On Control and Estimation of Large and Uncertain Systems
Kjellqvist, Olle LU
(2022)
- Abstract
- This thesis contains an introduction and six papers about the control and estimation of large and uncertain systems.
The first paper poses and solves a deterministic version of the multiple-model estimation problem for finite sets of linear systems. The estimate is an interpolation of Kalman filter estimates. It achieves a provided energy gain bound from disturbances to the point-wise estimation error, given that the gain bound is feasible. The second paper shows how to compute upper and lower bounds for the smallest feasible gain bound. The bounds are computed via Riccati recursions. The third paper proves that it is sufficient to consider observer-based feedback in output-feedback control of linear systems with uncertain parameters,... (More) - This thesis contains an introduction and six papers about the control and estimation of large and uncertain systems.
The first paper poses and solves a deterministic version of the multiple-model estimation problem for finite sets of linear systems. The estimate is an interpolation of Kalman filter estimates. It achieves a provided energy gain bound from disturbances to the point-wise estimation error, given that the gain bound is feasible. The second paper shows how to compute upper and lower bounds for the smallest feasible gain bound. The bounds are computed via Riccati recursions. The third paper proves that it is sufficient to consider observer-based feedback in output-feedback control of linear systems with uncertain parameters, where the uncertain parameters belong to a finite set. The paper also contains an example of a discrete-time integrator with unknown gain.
The fourth paper argues that the current methods for analyzing the robustness of large systems with structured uncertainty do not distinguish between sparse and dense perturbations and proposes a new robustness measure that captures sparsity. The paper also thoroughly analyzes this new measure. In particular, it proposes an upper bound that is amenable to distributed computation and valuable for control design. The fifth paper solves the problem of localized state-feedback L2 control with communication delay for large discrete-time systems. The synthesis procedure can be performed for each node in parallel. The paper combines the localized state-feedback controller with a localized Kalman filter to synthesize a localized output feedback controller that stabilizes the closed-loop subject to communication constraints.
The sixth paper concerns optimal linear-quadratic team-decision problems where the team does not have access to the model. Instead, the players must learn optimal policies by interacting with the environment. The paper contains algorithms and regret bounds for the first- and zeroth-order information feedback. (Less) - Abstract (Swedish)
- Avhandlingen, som är av sammanläggningstyp och innehåller 6 konferensartiklar, behandlar reglering av storskaliga och system med osäkra modeller. Den första artikeln introducerar ett deterministiskt alternativ till "multiple-model estimation" för ändliga mängder av linjära system. Estimatet är en interpolation av Kalman-filter estimat och har begränsad förstärkning från störningar till punktskattning.
Den andra artikeln bygger på den första och ger övre- och undre gränser för lägsta möjliga förstärkning.
Den tredje artikeln behandlar utsignalåterkoppling för skalära system där dynamiken är okänd och visar att det är ekvavilent (i en optimalitetstolkning) att arbeta med återkoppling från observerare där observerarna är av... (More) - Avhandlingen, som är av sammanläggningstyp och innehåller 6 konferensartiklar, behandlar reglering av storskaliga och system med osäkra modeller. Den första artikeln introducerar ett deterministiskt alternativ till "multiple-model estimation" för ändliga mängder av linjära system. Estimatet är en interpolation av Kalman-filter estimat och har begränsad förstärkning från störningar till punktskattning.
Den andra artikeln bygger på den första och ger övre- och undre gränser för lägsta möjliga förstärkning.
Den tredje artikeln behandlar utsignalåterkoppling för skalära system där dynamiken är okänd och visar att det är ekvavilent (i en optimalitetstolkning) att arbeta med återkoppling från observerare där observerarna är av H-oändligheten typ.
Artikel fyra argumenterar för att nuvarande dominerande metoder för robusthetsanalys är alldeles för konservativa för storskaliga system och föreslår, samt analyserar, ett alternativ. Det främsta argumentet är att för system som har väldigt många komponenter är det orimligt att certifiera mot att samtliga komponenter förändras simultant, dvs. att samtliga modeller plötsligt blir felaktiga. Det föreslagna certifikatet tar hänsyn till gleshet i modellavvikelser på ett rimligt sätt.
Artikel nummer fem visar hur man med hjälp av "system level synthesis" kan distribuera regulatordesign av H2-optimal tillståndsåterkoppling med fördröjd kommunikation, samt hur samma metod kan användas för att konstruera en suboptimal utsignalåterkoppling för samma problem.
Det sjätte, och sista, bidraget behandlar linjär-kvadratiska lagbeslut där laget inte har tillgång till en modell av problemet. Istället måste lagmedlemmarna lära sig en optimal policy genom att interagera med den miljö de befinner sig i. Artikeln föreslår algoritmer som har begränsad "regret" för första och nollte ordningens information. (Less)
Please use this url to cite or link to this publication:
https://lup.lub.lu.se/record/68b07d16-d433-4155-8d0f-f922e26ca795
- author
- Kjellqvist, Olle
LU
- supervisor
- organization
- publishing date
- 2022-12-14
- type
- Thesis
- publication status
- published
- subject
- pages
- 132 pages
- project
- Scalable Control using Learning and Adaptation
- language
- English
- LU publication?
- yes
- id
- 68b07d16-d433-4155-8d0f-f922e26ca795
- date added to LUP
- 2023-02-27 09:12:07
- date last changed
- 2023-03-15 11:50:49
@misc{68b07d16-d433-4155-8d0f-f922e26ca795,
abstract = {{This thesis contains an introduction and six papers about the control and estimation of large and uncertain systems.<br/> The first paper poses and solves a deterministic version of the multiple-model estimation problem for finite sets of linear systems. The estimate is an interpolation of Kalman filter estimates. It achieves a provided energy gain bound from disturbances to the point-wise estimation error, given that the gain bound is feasible. The second paper shows how to compute upper and lower bounds for the smallest feasible gain bound. The bounds are computed via Riccati recursions. The third paper proves that it is sufficient to consider observer-based feedback in output-feedback control of linear systems with uncertain parameters, where the uncertain parameters belong to a finite set. The paper also contains an example of a discrete-time integrator with unknown gain.<br/> The fourth paper argues that the current methods for analyzing the robustness of large systems with structured uncertainty do not distinguish between sparse and dense perturbations and proposes a new robustness measure that captures sparsity. The paper also thoroughly analyzes this new measure. In particular, it proposes an upper bound that is amenable to distributed computation and valuable for control design. The fifth paper solves the problem of localized state-feedback L2 control with communication delay for large discrete-time systems. The synthesis procedure can be performed for each node in parallel. The paper combines the localized state-feedback controller with a localized Kalman filter to synthesize a localized output feedback controller that stabilizes the closed-loop subject to communication constraints.<br/> The sixth paper concerns optimal linear-quadratic team-decision problems where the team does not have access to the model. Instead, the players must learn optimal policies by interacting with the environment. The paper contains algorithms and regret bounds for the first- and zeroth-order information feedback.}},
author = {{Kjellqvist, Olle}},
language = {{eng}},
month = {{12}},
note = {{Licentiate Thesis}},
title = {{On Control and Estimation of Large and Uncertain Systems}},
url = {{https://lup.lub.lu.se/search/files/140507398/thesis.pdf}},
year = {{2022}},
}