MPC系列学习（一）-- 基础篇

Zacharium_

已于 2023-06-13 11:58:59 修改

阅读量387

点赞数

文章标签：算法 python

于 2023-06-13 10:17:30 首次发布

本文链接：https://blog.csdn.net/weixin_45656079/article/details/131182806

版权

MPC：模型预测控制

通过模型来预测系统在某一未来时间段内的表现来进行优化控制。多用于数为控制，常为离散型状态空间表达。

Optimal Control

最优化控制：Motivation: Get the best performance within certain limitation

约束条件：物理限制，是实际环境所带来的种种限制，比如四旋翼在飞行的过程中叶片转速有一个限制区间等。

最优：综合分析，不同的标准和需求下，最优的概念也不同，需要我们Critical thinking。

汽车转向变道应当更快还是更慢呢？如果是追寻乘客的舒适度，当然是左图更好，而是为了紧急避险的话，右图才是当仁不让的选择。

因此，Optimal control 是需要结合系统面临的实际情况得出的概念，不同的应用背景应当具有不同的指标去衡量优劣，这就是我们引入代价函数的原因。

Cost Function

对于单输入单输出系统（SISO）而言，评判系统性能的优劣有两项指标：

误差如轨迹跟踪： $\int_0^t e^2 d t$ ，误差的积累值，越小，系统收敛越快

系统输入： $\int_0^t u^2 d t$ ，控制耗能，越小，系统越节约

r: reference, e: error, u: input, y: output.

从而我们定义代价函数：Cost/Objective Function

$J=\int_0^t q e^2+r u^2 d t$

q, r是调节的参数， q＞r表示更看重误差，希望误差变得更小，收敛更快；反之更看重输入，注重输入累积，更节能。

对于多输入多输出系统（MIMO）而言，使用状态空间描述为：

$\begin{gathered} \frac{dX}{dt}=A X+B U \\ Y=C X \end{gathered}$

此时的代价函数的形式为二次型：

$J=\int_0^{\infty} E^T Q E+U^T R U d t$

这里的Q，R一般为对角矩阵

eg：对于系统

$\begin{gathered} \frac{d}{dt} \left(\begin{array}{l} {x_1} \\ {x_2} \end{array}\right)=A\left(\begin{array}{l} x_1 \\ x_2 \end{array}\right)+B\left(\begin{array}{l} u_1 \\ u_2 \end{array}\right) \\ \left(\begin{array}{l} y_1 \\ y_2 \end{array}\right)=\left(\begin{array}{l} x_1 \\ x_2 \end{array}\right) \end{gathered}$

假设期望输入为0

$R=\left(\begin{array}{l} r_1 \\ r_2 \end{array}\right)=\left(\begin{array}{l} 0 \\ 0 \end{array}\right)$

则有

$E=\left(\begin{array}{l} e_1 \\ e_2 \end{array}\right)=\left(\begin{array}{l} y_1-r_1 \\ y_2-r_2 \end{array}\right)=\left(\begin{array}{l} x_1 \\ x_2 \end{array}\right)$

即

$\begin{gathered} E^T Q E=\left(\begin{array}{ll} x_1 & x_2 \end{array}\right)\left(\begin{array}{cc} q_1 & 0 \\ 0 & q_2 \end{array}\right)\left(\begin{array}{l} x_1 \\ x_2 \end{array}\right)=q_1 x_1^2+q_2 x_2^2 \\ U^T R U=\left(\begin{array}{ll} u_1 & u_2 \end{array}\right)\left(\begin{array}{cc} r_1 & 0 \\ 0 & r_2 \end{array}\right)\left(\begin{array}{l} u_1 \\ u_2 \end{array}\right)=r_1 u_1^2+r_2 u_2^2 \end{gathered}$