Dr_can模型预测控制笔记与代码实现

最新推荐文章于 2024-01-19 11:45:12 发布

web18296061989

最新推荐文章于 2024-01-19 11:45:12 发布

阅读量303

点赞数

分类专栏：面试学习路线阿里巴巴文章标签：自动驾驶 python 人工智能 hibernate vscode

本文链接：https://blog.csdn.net/web18296061989/article/details/125108825

版权

最近在准备毕业设计，通过看Dr_can的视频来学习一些控制方法，视频链接https://www.bilibili.com/video/BV1cL411n7KV/?spm_id_from=333.788.recommend_more_video.0[这里是图片001]https://www.bilibili.com/video/BV1cL411n7KV/?spm_id_from=333.788.recommend_more_video.0

由于实际需要，后续应该会更新模型预测控制在非线性领域的应用（自适应MPC,增益预定MPC，非线性MPC）

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：

$J=int_{0}^{infty} qe2+ru2 dt$

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：

$J=int_{0}{infty}ETQE+U^TRUdt$

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：

$egin{pmatrix} dot{x_1} \ dot{x_2} end{pmatrix} =Aegin{pmatrix}x_1 \ x_2 end{pmatrix} +Begin{pmatrix} u_1 \ u_2 end{pmatrix}$

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

我们假定期望输入是0，那么：

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

最低0.47元/天解锁文章

web18296061989

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
Dr_can模型预测控制笔记与代码实现

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
复制链接

扫一扫

专栏目录