![36a9beaabce41506b858f671e13cf2dc.png](https://img-blog.csdnimg.cn/img_convert/36a9beaabce41506b858f671e13cf2dc.png)
引言
随着自动驾驶技术以及机器人控制技术的不断发展及逐渐火热,模型预测控制(MPC)算法作为一种先进的控制算法,其应用范围与领域得到了进一步拓展与延伸。目前提出的模型预测控制算法主要有基于非参数模型的模型算法控制(MAC)和动态矩阵控制(DMC),以及基于参数模型的广义预测控制(GPC)和广义预测几点配置控制(GPP)。
虽然模型预测控制算法的种类有多种,但始终离不开这三大要素[4]:
- 预测模型——对未来一段时间内的输出进行预测;
- 滚动优化——滚动进行有限时域在线优化(最优控制);
- 反馈校正——通过预测误差反馈,修正预测模型,提高预测精度。
本篇以MAC算法作为开篇,对MPC算法的三大要素的流程进行分析,从而加深对模型预测控制算法的了解。
MAC算法
MAC作为一种非参数模型,以系统脉冲响应作为内部预测模型,通过过去与当前的输入输出状态,根据系统的预测模型来预测系统未来的输出状态。其开环预测和闭环预测的框图如下所示:
![a97c382343fec23e22f1f7b9085b8272.png](https://img-blog.csdnimg.cn/img_convert/a97c382343fec23e22f1f7b9085b8272.png)
通过上述框图可知,MAC算法主要由图中的四个模块所组成,各模块所代表的意义如下所示。当期望输入为