文章目录
*
–
+ 一、为什么使用MPC控制器?
+ 二、什么是MPC控制器?
+ 三、MPC控制器的参数如何设置?
+
* 3.1 采样时间
* 3.2 预测范围、控制范围
* 3.3 约束条件
* 3.4 权重
+ 四、自适应增益调度和非线性MPC
+ 五、Simulink仿真MPC控制器
+
* 5.1 数学分析
* 5.2 实验过程
一、为什么使用MPC控制器?
* ② MPC可以处理对于控制量有约束的问题 比如,驾驶汽车的时候,汽车速度和转角都有上限
* ③ MPC具有预测效果 即MPC考虑的不是根据当前参考值进行控制,而是根据预测时间内的参考去预测当前的控制量,比如在小车转弯时,就避免了可能在过弯处急转弯。
MPC需要的算力高一些,因为MPC控制过程中,每个时间步都要求解一个相同形式不同参数的优化问题。
; 二、什么是MPC控制器?
- 小车的数学模型:
iteminputsoutputsPlant Model(被控对象的数学模型)之后m个控制量之后p个时间步的预测输出
- 优化器:
iteminputsoutputs优化器(数学模型, 之后p个时间步的参考轨迹, 约束条件)之后m个控制量
优化器要考虑两点:
① 预测轨迹与参考轨迹偏差最小
②控制量不突变
C o s t F u n c t i o n ≐ J = ∑ i = 1 p w e e k + i 2 + ∑ i = 0 p − 1 w Δ u Δ u k + i 2 Cost Function \doteq J = \sum_{i=1}^{p} w_e e_{k+i}^2 + \sum_{i=0}^{p-1} w_{\Delta u} {\Delta u_{k+i}}^2 C os tF u n c t i o n ≐J =i =1 ∑p w e e k +i 2 +i =0 ∑p −1 w Δu Δu k +i 2
尽管优化器输出的是之后 p 个时间步的控制量,但是在当前时间步, M P C 仅将这个最有序列的第一步应用到汽车上,忽略其余部分 {\color{Red} 尽管优化器输出的是之后p个时间步的控制量,但是在当前时间步,}\ {\color{Red} MPC仅将这个最有序列的第一步应用到汽车上,忽略其余部分}尽管优化器输出的是之后p 个时间步的控制量,但是在当前时间步,MPC 仅将这个最有序列的第一步应用到汽车上,忽略其余部分
三、MPC控制器的参数如何设置?
- 参数既会影响控制器的性能,又会影响计算复杂度。
- MPC主要的参数如下:
- ① 采样时间
- ② 预测范围、控制范围
- ③ 约束
- ④ 损失函数的权重
3.1 采样时间
采样时间过大,当干扰发生,控制器无法做出及时的反应。
采样时间过小,会导致过多的计算负载。
可以测量系统的阶跃响应,根据上升时间选择采样时间
; 3.2 预测范围、控制范围
我们应该选择一个涵盖系统重要动态的预测范围
预测范围过短,无法及时反映,可能会在弯道处急转弯
预测范围过长,之后的不可预测事件可能会白白浪费算力。
我们通常选择 20-30个样本覆盖系统的动态响应,如下图:
通常只有前几个时间步的控制对于预测影响较大(因为前几个要拽向ref轨迹,后面的维持稳定), 因此,选择大的控制范围只会白白增大计算复杂度
经验法则: 控制范围 = 10%~20% × 预测范围
3.3 约束条件
可以对 控制量、控制量变化率、状态量进行约束
约束分为硬约束和软约束,无法违反的(比如最大车速)叫硬约束
软约束可以违反,但我们不希望违反,可以把它设计到损失函数之中
建议将输出约束设置为软约束,并避免对控制量及其变化率设置硬约束,否则可能会出现无解的情况
3.4 权重
损失函数由多个部分组成,需要设置权重
比如最基本的,我们既希望预测轨迹接近参考轨迹,又希望控制量是平滑的。
四、自适应增益调度和非线性MPC
- *线性系统 + 线性约束 + 时不变约束条件 => 可以使用线性时不变MPC控制器 => 凸优化问题
- 但是如果系统是非线性的,就要使用自适应MPC、时间表MPC
- 自适应MPC:具体思路是在非线性模型的各个工作点,建立多套线性模型 *自适应MPC的线性模型在不同工作点上结构,超参数相同,只是矩阵参数不同而已
- 时间表MPC: 对于不同工作点,需要设置不同数量超参数(控制量数目、预测步长…)的模型
如果是非线性的,那么优化问题就会变成多极值点的非凸优化问题,求解较复杂
; 五、Simulink仿真MPC控制器
itemvalue输出量(状态量)(横向位置Y、偏航角\phi)控制量(前轮转角delta)
假定 V x 恒为 15 m / s , 使用线性化汽车模型 假定V_x恒为15m/s , 使用线性化汽车模型\假定V x 恒为15 m /s ,使用线性化汽车模型
模型下载地址: https://www.mathworks.com/matlabcentral/fileexchange/68992-designing-an-mpc-controller-with-simulink?s_eid=PSM_15028
(一定要记得路径,matlab界面的路径一定得是模型文件路径。路径不对的话,plant和reference的mask无法显示正确,会显示问号,同时直接运行会报错)
步骤: https://ww2.mathworks.cn/help/releases/R2017b/mpc/examples/autonomous-vehicle-steering-using-model-predictive-control.html
5.1 数学分析
下面依次介绍各个模块:
- ① Plant: 车辆线性模型 右键Plant模块,选择Block Parameters:
变量含义
V x V_x V x
小车平行于车身向前的速度
m m m
小车总质量
I z I_z I z
Yaw夹角转动惯量(绕小车中心旋转的转动惯量)
l f l_f l f
小车质心到前轮的距离
l r l_r l r
小车质心到前轮的距离
C α C_{\alpha}C α
汽车转角刚度((轮胎侧偏角的单位增量所对应的横向力的增量) (N/rad)
ψ \psi ψ
Yaw角
小车是自行车模型 ( b i c y c l e m o d e l w i t h t w o d e g r e e s o f f r e e d o m ) , 且 V x 恒为 15 m / s : {\color{Red} 小车是自行车模型(bicycle \quad model\quad with \quad two\quad degrees\quad of \quad freedom), 且V_x恒为15m/s:}小车是自行车模型(bi cyc l e m o d e l w i t h tw o d e g rees o f f ree d o m ),且V x 恒为15 m /s :
- 原理(1): 前轮运动 = 前轮相对于车身运动 + 车身相对于质心运动(旋转) + 小车质心相对于地面运动
- 原理(2):Δ 轮胎受到垂直于车身的力 = C r ( 或者 C l ) Δ 轮胎转角 \Delta 轮胎受到垂直于车身的力 = C_{r}(或者C_{l} ) \Delta 轮胎转角Δ轮胎受到垂直于车身的力=C r (或者C l )Δ轮胎转角 (注意: 自行车模型代替小车模型时,四轮变为两轮,因此自行车的 C f 应该是小车的 2 C f 自行车的C_f应该是 小车的2C_f 自行车的C f 应该是小车的2 C f )
进行动力学分析:
由于 ψ 较小,简化为线性模型即 : Y ˙ = V x ψ + V y [ 公式一 ] 由于\psi较小,简化为线性模型即: \dot{Y} = V_x \psi + V_y \quad [公式一]\由于ψ较小,简化为线性模型即:Y ˙=V x ψ+V y [公式一]
Δ 前轮相对于车身转角 = ( V y + ψ ˙ l f V x ) Δ 后轮相对于车身转角 = ( − V y − ψ ˙ l r V x ) ⇒ 前轮受到垂直于车身的力 = 2 C f ( − ψ + δ + Δ 前轮相对于车身转角 ) 后轮受到垂直于车身的力 = 2 C r ( − ψ + Δ 后轮相对于车身转角 ) ⇒ 根据 [ 公式一 ] : m y ¨ = − m V x ψ ˙ − m V y ˙ m V y ˙ = 前轮受到垂直于车身的力 + 后轮受到垂直于车身的力 ⇒ m y ¨ = − m V x ψ ˙ + 2 C f [ − ψ + δ − V y + ψ ˙ l f V x ] + 2 C r ( − ψ − V y − ψ ˙ l r V x ) 将 [ 公式一 ] 代入到上式 : y ¨ = − 2 C f + 2 C r m V x y ˙ − ( V x + 2 C f l f − 2 C r l r m V x ) ψ ˙ + 2 C α δ m [ 公式二 ] \Delta 前轮相对于车身转角 = (\frac{V_y + \dot{\psi}l_f}{V_x}) \ \Delta 后轮相对于车身转角 = (- \frac{V_y – \dot{\psi}l_r}{V_x}) \ \Rightarrow \ 前轮受到垂直于车身的力 = 2C_{f} (-\psi + \delta + \Delta 前轮相对于车身转角) \ 后轮受到垂直于车身的力 = 2C_{r} (-\psi + \Delta 后轮相对于车身转角)\ \Rightarrow \ 根据[公式一]: \ m \ddot{y} = -mV_x \dot{\psi} – m\dot{V_y}\ m\dot{V_y}=前轮受到垂直于车身的力 + 后轮受到垂直于车身的力 \ \Rightarrow m\ddot{y} = – m V_x \dot{\psi} + 2C_f[-\psi +\delta – \frac{V_y + \dot{\psi}l_f}{V_x}] +2 C_r (-\psi – \frac{V_y – \dot{\psi}l_r}{V_x}) \ 将 [公式一]代入到上式: \ {\color{Red}\ddot{y} = -\frac{2C_f+2C_r}{mV_x}\dot{y} -(V_x+\frac{2C_fl_f-2C_rl_r}{mV_x}) \dot{\psi} + \frac{2C_{\alpha} \delta}{m} \quad [公式二] }Δ前轮相对于车身转角=(V x V y +ψ˙l f )Δ后轮相对于车身转角=(−V x V y −ψ˙l r )⇒前轮受到垂直于车身的力=2 C f (−ψ+δ+Δ前轮相对于车身转角)后轮受到垂直于车身的力=2 C r (−ψ+Δ后轮相对于车身转角)⇒根据[公式一]:m y ¨=−m V x ψ˙−m V y ˙m V y ˙=前轮受到垂直于车身的力+后轮受到垂直于车身的力⇒m y ¨=−m V x ψ˙+2 C f [−ψ+δ−V x V y +ψ˙l f ]+2 C r (−ψ−V x V y −ψ˙l r )将[公式一]代入到上式:y ¨=−m V x 2 C f +2 C r y ˙−(V x +m V x 2 C f l f −2 C r l r )ψ˙+m 2 C αδ[公式二]
求得小车模型的状态空间表达式为 : d d t [ y ˙ ψ ψ ˙ ] = [ − 2 C f + 2 C r m V x 0 − ( V x + 2 C f l f − 2 C r l r m V x ) 0 0 1 − 2 l f C f − 2 l r C r I z V x 0 − 2 l f 2 C f + 2 l r 2 C r I z V x ] [ y ˙ ψ ψ ˙ ] + [ 2 C f m 0 2 l f C f I z ] δ 求得小车模型的状态空间表达式为: \qquad \qquad\qquad\qquad\qquad\qquad\qquad\qquad\qquad\qquad\qquad\qquad \ \frac{d}{dt} \begin{bmatrix} \dot{y} \ \psi \ \dot{\psi} \end{bmatrix} =\begin{bmatrix} -\frac{2C_f+2C_r}{mV_x} & 0 & -(V_x+\frac{2C_fl_f-2C_rl_r}{mV_x}) \ 0 & 0 & 1\ -\frac{2l_fC_f-2l_rC_r}{I_z V_x} & 0 & – \frac{2l_f^2C_f+2l_r^2C_r}{I_zV_x} \end{bmatrix} \begin{bmatrix} \dot{y} \ \psi \ \dot{\psi} \end{bmatrix} + \begin{bmatrix} 2 \frac{C_f}{m}\ 0 \ \frac{2l_fC_f}{I_z} \end{bmatrix} \delta 求得小车模型的状态空间表达式为:d t d ⎣⎡y ˙ψψ˙⎦⎤=⎣⎡−m V x 2 C f +2 C r 0 −I z V x 2 l f C f −2 l r C r 0 0 0 −(V x +m V x 2 C f l f −2 C r l r )1 −I z V x 2 l f 2 C f +2 l r 2 C r ⎦⎤⎣⎡y ˙ψψ˙⎦⎤+⎣⎡2 m C f 0 I z 2 l f C f ⎦⎤δ
正好就是Parameters中的A,B,C,D矩阵
; 5.2 实验过程
导入矩阵和参考轨迹参数,双击Params.mat即可:
需要更换参考轨迹的话,参考以下方法生成新的posRef和yawRef
打开APP->Driving Scenario designer->选择道路和参考轨迹
开始仿真:
Original: https://blog.csdn.net/weixin_45696231/article/details/126116123
Author: Promethe_us
Title: MPC(模型预测控制)-Simulink仿真
原创文章受到原创版权保护。转载请注明出处:https://www.johngo689.com/559436/
转载文章受原作者版权保护。转载请注明原作者出处!