177号资源-源程序：《无人驾驶车辆模型预测控制》------已提供下载资源

电网论文源程序

于 2024-09-15 08:15:00 发布

阅读量930

点赞数 24

分类专栏：论文与完整源程序文章标签：程序

本文链接：https://blog.csdn.net/liang674027206/article/details/142208112

版权

论文与完整源程序专栏收录该内容

231 篇文章 220 订阅

订阅专栏

👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆下载资源链接👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆

《《《《《《《《更多资源还请持续关注本专栏》》》》》》》

论文与完整源程序_电网论文源程序的博客-CSDN博客https://blog.csdn.net/liang674027206/category_12531414.html

电网论文源程序-CSDN博客电网论文源程序擅长文章解读,论文与完整源程序,等方面的知识,电网论文源程序关注python,机器学习,计算机视觉,深度学习,神经网络,数据挖掘领域.https://blog.csdn.net/LIANG674027206?type=download

附带论文

Model Predictive Control of a Mobile Robot Using Linearization

该文提出了一种具有非完整约束的轮式移动机器人（WMR）。众所周知，具有非完整约束的 WMR 可以不通过连续可微分来稳定反馈，时不变控制定律。通过使用模型预测控制（MPC）时，自然会得到一个不连续的控制律。一 MPC 的主要优点是能够处理约束（由于状态或输入限制）以直接的方式。二次规划（QP）用于求解线性 MPC 通过 WMR 误差模型的连续线性化。

部分代码展示：

%% 参考轨迹生成

N=100;
T=0.05;
% Xout=zeros(2*N,3);
% Tout=zeros(2*N,1);
Xout=zeros(N,3);
Tout=zeros(N,1);
for k=1:1:N
    Xout(k,1)=k*T;
    Xout(k,2)=2;
    Xout(k,3)=0;
    Tout(k,1)=(k-1)*T;
end
%% Tracking a constant reference trajectory

Nx=3; %状态量个数
Nu =2; %控制量个数
Tsim =20; %仿真时间
X0 = [0 0 pi/3]; % 初始位置
[Nr,Nc] = size(Xout); % Nr is the number of rows of Xout
% Mobile Robot Parameters
c = [1 0 0 0;0 1 0 0;0 0 1 0;0 0 0 1]; 
L = 1; %车辆轴距
Rr = 1; %轮胎直径
w = 1; %车轮转速
% Mobile Robot variable Model
vd1 = Rr*w; % 参考系统的纵向速度
vd2 = 0; %参考系统前轮偏角

%矩阵定义
x_real=zeros(Nr,Nc); %状态量   
x_piao=zeros(Nr,Nc); %状态量误差
u_real=zeros(Nr,2);
u_piao=zeros(Nr,2);
x_real(1,:)=X0; %把初始状态赋值给状态量第一行
x_piao(1,:)=x_real(1,:)-Xout(1,:); %计算第一个状态量误差
X_PIAO=zeros(Nr,Nx*Tsim);
XXX=zeros(Nr,Nx*Tsim); %用于保持每个时刻预测的所有状态值
q=[1 0 0;0 1 0;0 0 0.5];
Q_cell=cell(Tsim,Tsim);
for i=1:1:Tsim
    for j=1:1:Tsim
        if i==j
            Q_cell{i,j}=q;
        else 
            Q_cell{i,j}=zeros(Nx,Nx);
        end 
    end
end

效果展示：