第1章 云控制系统概念及内涵
1.1 从网络化控制到云控制
在过去十年中，网络技术取得显著发展，越来越多的网络技术应用于控制系统[1-9]。这种通过网络通信信道形成闭环的控制系统被称为网络控制系统 (networked control system，NCS)，它是控制理论的一个新领域。一般而言，被控对象、控制器、传感器和执行器通过网络连接，从而使得被控对象能够通过通信信道被远程监控和调整。例如，在基于因特网的控制系统中，控制系统能随时随地获取被控对象的数据，并对系统变化做出响应。网络控制系统如图 1.1 所示。目前，网络控制系统已经在实际中取得了广泛的应用，具体可以参考文献 [6]、文献 [10]～[16]。
图 1.1 网络控制系统
网络化控制理论在物联网技术的快速发展中发挥了关键作用。物联网利用网络化控制技术来实现物物互联、互通、互控，进而建立了高度交互和实时响应的网络环境。图 1.2 给出了物联网的应用示例。一般情况下，数据的采集处理在物联网中处于非常重要的地位，因为设计者要获得物联网中每个对象的精确物理模型是困难的，甚至是不可能的。我们可以通过传感器技术，检测对象物理状态的变化，获取各种测量值，*终产生需要储存的海量数据。随着计算机科学 (特别是在精确检测、可靠存储及快速计算等方面) 的发展，有效获取并处理海量数据的技术在不断提高。同时，物联网中的对象和设备通常与相应的数据库和网络 (如互联网) 连接。信息通过这些网络进行传输，但传递过程中可能会遭受间歇性数据丢失或时延、带宽限制、异步和其他不可预知因素的影响。这些因素会导致系统性能恶化，甚至导致闭环系统不稳定。近年来，控制理论在相关方面得到了突破并在实际中得到了应用[3-17]。
图 1.2 物联网的应用示例
伴随着物联网的发展，能够获取到的数据将会越来越多，控制系统必须能够处理这些海量数据。这些数据来自移动设备、视觉传感器、射频识别阅读器和无线网络传感器等传感装置感知到的广泛存在的信息。控制系统中的海量数据将会增加网络的通信负担和系统的计算负担，使得传统的网络化控制技术在高品质和实时性方面难以满足要求。为了解决这个问题，本书提出一个新的手段——云控制系统。它继承了网络控制系统的优点，引入了云计算保证控制的实时性，将深度学习等智能算法与网络化预测控制、数据驱动控制等方法结合后放在云端，实现系统的自主智能控制。
目前，基于云计算的控制系统在一些领域得到了初步应用。2010 年，在由电气和电子工程师协会 (Institute of Electrical and Electronics Engineers，IEEE) 主办的 Humanoids机器人大会上，Google 的机器人科学家兼卡内基？梅隆大学机器人研究所的 Kuffner 提出了“云机器人”的概念：将信息资料存储在云端的服务器上，并让机器人在必要时通过联网的方式从云端获得这些资料[18]。其应用范围包括自主移动机器人、云医疗机器人、服务机器人、工业机器人等，成功的应用案例有 RoboEarth、KnowRob、RoboBrain、“可佳”智能服务机器人等。Ericson 等[19] 提出运用云计算技术 Granules 分析脑电信号来与计算机进行交互，进而允许用户进行操作，如键盘输入或是控制轮椅移动等。其实验结果表明，在脑电图数据流分类上，应用云计算技术的方法可以得到更好的分类效果，并能够满足实时性要求。此外，近年来无人机技术受到人们越来越多的关注，如何确保无人机在空域的安全及空域本身的安全是现在面临的一个难题，就像在地面上一样，交通管制不可避免。*近，美国国家航空航天局与无人机系统应用开发平台初创企业 Airware 建立了合作关系，准备用四年的时间开发无人机空中交通管制系统。由于无人机数量巨大，个体之间、个体与环境之间交互复杂，对无人机的控制不仅需要强大的信息存储和处理能力，还需要统筹管理，研究人员将这套管制系统布置在云端，智能无人机通过互联网与云端相连，从而拥有实时通信、导航和监控能力，无人机可以相互协同规划航线，还能在飞行中躲避障碍，这也是云控制系统潜在的应用前景。总的来说，云计算的引入使得控制系统的结构越来越复杂，功能越来越强大，但面临的问题也越来越多，这给云控制系统的研究与应用带来了新的挑战。
本章的其余部分安排如下：首先，给出一个重要的理论基础——网络控制系统的简要概述及其应用，包括基于模型的网络控制系统、基于数据驱动的网络控制系统、网络化多智能体系统和复杂系统的控制；其次，介绍云计算的概念，并在此基础上提出云控制和云控制系统的雏形及协同云控制的框架；然后，提出由边缘计算发展出的边缘控制，补充云控制的理论技术和方法；*后，阐述云控制系统的优势及云控制系统发展趋势及展望。
1.2 网络控制系统概述
1.2.1 基于模型的网络控制系统
目前，基于模型的网络控制系统研究 (特别是线性时不变系统的研究) 已经取得了丰富的研究成果。考虑下面的离散动态系统 S：
(1.1)
(1.2)
式中，x(k) 是系统状态，u(k) 是系统输入，y(k) 是系统输出，x(k)、u(k) 和 y(k) 对应相应的有限维数；f[x(k)， u(k)，w(k)] 和 g[x(k)， u(k)， v(k)] 分别是被控对象的动力学模型和输出模型 (线性或非线性)，w(k) 是未知的过程干扰，v(k) 是未知的测量噪声。
研究人员提出了很多方法来解决与网络控制系统相关的问题。文献 [3] 和 [4] 已经证明了网络化预测方法对具有网络诱导时延和数据丢包的网络控制系统是非常有效的。
图 1.3 为针对系统 (1.1) 和系统 (1.2) 设计的反馈控制方案。值得注意的是，一方面，为了按顺序测量数据，需要在各控制器的节点处设置缓存器；另一方面，通过使用卡尔曼滤波器，可以获得控制器节点的状态估计和状态预测：
(1.3)
(1.4)
(1.5)
式中，N1 是有限时域；KF 是卡尔曼滤波表达式的紧凑形式；K(k +i) 是时变的卡尔曼滤波器增益[4]。考虑到未知的网络传输延时不可避免地存在于前向信道 (从控制器到执行器)和反馈信道 (从传感器到控制器)，为此，文献 [3] 和 [4] 提出了一种包括预测发生器和网络时延补偿器的网络化预测控制方法。前者用来产生一组未来时刻的控制预测值，后者用来补偿未知的随机网络时延。假设该网络可以在同一时间传送一组数据，在 k 时刻将预测控制序列打包并通过网络发送到执行器端。然后，补偿器会从执行器端收到的控制序列中选择*新的控制值。
图 1.3 基于模型的网络控制系统
例如，当前向通道和反馈通道中的时间时延分别为 0 与 ki 时，执行器端接收到的预测控制序列如下：
(1.6)
式中，在 t 时刻选择控制序列 u(t|t . ki) (i = 1， 2， ， t) 作为对象的控制输入，而网络时延补偿器的输出，即执行器的输入是
(1.7)
实际上，使用本节所提出的网络化预测控制方法，可以使得具有网络时延的闭环系统与无网络时延的闭环系统有着相类似的控制性能。
控制信号的传输过程也可以描述如下，控制器将数据包发送到执行器端：
(1.8)
在 k 时刻，执行器选择一个合适的控制信号作为被控动态系统的实际输入：
(1.9)
式中，i = arg min i {u(k|k-i) 是可获取的}。文献 [3] 和 [4] 给出了更详细的稳定性证明。
1.2.2 基于数据驱动的网络控制系统
在传统的控制系统框架中，被控对象的数学模型是控制和监控的前提，然而系统建模过程中将不可避免地引入建模误差。同时对于云控制系统，由于过程复杂或者涉及变量多，往往无法建立精确的数学模型甚至无法建模，我们可以利用的只是通过传感技术测得的系统的状态或者输出，因此传统的控制方法已经不再适用，提出了数据驱动控制。由于在大部分实际应用中，只有数据可以通过网络传输并被控制器和执行器接收，所以数据驱动的方法特别适用于云控制系统。
数据驱动云控制系统结构如图 1.4 所示。在数据驱动云控制系统中，传感器通过网络将数据发送到控制器，然后控制器将应用数据驱动预测控制算法产生一个预测控制输入序列，将这些控制序列通过网络传输到执行器端的补偿器上。*后，根据式 (1.8) 和式 (1.9)中所描述的网络化预测控制方法，执行器将选择合适的控制输入。由此可知，在基于数据驱动的控制结构中，控制输入可以直接获得，与模型无关，这显然与文献 [20] 中基于模型的网络化控制方法是不同的。
一些实验已经表明了该算法的有效性。但是在这个新的领域中，这种算法还存在许多问题，例如，在数据驱动的控制方法下，如何根据已接收到的数据来区分线性系统和非线性系统？如何分析基于数据驱动的非线性系统的稳定性？如果有数据丢失或时间时延发生，如何计算间歇性观测的子空间？关于基于数据驱动的网络化预测控制系统的更多细节，可以参见文献 [21]。
图 1.4 数据驱动云控制系统结构
1.2.3 网络化多智能体系统
在网络控制系统研究初期，人们主要关注的是网络连接存在于系统内部的单个对象。近年来，关于网络连接的多对象的研究也取得了丰硕成果，特别是网络化多智能体控制系统，它更注重一般化的模型设计。其中每个智能体都有自己独特的动力学模型，而这对其他的智能体是未知的[22]。网络中的智能体根据它们之间的信息交换来更新它们的状态。如图 1.5 所示，在网络化多智能体系统中有许多值得关注的问题，如聚合、集群、协调、一致性和编队等。如果每个智能体在相同的状态下运行，就意味着多智能体系统达成一致性。计算机科学中一致性问题的研究有着很长的历史，相关成果已经成为了分布式计算和分布式控制的基础[23]。一致性协议是基于相邻状态反馈的分布式控制策略，该反馈使网络化多智能体系统状态达到一致性。根据一致性的一般意义，系统状态分量必须在有限时间内收敛或渐近到达一个平衡点。在平衡点处，所有智能体都有相同的状态值，该值处于初始值的*小值和*大值之间。近年来，有关一致性问题的研究已经取得了大量成果[24-26]。
图 1.5 网络化多智能体系统的控制
协同控制是目前一个活跃的研究领域，它具有更实际的意义[27]。例如，在我们吃食物时，会用眼睛帮助定位食物，用鼻子嗅食物，用手把食物放到嘴里，用下颌肌肉帮助牙齿咀嚼食物。这些活动都是在协同的方式下进行的，如果这些活动中任何一个动作出现失误，那么身体将得不到营养。现在，更多研究者致力于多机器人系统的研究，它可以用来提高系统效率。相比于单个自主机器人或一组无协作的机器人，多机器人系统具有更广的空间分布、功能分布和时间分布。多智能体系统的协同控制方法还包括领航者-跟随者方法、基于行为的方法和虚拟结构的方法等；在领航者-跟随者方法中，一个或多个智能体被选作领航者而其他智能体作为跟随者。关于多智能体系统的协同控制的成果可参考文献 [22]。协同控制中，智能体编队控制问题也是一个热门的研究课题[28]。在多机器人、航天器、无人飞行器的编队控制中，移动的自主智能体常常被看作刚体或质点。空地协同云控制平台架构如图 1.6 所示，基于智能云服务技术，以大规模无人机-无人车空地协同控制问题为例，将各控制任务上传至云端，利用先进的容器化弹性云计算技术对各控制计算任务工作流进行调度执行，*小化执行时间，同时考虑云服务安全防护与安全通信问题，设计高性能控制算法，保证无人机-无人车系统控制的稳定性。多智能体的编队控制已经得到越来越多的关注，可应用于
展开
