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:,误差的积累值,越小,系统收敛越快
系统输入:,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
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:
此时的代价函数的形式为二次型:
这里的Q,R一般为对角矩阵
eg:对于系统
假设期望输入为0
则有
即
其中,Q,R为调节矩阵,q1,q2,r1,r2为权重系数
然后我们可以得到代价函数J,进而衡量系统表现的优劣。当J取最小值时,我们可以得到的输入,即可被认为是一种“最优输入”。
后续
【MPC模型预测控制器】1_最优化控制和基本概念_哔哩哔哩_bilibili
参考b站up主 dr_can