💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
📋📋📋本文目录如下：🎁🎁🎁
目录
💥1 概述
基于卡尔曼滤波的MPC汽车控制器是一种在汽车控制中应用卡尔曼滤波和模型预测控制（MPC）的方法。卡尔曼滤波是一种适用于线性动态系统的滤波算法，它可以通过对系统状态进行递推和更新，结合测量数据和模型预测，提供对系统状态的估计。而MPC是一种基于模型的控制策略，它通过优化问题求解，结合系统模型和控制目标，预测未来一段时间内的系统响应，并生成最优控制指令。
将卡尔曼滤波与MPC结合应用于汽车控制，可以提高控制器对环境变化和测量噪声的鲁棒性。具体来说，卡尔曼滤波可以用于估计汽车的状态，例如位置、速度和姿态等，提供更准确的状态信息给MPC控制器。MPC控制器则可以根据估计的状态信息和控制目标，动态调整控制指令，实现对汽车的精确控制。
这种基于卡尔曼滤波的MPC汽车控制器在自动驾驶、车辆稳定性控制和路径跟踪等方面有着广泛的应用。通过融合滤波和优化控制的方法，可以提高汽车的行驶性能、安全性和舒适性。然而，该方法的具体研究和实施可能因具体应用场景和需求而有所不同，需要进一步的研究和开发。
📚2 运行结果
直接去掉外框，后续结果图都一律去掉外框。
部分代码：
# SIMULATOR DISPLAY
# Total Figure
fig = plt.figure(figsize=(FIG_SIZE[0], FIG_SIZE[1]))
gs = gridspec.GridSpec(14,8)
# Elevator plot settings.
ax = fig.add_subplot(gs[:, :3])
plt.xlim(0, 8)
ax.set_ylim([0, 31])
plt.xticks([])
#plt.yticks(np.arange(0,31,3))
plt.title('Kalman 1D')
# Time display.
time_text = ax.text(6, 0.5, '', fontsize=15)
# Main plot info.
car_l, car_r = ax.plot([], [], 'k-', [], [], 'k-')
car_t, car_b = ax.plot([], [], 'k-', [], [], 'k-')
# V Estimate plot.
ax2 = fig.add_subplot(gs[0:4, 4:])
__, = ax2.plot(est_data_t, v_est_data, '-b')
v_est, = ax2.plot([], [], '-r')
v_real, = ax2.plot(v_real_data_x, v_real_data_y, 'k--')
plt.title('V Estimate')
# plt.xticks([])
# plt.xticks([0, v_real_data_x[-1]])
plt.xlim(0, v_real_data_x[-1])
# ax2.set_xticks([0, est_data_t[-1]])
# ax2.set_xlim(0, est_data_t[-1])
# ax2.set_ylim([0,4])
# ax2.set_yticks([0,2,4])
# X Estimate plot.
ax3 = fig.add_subplot(gs[5:9, 4:])
___, = ax3.plot(est_data_t, x_est_data, '-b')
x_est, = ax3.plot([], [], '-r')
plt.title('X Estimate Error')
# plt.xticks([])
# plt.xticks([0, v_real_data_x[-1]])
plt.xlim(0, v_real_data_x[-1])
# ax3.set_xticks([0, est_data_t[-1]])
# ax3.set_xlim(0, est_data_t[-1])
# ax3.set_ylim(-4,4)
# ax3.set_yticks([-4,0,4])
# real X vs measure vs X estimate
ax4 = fig.add_subplot(gs[10:14, 4:])
___, = ax4.plot(t, state, '-g') # real X
__, = ax4.plot(est_data_t, X_measured, '-b') # measure X
____, = ax4.plot(est_data_t, X_estimated, '-c') # estimated X
plt.title('real X vs X estimate')
plt.xlim(0, est_data_t[-1])
plt.legend(['real X', 'measure X', 'estimated X'])
# ax4.set_ylim(-4,4)
def update_plot(num):
t_loc = int(t[num])
if state[num] > 18:
ax.set_ylim([0+state[num]-18, 31+state[num]-18])
time_text.set_position([6,state[num]-18+0.5])
# Car.
car_l.set_data([2, 2],[state[num], state[num]+10])
car_r.set_data([6, 6],[state[num], state[num]+10])
car_t.set_data([2, 6],[state[num]+10, state[num]+10])
car_b.set_data([2, 6],[state[num], state[num]])
# if int(t[num]) < 20:
# ax2.set_xlim([0,est_data_t[t_loc+1]])
# ax3.set_xlim([0,est_data_t[t_loc+1]])
# else:
# ax2.set_xlim([est_data_t[t_loc-20],est_data_t[t_loc+1]])
# ax3.set_xlim([est_data_t[t_loc-20],est_data_t[t_loc+1]])
v_est.set_data(est_data_t[:t_loc], v_est_data[:t_loc])
x_est.set_data(est_data_t[:t_loc], x_est_data[:t_loc])
# Timer.
time_text.set_text(str(np.round(t[num], 1)) + 's')
return car_l, car_r, car_t, car_b, time_text
print("Compute Time: ", round(time.perf_counter() - start, 3), "seconds.")
# Animation.
car_ani = animation.FuncAnimation(fig, update_plot, frames=range(1,len(t)), interval=100, repeat=False, blit=False)
#car_ani.save('lines.mp4')
plt.show()
# SIMULATOR DISPLAY
# Total Figure
fig = plt.figure(figsize=(FIG_SIZE[0], FIG_SIZE[1]))
gs = gridspec.GridSpec(14,8)
# Elevator plot settings.
ax = fig.add_subplot(gs[:, :3])
plt.xlim(0, 8)
ax.set_ylim([0, 31])
plt.xticks([])
#plt.yticks(np.arange(0,31,3))
plt.title('Kalman 1D')
# Time display.
time_text = ax.text(6, 0.5, '', fontsize=15)
# Main plot info.
car_l, car_r = ax.plot([], [], 'k-', [], [], 'k-')
car_t, car_b = ax.plot([], [], 'k-', [], [], 'k-')
# V Estimate plot.
ax2 = fig.add_subplot(gs[0:4, 4:])
__, = ax2.plot(est_data_t, v_est_data, '-b')
v_est, = ax2.plot([], [], '-r')
v_real, = ax2.plot(v_real_data_x, v_real_data_y, 'k--')
plt.title('V Estimate')
# plt.xticks([])
# plt.xticks([0, v_real_data_x[-1]])
plt.xlim(0, v_real_data_x[-1])
# ax2.set_xticks([0, est_data_t[-1]])
# ax2.set_xlim(0, est_data_t[-1])
# ax2.set_ylim([0,4])
# ax2.set_yticks([0,2,4])
# X Estimate plot.
ax3 = fig.add_subplot(gs[5:9, 4:])
___, = ax3.plot(est_data_t, x_est_data, '-b')
x_est, = ax3.plot([], [], '-r')
plt.title('X Estimate Error')
# plt.xticks([])
# plt.xticks([0, v_real_data_x[-1]])
plt.xlim(0, v_real_data_x[-1])
# ax3.set_xticks([0, est_data_t[-1]])
# ax3.set_xlim(0, est_data_t[-1])
# ax3.set_ylim(-4,4)
# ax3.set_yticks([-4,0,4])
# real X vs measure vs X estimate
ax4 = fig.add_subplot(gs[10:14, 4:])
___, = ax4.plot(t, state, '-g') # real X
__, = ax4.plot(est_data_t, X_measured, '-b') # measure X
____, = ax4.plot(est_data_t, X_estimated, '-c') # estimated X
plt.title('real X vs X estimate')
plt.xlim(0, est_data_t[-1])
plt.legend(['real X', 'measure X', 'estimated X'])
# ax4.set_ylim(-4,4)
def update_plot(num):
t_loc = int(t[num])
if state[num] > 18:
ax.set_ylim([0+state[num]-18, 31+state[num]-18])
time_text.set_position([6,state[num]-18+0.5])
# Car.
car_l.set_data([2, 2],[state[num], state[num]+10])
car_r.set_data([6, 6],[state[num], state[num]+10])
car_t.set_data([2, 6],[state[num]+10, state[num]+10])
car_b.set_data([2, 6],[state[num], state[num]])
# if int(t[num]) < 20:
# ax2.set_xlim([0,est_data_t[t_loc+1]])
# ax3.set_xlim([0,est_data_t[t_loc+1]])
# else:
# ax2.set_xlim([est_data_t[t_loc-20],est_data_t[t_loc+1]])
# ax3.set_xlim([est_data_t[t_loc-20],est_data_t[t_loc+1]])
v_est.set_data(est_data_t[:t_loc], v_est_data[:t_loc])
x_est.set_data(est_data_t[:t_loc], x_est_data[:t_loc])
# Timer.
time_text.set_text(str(np.round(t[num], 1)) + 's')
return car_l, car_r, car_t, car_b, time_text
print("Compute Time: ", round(time.perf_counter() - start, 3), "seconds.")
# Animation.
car_ani = animation.FuncAnimation(fig, update_plot, frames=range(1,len(t)), interval=100, repeat=False, blit=False)
#car_ani.save('lines.mp4')
plt.show()
🎉3 参考文献
文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。
[1]张明,张衡,陈玉俊.基于MPC的卡尔曼滤波的车用热管理控制策略[J].轻型汽车技术, 2022(005):000.
[2]杨柳曼,万丽琴,江石媛.基于卡尔曼滤波的智能车调速PID控制研究[J].现代信息科技, 2020, 4(7):3.DOI:CNKI:SUN:XDXK.0.2020-07-004.
171
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
