Resumen
En muchas aplicaciones industriales, generalmente tenemos, por un lado, una "programación" o "planificación" de alto nivel (por ejemplo,
planificación de producción o trayectorias), y por otro lado tenemos un "control" de bajo nivel (en particular, control óptimo). De hecho, el
problema base de la mayoría de la planificación y el control óptimo es el mismo: se minimiza un índice de coste (acumulativo + terminal),
y las soluciones se implementan en bucle abierto (sin replanificación/recálculo a medida que llegan nuevos datos) o en un horizonte móvil
(con optimización en tiempo real). Este proyecto busca mejorar las aplicaciones industriales utilizando enfoques de control óptimo
basados en modelos para la planificación / aprendizaje en condiciones de incertidumbre y retraso, combinando conceptos de
programación dinámica aproximada con herramientas de control predictivo basado en modelos no lineal / estocástico / robusto de última
generación. El objetivo es mejorar el alcance y la aplicabilidad de las técnicas de planificación en sistemas industriales (programación de
producción, trayectorias de robots,) incluyendo por un lado tantos modelos físicos de bajo nivel como sea posible y, por otro lado, guiando
la optimización en tiempo real ( control predictivo no lineal + escenarios, con tiempo de cálculo y memoria limitados) con estimaciones de
función de valor de programación dinámica. La estimación de las incertidumbres a partir de los datos disponibles será también necesaria
para el enfoque. Las aplicaciones de las técnicas desarrolladas se probarán en el dominio de la programación de producción /
mantenimiento, el control predictivo no lineal y la planificación de trayectorias de robots.
