非线性模型预测控制(NMPC)在移动机器人控制

1.MPC和NMPC的对比分析

        普通的MPC控制步骤包括：系统建模、模型线性化、模型离散化、模型预测、优化控制输入量、反馈校正等。从方法步骤角度分析，对模型进行线性化所产生的影响。首先是线性化后，系统就成了线性系统，系统简单，且若对损失函数用二范数进行损失评估，整个优化问题就成为了二次规划问题，问题求解简单。 但是线性化存在一个精度损失的问题，我们对线性化进行简单的分析，线性化其实是在某一个状态点对模型进行泰勒展开，截断到一次项，忽略二次以上项进行近似；这种近似在离展开点比较远的地方，与原系统会有一定的误差，误差大小取决于模型的复杂性。

       

图1.1 

         NMPC控制刚好与MPC控制互补，NMPC控制除了没有线性化，其他与MPC控制几乎一样。NMPC是用原模型进行预测从而优化输入，由于模型没有进行任何的简化，所以理论上预测精度会比MPC高，但是存在求解困难的问题，大多数NMPC控制的损失函数都是非凸函数。

        有朋友可能会觉得，用MPC控制，预测步长短一点，这就可以完美解决上述精度问题和求解难度问题了。其实不然，有相关理论证明，对于模型预测控制，其收敛的必要条件是预测步长足够长。 图1.2(a)、(b)分别展示了模型预测控制在单位阶跃响应的控制，其中(a)是预测未来1个时间步的响应过程，(b)是预测未来8个时间步的响应过程。

       

 图1.2(a)                                                               图1.2(b)

2.仿真案例

2.1 模型

        本文用的是车辆运动学模型进行仿真，模型如下：

2.2 模型预测控制损失函数

        损失函数的构造为预测步内位置误差的平方累积，具体如下：

其中，n为预测步长；W>0，是权重系数，越大表示越注重未来的误差，越小表示越注重短期误差；xd和yd为期望轨迹坐标。

2.3 仿真结果

绿色为遗传算法求解出来的轨迹，红色为matlab fmincon函数求解出来的轨迹，浅紫色为参考轨迹。

想要代码的uu可以看评论区。