Mpc笔记

最新推荐文章于 2024-04-25 11:56:40 发布

岸芷汀兰郁郁青青

最新推荐文章于 2024-04-25 11:56:40 发布

阅读量605

点赞数

文章标签：算法机器学习人工智能

原文链接：https://blog.csdn.net/weixin_44718107/article/details/123944631

版权

文章介绍了MPC（模型预测控制）的核心概念，包括最优控制的定义，代价函数在单输入单输出和多输入多输出系统中的应用。它强调了模型预测控制相对于最优控制的优势，如处理时变系统和扰动的能力，并概述了滚动优化控制策略。此外，还提到了二次规划作为实现MPC的一种方法。

摘要由CSDN通过智能技术生成

【MPC模型预测控制器】2_最优化数学建模推导_哔哩哔哩_bilibili

1.最优控制与代价函数

最优控制（optimal control）指的是在一定的约束情况下达到最优状态的系统表现，其中约束情况通常是实际环境所带来的限制，比如说如果你去控制方向盘的转向，方向盘的转动自身是有一个极限位置的，再比如说，对于一个卫星控制系统，三轴输出的力，力矩都有自己的极大值。

而如何去定义一个最优状态呢？首先引入一个比较直观的例子，汽车的转向变道问题：

正常来说，汽车转向变道应当追求乘客舒适度情况，如下图；

但如果考虑到紧急避障的问题，那么答案就完全不同了，如下图，当汽车前方遭遇到一辆校车急刹车时，为了躲开它，汽车必须尽快地向一侧变道，而不考虑舒适度问题。

因此，最优是需要结合系统面临的实际情况得出的概念，对于不同的应用背景，应当设定不同的指标去衡量优劣，因此我们引入代价函数（Cost Function）的概念：

首先，对于单输入单输出系统（SISO）而言，衡量系统性能优劣可以用误差的积累值 $\int_{0}^{t} e^2 dt$ （越小，代表误差越小，收敛越快）和输入的积累值 $\int_{0}^{t} u^2 dt$ （越小，代表控制耗能越少，越节约）来衡量。

由此，我们可以定义代价函数：

$J=\int_{0}^{\infty} qe^2+ru^2 dt$

函数中的q，r分别表示一个增益系数，如果q大，表示希望误差变得更小，收敛更快；r大，表示更注重输入累积，更注重节能。

接下来，我们把其推广到多输入多输出系统（MIMO），使用状态空间描述为：（这里我们假设前馈矩阵为0）

$\dot{X}=AX+BU$

$Y=CX$

此时，衡量系统表现优劣就要引入二次型的知识，我们定义：

$J=\int_{0}^{\infty}E^TQE+U^TRUdt$

这里的Q和R矩阵一般是我们设定的对角矩阵，我们来举一个简单的例子：

$\begin{pmatrix} \dot{x_1} \\ \dot{x_2} \end{pmatrix} =A\begin{pmatrix}x_1 \\ x_2 \end{pmatrix} +B\begin{pmatrix} u_1 \\ u_2 \end{pmatrix}$

$\begin{pmatrix} y_1 \\y_2 \end{pmatrix} =\begin{pmatrix}x_1 \\ x_2 \end{pmatrix}$

我们假定期望输入是0，那么：

$E =\begin{pmatrix}y_1-r_1 \\ y_2-r_2 \end{pmatrix}=\begin{pmatrix}x_1 \\ x_2 \end{pmatrix}$

$U=\begin{pmatrix}u_1 \\ u_2 \end{pmatrix}$

$E^TQE=\begin{pmatrix}x_1&x_2\end{pmatrix}\begin{pmatrix}q_1&0\\ 0&q_2\end{pmatrix}\begin{pmatrix}x_1 \\ x_2 \end{pmatrix}=q_1x_1^2+q_2x_2^2$

$U^TRU=\begin{pmatrix}u_1&u_2\end{pmatrix}\begin{pmatrix}r_1&0\\ 0&r_2\end{pmatrix}\begin{pmatrix}u_1 \\ u_2 \end{pmatrix}=r_1u_1^2+r_2u_2^2$

我们可以通过代价函数J的大小，来衡量系统表现的优劣，当代价函数取最小值时得到的输入，即可被称为是一种“最优输入”。

2.模型预测控制的引入

那么为什么还要引入模型预测控制的概念呢？最优控制中的代价函数需要计算从0时刻到正无穷时刻的积分，这是一种很贪婪的行为，需要消耗大量算力；同时，系统如果是一个时变系统，或者面临扰动的话，前一时刻得到的最优并不一定是下一时刻的最优值。

$J=\int_{0}^{\infty}E^TQE+U^TRUdt$

因而我们引入模型预测控制（Model Predictive Control）的概念，对于一般的离散化系统（因为实际计算机实现的控制系统都是离散的系统，连续系统离散化的方法在此不述）。在k时刻，我们可以测量或估计出系统的当前状态y(k)，再通过计算得到的u(k),u(k+1),u(k+2)...u(k+j)得到系统未来状态的估计值y(k+1),y(k+2)...y(k+j)；我们将预测估计的部分称为预测区间（Predictive Horizon）,将控制估计的部分称为控制区间（Control Horizon），在得到最优输入之后，我们只施加当前时刻的输入u(k)，而放弃接下来得到的输入序列。

总结如下：模型预测控制在k时刻共需三步；

第一步：估计/测量读取系统的当前状态；

第二步：基于u(k),u(k+1),u(k+2)...u(k+j)进行最优化处理；

离散系统的代价函数可以参考

$J=\sum_{k}^{j-1}E_k^TQE_k+u_k^TRu_k+E_N^TFE_N$

其中EN表示误差的终值，也是衡量优劣的一种标准。

第三步：只取u(k)作为控制输入施加在系统上。

在下一时刻重复以上三步，在下一步进行预测时使用的就是下一步的状态值，我们将这样的方案称为滚动优化控制（Receding Horizon Control）。

可以看到，每一时刻都需要进行一次预测，这对算力提出了巨大的要求，同时我们在此并没考虑约束问题，这个放在之后讨论。

3.最优化建模

实现MPC有许多方法，这里介绍一种方法：二次规划（Quadratic Programming）

我们首先引入一个离散系统：

$x(k+1)=Ax(k)+Bu(k)$

我们定义： $\small u(k|k)$ 是k时刻预测的输入值，而 $\small x(k|k)$ 是k时刻预测的状态值，我们设：

$X_k=\begin{pmatrix}x(k|k) \\ x(k+1|k) \\ x(k+2|k)\\ ...\\ x(k+N|k)\end{pmatrix}$

$U_k=\begin{pmatrix}u(k|k) \\ u(k+1|k) \\ u(k+2|k)\\ ...\\ u(k+N-1|k)\end{pmatrix}$

对于期望输入为0，输出向量等于状态向量的离散系统：

$x(k+1)=Ax(k)+Bu(k)$

$y(k)=x(k)$

$e(k)=y(k)-r(k)=y(k)=x(k)$

我们可以得到代价函数：

$\small J=\sum_{i=0}^{N-1}(x(k+i|k)^TQx(k+i|k)+u(k+i|k)^TRu(k+i|k))+x(k+N)^TFx(k+N)$

其中，我们需要求解的是系统的输入u(k)，这就需要我们把状态项x(k)给消除掉，处理这个事情需要利用系统的状态方程，首先有

$x(k|k)=x(k)$

我们可以通过传感器或者状态估计得到系统当前的状态值，这相当于系统的一个初值，由初值和状态方程可以得到其他项为：

$x(k+1|k)=Ax(k|k)+Bu(k|k)=Ax(k)+Bu(k|k)$

$......$

$x(k+N|k)=A^Nx(k)+A^{N-1}Bu(k|k)+...+Bu(k+N-1|k)$

我们把它简单整理一下，有：

$X_k=\begin{pmatrix}I\\ A\\ A^2\\ ...\\ A^N\end{pmatrix}x(k)+\begin{pmatrix}0&0&...&0\\ B&0&...&0\\ AB&B&...&0\\ ...&...&...&...\\ A^{N-1}B&A^{N-2}B&...&B\end{pmatrix}U_k$

我们再令：

$M=\begin{pmatrix}I\\ A\\ A^2\\ ...\\ A^N\end{pmatrix}$

$C=\begin{pmatrix}0&0&...&0\\ B&0&...&0\\ AB&B&...&0\\ ...&...&...&...\\ A^{N-1}B&A^{N-2}B&...&B\end{pmatrix}$

我们就得到了最简单的形式：

$X_k=Mx(k)+CU_k$

$\small J=\sum_{i=0}^{N-1}(x(k+i|k)^TQx(k+i|k)+u(k+i|k)^TRu(k+i|k)+x(k+N)^TFx(k+N))\\ =\begin{pmatrix}x(k|k) \\ x(k+1|k) \\ x(k+2|k)\\ ...\\ x(k+N|k)\end{pmatrix}\begin{pmatrix}Q&&&&\\&Q&&&\\&&Q&&\\...&...&...&...&...\\&&&&F\end{pmatrix}\begin{pmatrix}x(k|k) \\ x(k+1|k) \\ x(k+2|k)\\ ...\\ x(k+N|k)\end{pmatrix}^T+U_k^T\begin{pmatrix}R&&&&\\&R&&&\\&&R&&\\...&...&...&...&...\\&&&&R\end{pmatrix}U_k\\$

即：

$J=X_k^T\overline{Q}X_k+U_k^T\overline{R}U_k$

上式还可根据之前推导的公式继续化简，

$\small J=X_k^T\overline{Q}X_k+U_k^T\overline{R}U_k=(x(k)^TM^T+U_k^TC^T)\overline{Q}(Mx(k)+CU_k)+U_k^T\overline{R}U_k\\ \\=x(k)^TM^T\overline{Q}Mx(k)+U_k^TC^T\overline{Q}Mx(k)+x(k)^TM^T\overline{Q}CU_k+U_k^TC^T\overline{Q}CU_k+U_k^T\overline{R}U_k$