无人驾驶——4.控制之MPC模型预测控制
源自：《无人驾驶无人驾驶车辆模型预测控制》——龚建伟
参考：https://wenku.baidu.com/view/8e4633d519e8b8f67c1cb9fa.html
0.车辆模型
汽车的车轮转角为δf
分别做垂直于后轮和前轮的射线，这两根射线会交于O点，两轮模型会绕O点进行运动，在短时间dt内，可以认为O点不动。连接O点和汽车的质心成一条线段，实际汽车的运动方向v将垂直于该线段。运动方向ψ与车身方向所成的夹角β，这个角度一般称为偏航角。
β 可以由如下公式计算求得
假设t时刻的汽车的状态为xt，yt，经过dt时间后的t+1时刻，状态为xt+1，yt+1，则他们之间的关系为
根据以上理论即可在丢失定位信息后的短时间内，依靠自身的传感器信息，进行位置和位姿估计。
1.基本原理
已知（输入）：一条期望参考轨迹；当前k时刻的测量值；
设计：预测模型
目标：预测未来一段时域内[k,k+Np]，系统的输出
方法：对这段时域内施加一系列控制序列4（k+1时刻的值为实际控制量）
总结起来就是：预测模型；滚动优化；反馈校正
2.控制原理框图
控制过程：
- 预测模型+目标函数+约束条件——>最优控制序列——>被控平台
- 被控平台响应
- 获取状态观测值x(t)——>状态估计器（卡尔曼滤波器、粒子滤波等）——>回到第一步，循环
3.常用模型
3.1 动态矩阵控制DMC
3.2 模型算法控制MAC
3.3 广义预测控制GPC
4.模型算法控制 MAC
参考：https://www.cnblogs.com/yrm1160029237/p/10087315.html
http://www.docin.com/p-1186007480.html
目的：使系统的输出沿着预先给定的参考轨迹逐渐到达设定值。
算法组成：预测模型、反馈校正、参考轨迹、滚动优化
其预测模型输出由两部分组成：过去已知控制量产生的预测模型输出、由现在和未来控制量产生的预测模型输出。
4.1 MAC算法原理图
4.2 MAC在线计算程序流程图
1.模型
- 预测模型：
，P-预测时域；
假设：
，M—控制时域
于是，P步预测值：
从而：
- 反馈校正
当前过程的测量值-模型计算值的差，来修正：
- 设定值（目标点）跟踪——>参考轨迹
- 最优控制
5.动态矩阵控制 DMC
算法组成：阶跃响应模型预测、反馈校正、滚动优化
其预测模型输出由两部分组成：待求解的未知控制增量产生的输出值、过去控制量产生的已知输出初值。
DMC算法原理图：
DMC在线计算程序流程图：
MPC算法的特点
模型要求不高，不需要深入的了解过程内部机理；
适用约束条件、大纯滞后、非最小相位及非线性等过程；
滚动优化策略能弥补外部因素引起的不确定性，动态性能较好；
缺点：不能描述不稳定系统，不适用于不稳定对象；系统模型在线辨识比较困难。
参考：https://blog.csdn.net/sinat_41842926/article/details/82995065
6.滚动优化
参考：https://blog.csdn.net/AdamShan/article/details/79083755
7.反馈校正
7.1 KF/EFK
7.2 粒子滤波
最新文章
- Full Gc经历分析
- CDN 学习笔记
- linux一些常用配置
- 以 Composer 的方式在 PhpStorm 中添加代码审查工具 Code Sniffer
- Java方法的封装
- 一次完整的HTTP事务分析
- c++11 其他特性（一）
- hdu 1142 A Walk Through the Forest
- WordPress 邮箱防抓取
- Win7怎样禁用自带IE浏览器
- golang关于一些新手不注意会出现的小问题
- MySQL数据库 Event 定时执行任务.
- String 类
- 《Servlet与JSP核心编程》读书笔记
- javascript 正则表达式补充
- flutter获取状态栏高度
- css和css3弹性盒模型实现元素宽度（高度）自适应
- [java]类初始化挺有意思的题目
- Hessian的使用以及理解
- centos7 与 archlinux用户 安装 python3模块 pytaglib