实验大楼五层会议室内，阿萨海姆军工部经理凯文、实验室负责人尼古拉主任，以及飞行制动技术科研究员搞哥和毛哥正在聚精会神地聆听尚斌的汇报。
全息投影装置展示着凯夫拉动力装甲的三维影像，尚斌正在讲解技术路线：
“目前，动力装甲的飞行制动方案如下：”
“装甲外部安装微型助推器，以提供制动所需的能量，考虑到机械结构复杂性问题和可靠性问题，助推器是没有自由度的。”
“装甲内部则安装微型电机，以在降落时自动对装甲姿态进行调整，以实现制动的作用。”
“理论上来说，采用模型预测控制，可以很好地解决姿态调整和助推器的喷射功率控制问题。”
“但是，由于动力装甲问题的特殊性，这种方法有两点不太适合作为实际可用的控制方法。”
“第一个问题在于，模型预测控制对模型的精度过于敏感，误差一大，无论是装甲姿态的调整还是喷射气流的强度控制都会现问题。”
“现有的系统辨识方法，在辨识速度上，还无法对凯夫拉装甲这样复杂的时变系统做到实时性的要求。
“只能在限定的时间内辨识出一个不那么精确，甚至较为粗略的模型。”
“因此，除非提出更加高效的系统辨识方法，否则第一个问题是绕不过去的。”
“第二个问题，模型预测控制需要定义良好的损失函数才能工作。”
“也就是说，这个损失函数要能够正确反映出装甲空中姿态和推进器输出功率的‘好与坏’。”
“而像这种比较抽象的‘好’与‘坏’，是非常难以通过函数的形式表达出来的。”
“刚刚测试中的假人‘受伤’，就是因为没能定义好损失函数，才导致姿态调整过于迅猛，电机输出力道过大，直接撕裂了人体组织。”
“综上所述，这两点如果能够得到很好的解决，那么飞行制动技术的成功也就不远了。”
“最后插一句，原本，模型预测控制还有一个问题，就是计算量太大，不过好在现在的处理器算力惊人，如果采用高性能处理器，还是能够应付的，只是成本会略高一些。”
紧接着，尚斌切换全息投影画面，开始介绍自己的方案。
“针对第一个问题，我们提出了数据驱动与模型预测控制相结合的控制方法。”
“通过对动力装甲降落过程中采集到的的数据训练出一个大型非线性模型，采用终身学习的方式不断进行数据采集和模型优化的迭代步骤。”
“随着时间的推移，一定可以训练出一个精度较高的模型供模型预测控制方法使用。”
“针对第二个问题，我们拟采用逆向强化学习与示教学习相结合的方法构建损失函数……”
接下来的时间里，尚斌专门分析了所提方法对动力装甲空气动力学模型的识别精度与计算时间之间的关系，
给出了一个有限时间性能的上界，以证明他所提的方法从理论上来说是可行的。
之后，他展示了自己方法在一个颇具规模的开源测试仿真平台上的结果，进一步论证所提方法的可行性。
最后，尚斌介绍了一下普沃大学的现有条件，以及郝俊老师的团队。
汇报结束后，尼古拉主任微笑地看向搞哥和毛哥：
本章未完 点击下一页继续阅读