 1001874
- Danışmanlar: DR. ÖĞR. ÜYESİ FATMA YILDIZ TAŞCIKARAOĞLU
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Model öngörümlü denetim, Optimal denetim teorisi, Otomatik denetim sistemleri, Uçuş denetim sistemleri, Model predictive control, Optimal control theory, Automatic control systems, Flight control systems
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Muğla Sıtkı Koçman Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, belirsizlik altında ve zaman kritik koşullarda çalışan otonom robotik sistemler için hesaplama açısından verimli, güvenlik kritik ve öğrenme tabanlı model öngörülü kontrol (MPC) yaklaşımlarını incelemektedir. MPC, sonlu bir öngörü ufku boyunca sistem davranışını optimize ederek kontrol eylemlerini hesaplayan ve bunu yaparken sistem dinamikleri ile kısıtları dikkate alan, optimal kontrol yöntemleri arasında yer almaktadır. Ancak, klasik MPC yaklaşımları otonom robotik uygulamalarında üç temel problem ile karşı karşıyadır: (i) yüksek hesaplama yükü, (ii) bozucular ve matematiksel modeli kullanması nedeniyle gerçek zamanlı öngörü doğruluğunun azalması ve (iii) otonom sistemlerde güvenliğin garanti edilmesi. Bu doğrultuda dış bozucular ve hesaplama verimliliği sorununu ele almak amacıyla tez kapsamında, tam durum değişkenli quadrotorun yörünge izleme problemi için gürbüz (robust) dinamik olay tetiklemeli MPC yaklaşımı önerilmektedir. Bu yaklaşım, gürbüz (Tube MPC) MPC yapısını bozuculara dayanıklı tetikleme mekanizması ile birleştirmekte ve optimal kontrol problemini (OCP) bu mekanizmaya bağlı olarak çözmektedir. Bu sayede, yüksek sayıda durum değişkenli quadrotor dinamikleri için yinelemeli uygulanabilirlik (recursive feasibility) ve gürbüz kararlılık koşulları korunurken, OCP çözüm sıklığı önemli ölçüde azaltılmaktadır. Modeli bilinmeyen sistemlerde sürekli güvenliğin sağlanması amacıyla, tek bir giriş-çıkış ölçüm verisinden doğrudan öngörü oluşturan güvenlik-kritik bir Veriye Dayalı Öngörülü Kontrol (Data-Enabled Predictive Control, DeePC) yaklaşımı geliştirilmektedir. Bu yaklaşımda gelecekteki tüm davranışlar, davranışsal sistemler kuramı (behavioral systems theory) üzerinden parametrize edilmektedir. Güvenliği garanti etmek için, nominal DeePC kontrol girdisine Kontrol Bariyer Fonksiyonları (Control Barrier Functions, CBF) içeren ikinci dereceden programlama (QP) tabanlı bir güvenlik filtresi uygulanmakta, böylece matematiksel modeli bilinmeyen bir sistem için ileriye doğru değişmezlik (forward invariance) koşulu sağlanmaktadır. Ayrıca, gürültülü ve doğrusal olmayan veriler altında dayanıklılığı artırmak amacıyla yeni bir uyarlamalı katsayı düzenleme (adaptive regularization) mekanizması sunulmakta ve bu sayede doğrusal olmayan otonom robotların güvenli biçimde yörüngeyi takip etmesi mümkün hale getirilmektedir. Parametrik belirsizlikler, ölçüm gürültüsü, hesaplama yükü ve bozucular altında öngörü doğruluğunu artırmak amacıyla, Seyrek Doğrusal Olmayan Dinamik Sistemler (SINDY) tabanlı dinamik olay tetiklemeli güvenlik-kritik doğrusal olmayan MPC (NMPC) yöntemi önerilmektedir. Veriden öğrenilen SINDY model, CBF tabanlı güvenlik kısıtları ile birlikte NMPC yaklaşımına entegre edilmekte ve buna ek olarak, OCP güncellemeleri arasında hem kararlılığı hem de sürekli güvenliği sağlamak üzere yeni bir dinamik olay tetikleme mekanizması tasarlanmaktadır. Bu formülasyon, güvenlik ve zaman-kritik koşullarda çalışan, sınırlı hesaplama kaynağına sahip robotik platformlarda uygulanabilirliği bakımından güçlü bir yaklaşım sunmaktadır.
Özet (Çeviri)
This thesis investigates computationally efficient, safety-critical and data-driven model predictive control (MPC) frameworks for autonomous robotic systems operating under uncertainty and time critical conditions. MPC is a well-established optimal control technique that computes control actions by optimizing predicted system behavior over a finite horizon while explicitly enforcing system dynamics and constraints. Despite its advantages, conventional MPC faces three major challenges in autonomous robotics: (i) high computational demand, (ii) loss of real-time predictive accuracy caused by disturbances and model imperfections and (iii) the need for guaranteed safety during operation. To address the challenge of computational efficiency under uncertainty, the thesis introduces a robust dynamic event-triggered MPC framework for full-state quadrotor trajectory tracking problem. The approach combines tube-based MPC with a disturbance-adaptive triggering mechanism that solves the optimal control problem (OCP) according to this mechanism, substantially reducing the frequency of OCP evaluations while maintaining recursive feasibility and robust stability for high dimensional linear quadrotor dynamics. To ensure continuous safety for systems with unknown models, the thesis develops a safety-critical Data-Enabled Predictive Control (DeePC) framework that constructs predictions directly from a single input-output measurement data, parametrizing all future behavior through the behavioral systems approach. To guarantee safe operation, a quadratic programming (QP)-based safety filter incorporating Control Barrier Functions (CBFs) is applied to the nominal DeePC control input, ensuring forward invariance even in the absence of an explicit dynamic model. Additionally, a novel adaptive regularization mechanism is introduced to improve robustness under noisy and nonlinear data, enabling reliable safe navigation of nonlinear mobile robots. To improve predictive accuracy under the parametric uncertainties, measurement noise, and disturbances, the thesis introduces a dynamic event-triggered safety-critical nonlinear MPC scheme using Sparse Identification of Nonlinear Dynamics (SINDY). The interpretable sparse model learned from data is incorporated into an NMPC framework together with CBF-based safety constraints and a novel dynamic event-triggering mechanism is designed to enforce both stability and continuous safety between OCP updates. This formulation highlights its suitability for deployment on resource-constrained robotic platforms operating in both safety and time critical conditions.
Benzer Tezler
- Network analysis of co-search-based investor attention on stock prices
Ortak arama tabanlı yatırımcı dikkatinin hisse senedi fiyatları üzerindeki ağ analizi
MÜGE ÖZDEMİR
- Çoklu afetlerde yapay zeka yaklaşımı
Artificial intelligence approach in multi-disasters
SANEM ÖZTÜRK
Yüksek Lisans
Türkçe
2026
MeteorolojiSakarya ÜniversitesiAfet Yönetimi Ana Bilim Dalı
DOÇ. DR. TİMUR TEZEL
- Elektrik güç sistemlerinin dayanıklılığın artırılması için yeni bir optimizasyon tabanlı yaklaşımın geliştirilmesi
Development of a new resiliency-driven optimization-based algorithm for electrical power systems
AYŞE KÜBRA ERENOĞLU
Doktora
Türkçe
2021
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. OZAN ERDİNÇ
- Harita mashup uygulamalarıyla zamana ve mekâna bağlı görsel analitik ortamı oluşturulması: Konya Kapalı Havzası örneği
Developing a geo-temporal visual analytics environment with map mashups: A case study on Konya Closed Basin
OSMAN SAMİ KIRTILOĞLU
Doktora
Türkçe
2016
Jeodezi ve FotogrametriSelçuk ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM ÖZTUĞ BİLDİRİCİ
- Bina tipi taşıyıcı sistemlerde bir yapı sağlığı izleme yöntemi önerisi: Basitleştirilmiş sayısal model ve hasar tespit algoritması
A structural health monitoring method proposal for building-type structural systems: Simplified numerical model and damage detection algorithm
EMRE GÖNÜLCÜ
Doktora
Türkçe
2026
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ENGİN ORAKDÖĞEN
DR. ÖĞR. ÜYESİ AHMET ANIL DİNDAR
