CN112558483A - 一种基于模型预测控制的编队控制方法及系统 - Google Patents

一种基于模型预测控制的编队控制方法及系统 Download PDF

Info

Publication number
CN112558483A
CN112558483A CN202011594485.3A CN202011594485A CN112558483A CN 112558483 A CN112558483 A CN 112558483A CN 202011594485 A CN202011594485 A CN 202011594485A CN 112558483 A CN112558483 A CN 112558483A
Authority
CN
China
Prior art keywords
control
model
cost function
formation
agent
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011594485.3A
Other languages
English (en)
Other versions
CN112558483B (zh
Inventor
武梅丽文
宋勋
王蒙一
王晓东
卢闯
王骐
张梦颖
马东营
王靳然
祝月
朱洺洁
张鹏飞
章枧
罗阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Electronic System Engineering
Original Assignee
Beijing Institute of Electronic System Engineering
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Electronic System Engineering filed Critical Beijing Institute of Electronic System Engineering
Priority to CN202011594485.3A priority Critical patent/CN112558483B/zh
Publication of CN112558483A publication Critical patent/CN112558483A/zh
Application granted granted Critical
Publication of CN112558483B publication Critical patent/CN112558483B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供一种基于模型预测控制的编队控制方法及系统，所述方法包括：获取编队队形中每个目标点的状态信息；根据所述状态信息，利用预设的改进算子模型和预设的代价函数模型，得到每个目标点的代价函数数据；再通过线性优化方法，得到模型预测控制的最优控制量，进行编队控制；本发明提供的一种基于模型预测控制的编队控制方法由于采用的是改进模型预测控制方法，应用于圆形轨迹编队控制，仅对代价函数进行改进，不改动控制逻辑，容易实现；此外，添加改进算子，得到更新的最优控制律，以实现多智能体精确的圆形轨迹编队跟随控制，控制精度大幅度提升，同时保持原有计算效率不变。

Description

一种基于模型预测控制的编队控制方法及系统
技术领域
本发明涉及编队控制领域，更具体的，涉及一种基于模型预测控制的编队控制方法及系统。
背景技术
随着无人机、无人车等智能体应用的兴起，智能控制领域逐渐转向低成本、大规模的集群协同控制；集群协同控制可以实现单体无法实现的群体智能，具有更广阔的侦查视野、更有价值的载荷能力，同时节约成本、提高容错度、执行任务更加机动灵活。在集群协同控制领域，主要考虑以下问题，如单体动力学建模、单体控制、编队控制、路径规划、障碍规避、任务分配等，其中编队控制是实现集群协同控制的重中之重，而圆形轨迹编队控制是最常用的无人机、无人车等智能体在执行盘旋、巡逻、侦查任务时采用的单元化路径形式。智能体的规划路径都可以分解为圆形轨迹和直线轨迹的组合，而直线路径亦可被视为半径无穷大的圆形轨迹的分段，因此圆形轨迹编队控制，无论是在避障、跟随或任务规划中都起到关键作用；无论是无人机或者无人车，在编队控制中都需要考虑避障控制，避免编队内个体之间相互碰撞损毁或是避免碰撞外界障碍物。在避障算法之中，模型预测控制方法采用多约束条件下单一代价函数描述的未来窗口时间区域内本系统状态量及参考轨迹状态量之间的误差，而最小化这个由代价函数表示的误差就可以获得模型预测控制方法的最优控制量；模型预测控制的代价函数形式简明，容易实现，能够很好的应对低速避障问题，在无人机、无人车编队避障控制中起到重要作用；但是模型预测控制的代价函数过于简单，无法很好的适应圆形轨迹编队控制，通常情况下通过原有代价函数计算得到的最优控制量，会造成很大的位置或速度偏差。
发明内容
本发明的目的在于提供一种基于模型预测控制的编队控制方法及系统，以解决现有技术存在的问题中的至少一个。
为达到上述目的，本发明采用下述技术方案：
本发明第一方面提供了一种基于模型预测控制的编队控制方法，包括：
S101：获取编队队形中每个目标点的状态信息；
S102：根据所述状态信息，利用预设的改进算子模型，得到每个目标点的改进算子数据；
S103：根据所述改进算子数据，利用预设的代价函数模型，得到每个目标点的代价函数数据；
S104：根据所述代价函数数据，通过线性优化方法，得到模型预测控制的最优控制量；
S105：根据所述最优控制量，利用预设的单智能体动力学模型，进行编队控制。
在优选的实施方式中，所述的预设的改进算子模型，包括以下公式：
Figure BDA0002867709210000021
其中，R是圆形编队队形的半径；
Figure BDA0002867709210000022
为第i个智能体的状态向量xi中与ui(k)分量方向垂直的速度值；
Figure BDA0002867709210000023
为第i个智能体的状态向量xi中与ui(k)分量方向垂直的位置值；
Figure BDA0002867709210000024
为第i个智能体对应的轨迹目标点的状态向量ri中与ui(k)分量方向垂直的位置值；t为时间。
在优选的实施方式中，所述预设的代价函数模型，包括以下公式：
Figure BDA0002867709210000025
其中，J为模型预测改进方法的代价函数；x为智能体状态量，包含智能体的位置和速度信息；u为控制量；r为编队状态量，包含编队队形中目标点的位置和速度信息；p为模型预测窗口长度，m∈[1,p]；Nn为单个智能体状态量的个数，n∈[1,Nn]；w、λ为加权值；Nk为u的分量个数，k∈[1,Nk]；S为改进算子；下标i为本智能体编号；下标j为相邻智能体编号；角标ij为第i个和第j个智能体状态值相减，如xij＝xi-xj，i,j∈[1,N]，N为编队智能体的个数。
在优选的实施方式中，所述预设的改进算子模型和所述预设的代价函数模型适用于圆形轨迹编队控制。
在优选的实施方式中，所述预设的代价函数模型为非线性函数模型。
在优选的实施方式中，所述根据所述代价函数数据，通过线性优化方法，得到每个目标点的最优控制量，包括：
将所述代价函数模型进行线性化处理；
线性化处理后的代价函数模型通过线性优化方法得到最小值，进而得到最优控制量。
在优选的实施方式中，所述线性化处理，包括：
设Ji＝T2，利用泰勒展开简化得到：
Figure BDA0002867709210000031
其中，T0为函数T当前值；uik为第i个智能体的第k个分量；uik0为第i个智能体的第k个分量的当前值；则
Figure BDA0002867709210000032
公式可化为线性化形式，其形式如下：
Figure BDA0002867709210000033
其中，H为正定对称Hessian矩阵。
在优选的实施方式中，根据所述最优控制量，利用预设的单智能体动力学模型，进行编队控制，包括：
将所述最优控制量输入至单智能体动力学模型，得到智能体状态量，所述智能体状态量包含智能体的位置和速度信息；
根据智能体状态量和智能体状态量对应的目标点的状态信息，得到控制参数；
根据所述控制参数，通过预设的所述预设的改进算子模型和所述预设的代价函数模型，得到最优输出控制量；
根据最优输出控制量进行编队控制。
在优选的实施方式中，所述单智能体动力学模型包括：
Figure BDA0002867709210000041
其中，x为智能体状态量，包含智能体的位置和速度信息；A为智能体的系统矩阵；B为智能体的控制矩阵；u为控制量；下标i标记本智能体的编号。
本发明第二方面提供一种基于模型预测控制的编队控制系统，包括：
获取状态信息模块，获取编队队形中每个目标点的状态信息；
获取改进算子数据模块，根据所述状态信息，利用预设的改进算子模型，得到每个目标点的改进算子数据；
获取代价函数数据模块，根据所述改进算子数据，利用预设的代价函数模型，得到每个目标点的代价函数数据；
获取最优控制量模块，根据所述代价函数数据，通过线性优化方法，得到模型预测控制的最优控制量；
编队控制模块，根据所述最优控制量，利用预设的单智能体动力学模型，进行编队控制。
本发明的有益效果
本发明提供一种基于模型预测控制的编队控制方法及系统，所述方法包括：获取编队队形中每个目标点的状态信息；根据所述状态信息，利用预设的改进算子模型，得到每个目标点的改进算子数据；根据所述改进算子数据，利用预设的代价函数模型，得到每个目标点的代价函数数据；根据所述代价函数数据，通过线性优化方法，得到模型预测控制的最优控制量；根据所述最优控制量，利用预设的单智能体动力学模型，进行编队控制；本发明提供的一种基于模型预测控制的编队控制方法由于采用的是改进模型预测控制方法，应用于圆形轨迹编队控制，仅对代价函数进行改进，不改动控制逻辑，容易实现；此外，保留模型预测方法的单一代价函数形式，并对其代价函数的写法进行改进，添加改进算子，得到更新的最优控制律，以实现多智能体精确的圆形轨迹编队跟随控制，控制精度大幅度提升，同时保持原有计算效率不变。
附图说明
为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于模型预测控制的编队控制方法的流程示意图；
图2是本发明实施例提供的多智能体编队队形结构示意图；
图3是本发明实施例提供的单智能体的控制逻辑示意图；
图4是本发明实施例提供的一种基于模型预测控制的编队控制系统的结构意图。
具体实施方式
下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
以下公开内容提供了许多用于实现本发明的不同特征的不同实施方式或实例。下面描述了组件和布置的具体实例以简化本发明。当然，这些仅仅是实例，而不旨在限制本发明。另外，各个实施方式之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
为了便于理解本申请提供的技术方案，下面先对本申请技术方案的研究背景进行简单说明。
目前，在避障算法之中，模型预测控制方法采用多约束条件下单一代价函数描述的未来窗口时间区域内本系统状态量及参考轨迹状态量之间的误差，而最小化这个由代价函数表示的误差就可以获得模型预测控制方法的最优控制量。模型预测控制的代价函数形式简明，容易实现，能够很好的应对低速避障问题，在无人机、无人车编队避障控制中起到重要作用；但是模型预测控制的代价函数过于简单，无法很好的适应圆形轨迹编队控制，通常情况下通过原有代价函数计算得到的最优控制量，会造成很大的位置或速度偏差。因此需要对于模型预测控制的代价函数进行改良，以获取更优异的圆形轨迹编队控制效果。
请参阅图1，基于此，本发明一实施例提供一种基于模型预测控制的编队控制方法，包括：
S101：获取编队队形中每个目标点的状态信息；
具体地，编队队形为圆形，每个目标点的状态信息包括：每个目标点的位置信息和速度信息；在具体应用场景中，通过每个目标点上安装的传感器得到目标点的状态信息，上位机与传感器通信连接，进而获得每个目标点的状态信息。
S102：根据所述状态信息，利用预设的改进算子模型，得到每个目标点的改进算子数据；
具体地，将所述每个目标点的状态信息、已知圆形编队队形的半径和每个目标点的控制量输入至预设的改进算子模型，得到每个目标点的改进算子数据。
S103：根据所述改进算子数据，利用预设的代价函数模型，得到每个目标点的代价函数数据；
具体地，改进算子模型是为圆形轨迹编队控制问题设计的，也就是说改进算子模型要应用到代价函数模型中完成代价函数的最优化，以实现基于模型预测改进方法的圆形轨迹编队控制。
需要说明的是，代价函数模型包含四个部分：(1)单智能体对于自身位置和速度的反馈项；(2)考虑临近智能体的位置和速度相距轨迹目标点的状态进行相似一致反馈控制项；(3)代价函数考虑对于最优控制量能量值的限制项；(4)改进算子项。
S104：根据所述代价函数数据，通过线性优化方法，得到模型预测控制的最优控制量；
具体的，代价函数模型是非线性的，求代价函数模型最小值，需要将代价函数模型线性化处理，通过线性优化方法求解代价函数模型最小值，得到代价函数模型最小值时对应的控制量，即为模型预测改进方法得到的最优控制量。
S105：根据所述最优控制量，利用预设的单智能体动力学模型，进行编队控制。
具体的，通过模型预测改进方法得到的最优控制量，可直接作为控制输入传递给单智能体，通过动力学模型求解或者通过智能体控制试验可以获得更新的状态量，随着时间的推移，完成圆形轨迹编队控制。
从上述示例可以知晓，本实施例提供的一种基于模型预测控制的编队控制方法由于采用的是改进模型预测控制方法，应用于圆形轨迹编队控制，仅对代价函数进行改进，不改动控制逻辑，容易实现；此外，保留模型预测方法的单一代价函数形式，并对其代价函数的写法进行改进，添加修正算子，得到更新的最优控制律，以实现多智能体精确的圆形轨迹编队跟随控制，控制精度大幅度提升，同时保持原有计算效率不变。
在一些具体实施例中，所述的预设的改进算子模型，包括以下公式：
Figure BDA0002867709210000071
其中，R是圆形编队队形的半径；
Figure BDA0002867709210000072
为第i个智能体的状态向量xi中与ui(k)分量方向垂直的速度值；
Figure BDA0002867709210000073
为第i个智能体的状态向量xi中与ui(k)分量方向垂直的位置值；
Figure BDA0002867709210000074
为第i个智能体对应的轨迹目标点的状态向量ri中与ui(k)分量方向垂直的位置值；t为时间。
在一些具体实施例中，所述预设的代价函数模型，包括以下公式：
Figure BDA0002867709210000075
其中，J为模型预测改进方法的代价函数；x为智能体状态量，包含智能体的位置和速度信息；u为控制量；r为编队状态量，包含编队队形中目标点的位置和速度信息；p为模型预测窗口长度，m∈[1,p]；Nn为单个智能体状态量的个数，n∈[1,Nn]；w、λ为加权值；Nk为u的分量个数，k∈[1,Nk]；S为改进算子；下标i为本智能体编号；下标j为相邻智能体编号；角标ij为第i个和第j个智能体状态值相减，如xij＝xi-xj，i,j∈[1,N]，N为编队智能体的个数。
具体的，代价函数模型中第一项代表单智能体对于自身位置和速度的反馈，第二项代表利用临近智能体的位置和速度相距轨迹目标点的状态进行相似一致反馈控制，第三项代表代价函数考虑对于最优控制量能量值的限制，防止最优控制量的抖动，第四项是改进算子项。
在一些实施例中，所述预设的改进算子模型和所述预设的代价函数模型适用于圆形轨迹编队控制。
具体地，改进算子模型是为圆形轨迹编队控制问题设计的，也就是说改进算子模型要应用到代价函数模型中完成代价函数的最优化，以实现基于模型预测改进方法的圆形轨迹编队控制。
在一些实施例中，所述预设的代价函数模型为非线性函数模型。
在一些具体实施例中，所述根据所述代价函数数据，通过线性优化方法，得到每个目标点的最优控制量，包括：
将所述代价函数模型进行线性化处理；
线性化处理后的代价函数模型通过线性优化方法得到最小值，进而得到最优控制量。
进一步地，所述线性化处理，包括：
设Ji＝T2，利用泰勒展开简化得到：
Figure BDA0002867709210000081
其中，T0为函数T当前值；uik为第i个智能体的第k个分量；uik0为第i个智能体的第k个分量的当前值；则
Figure BDA0002867709210000082
公式可化为线性化形式，其形式如下：
Figure BDA0002867709210000083
其中，H为正定对称Hessian矩阵。
在一些具体实施例中，根据所述最优控制量控制所述状态信息，进而实现编队控制，包括：
将所述最优控制量输入至单智能体动力学模型，得到智能体状态量，所述智能体状态量包含智能体的位置和速度信息；
根据智能体状态量和智能体状态量对应的目标点的状态信息，得到控制参数；
根据所述控制参数，通过预设的所述预设的改进算子模型和所述预设的代价函数模型，得到最优输出控制量；
根据最优输出控制量进行编队控制。
进一步地，所述单智能体动力学模型包括：
Figure BDA0002867709210000084
其中，x为智能体状态量，包含智能体的位置和速度信息；A为智能体的系统矩阵；B为智能体的控制矩阵；u为控制量；下标i标记本智能体的编号。
下面结合附图和具体施例，对本发明提供的种基于模型预测控制的编队控制方法进行说明。
请参阅图2，本发明应用于多智能体的圆形轨迹编队控制工况，该工况如图1所示，多智能体跟随编队目标点，跟随圆形轨迹转动；设总共有N个智能体，分别跟随N个编队目标点运动；单智能体的动力学模型可以表示为：
Figure BDA0002867709210000091
其中下标i标记本智能体的编号。
请参阅图1和图3，第一步、需获取编队队形中每个目标点的状态信息，在图3中，这个状态信息表示为r，r中包含编队队形中目标点的位置和速度信息。
第二步、根据获得的编队队形状态信息，计算模型预测改进算子S，已知圆形编队队形的半径是R，第i个智能体的控制量ui包含Nk个分量，k∈[1,Nk]，则Si关于ui(k)分量的值存于Si(k)中，且：
Figure BDA0002867709210000092
其中，
Figure BDA0002867709210000093
为第i个智能体的状态向量xi中与ui(k)分量方向垂直的速度值；
Figure BDA0002867709210000094
为第i个智能体的状态向量xi中与ui(k)分量方向垂直的位置值；
Figure BDA0002867709210000095
为第i个智能体对应的轨迹目标点的状态向量ri中与ui(k)分量方向垂直的位置值；t为时间。
第三步、计算所有智能体的模型预测代价函数J：
J＝[J1 Ji…JN]T，i∈[1,N]
Figure BDA0002867709210000096
其中，
p为模型预测窗口长度，m∈[1,p]；Nn为第i个智能体状态量的个数，n∈[1,Nn]；w、λ为加权值；角标ij为第i个和第j个智能体状态值相减，如xij＝xi-xj，i,j∈[1,N]。
第四步、为了求解J的最小值，将非线性的J函数进行线性化，方法如下：
设Ji＝T2，利用泰勒展开简化得到：
Figure BDA0002867709210000101
其中，
T0为函数T当前值；uik为第i个智能体的第k个分量；uik0为第i个智能体的第k个分量的当前值。
则公式
Figure BDA0002867709210000102
可化为线性化形式，其形式如下：
Figure BDA0002867709210000103
其中H为正定对称Hessian矩阵。
第五步、通过线性优化方法求解J最小值，得到J最小值时对应的控制量，即为模型预测改进方法得到的最优控制量。
请参阅图3，通过模型预测改进方法得到的最优控制量，可直接作为控制输入传递给单智能体，通过动力学模型求解或者通过智能体控制试验可以获得更新的状态量xi，随着时间的推移，完成圆形轨迹编队控制。
在具体应用场景中，若设定R为10米，编队轨迹线速度为10米每秒，当p为20、计算时间间隔为0.01秒时，应用二维质点模型，增加改进算法前位置控制误差为4米，增加改进算法之后位置控制误差小于0.1米，精确度大幅度提升。
请参阅图4，本发明另一实施例提供一种基于模型预测控制的编队控制系统，包括：
获取状态信息模块401，获取编队队形中每个目标点的状态信息；
获取改进算子数据模块402，根据所述状态信息，利用预设的改进算子模型，得到每个目标点的改进算子数据；
获取代价函数数据模块403，根据所述改进算子数据，利用预设的代价函数模型，得到每个目标点的代价函数数据；
获取最优控制量模块404，根据所述代价函数数据，通过线性优化方法，得到模型预测控制的最优控制量；
编队控制模块405，根据所述最优控制量，利用预设的单智能体动力学模型，进行编队控制。
从上述示例可以知晓，本实施例提供的一种基于模型预测控制的编队控制系统由于采用的是改进模型预测控制，应用于圆形轨迹编队控制，仅对代价函数进行改进，不改动控制逻辑，容易实现；此外，保留模型预测方法的单一代价函数形式，并对其代价函数的写法进行改进，添加修正算子，得到更新的最优控制律，以实现多智能体精确的圆形轨迹编队跟随控制，控制精度大幅度提升，同时保持原有计算效率不变。
在本说明书的描述中，参考术语“一个实施方式”、“一些实施方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施方式或示例描述的具体特征、结构、材料或者特点包含于本说明书实施方式的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施方式或示例。
此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施方式或示例以及不同实施方式或示例的特征进行结合和组合。以上所述仅为本说明书实施方式的实施方式而已，并不用于限制本说明书实施方式。对于本领域技术人员来说，本说明书实施方式可以有各种更改和变化。凡在本说明书实施方式的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施方式的权利要求范围之内。

Claims (10)

1.一种基于模型预测控制的编队控制方法，其特征在于，包括：
获取编队队形中每个目标点的状态信息；
根据所述状态信息，利用预设的改进算子模型，得到每个目标点的改进算子数据；
根据所述改进算子数据，利用预设的代价函数模型，得到每个目标点的代价函数数据；
根据所述代价函数数据，通过线性优化方法，得到模型预测控制的最优控制量；
根据所述最优控制量，利用预设的单智能体动力学模型，进行编队控制。
2.根据权利要求1所述的方法，其特征在于，所述的预设的改进算子模型，包括以下公式：
Figure FDA0002867709200000011
其中，R是圆形编队队形的半径；
Figure FDA0002867709200000012
为第i个智能体的状态向量xi中与ui(k)分量方向垂直的速度值；
Figure FDA0002867709200000013
为第i个智能体的状态向量xi中与ui(k)分量方向垂直的位置值；
Figure FDA0002867709200000014
为第i个智能体对应的轨迹目标点的状态向量ri中与ui(k)分量方向垂直的位置值；t为时间。
3.根据权利要求1所述的方法，其特征在于，所述预设的代价函数模型，包括以下公式：
Figure FDA0002867709200000015
其中，J为模型预测改进方法的代价函数；x为智能体状态量，包含智能体的位置和速度信息；u为控制量；r为编队状态量，包含编队队形中目标点的位置和速度信息；p为模型预测窗口长度，m∈[1,p]；Nn为单个智能体状态量的个数，n∈[1,Nn]；w、λ为加权值；Nk为u的分量个数，k∈[1,Nk]；S为改进算子；下标i为本智能体编号；下标j为相邻智能体编号；角标ij为第i个和第j个智能体状态值相减，如xij＝xi-xj，i,j∈[1,N]，N为编队智能体的个数。
4.根据权利要求1所述的方法，其特征在于，所述预设的改进算子模型和所述预设的代价函数模型适用于圆形轨迹编队控制。
5.根据权利要求1所述的方法，其特征在于，所述预设的代价函数模型为非线性函数模型。
6.根据权利要求5所述的方法，其特征在于，所述根据所述代价函数数据，通过线性优化方法，得到每个目标点的最优控制量，包括：
将所述代价函数模型进行线性化处理；
线性化处理后的代价函数模型通过线性优化方法得到最小值，进而得到最优控制量。
7.根据权利要求6所述的方法，其特征在于，所述线性化处理，包括：
设Ji＝T2，利用泰勒展开简化得到：
Figure FDA0002867709200000021
其中，T0为函数T当前值；uik为第i个智能体的第k个分量；uik0为第i个智能体的第k个分量的当前值；
则
Figure FDA0002867709200000022
公式可化为线性化形式，其形式如下：
Figure FDA0002867709200000023
其中，H为正定对称Hessian矩阵。
8.根据权利要求1所述的方法，其特征在于，根据所述最优控制量，利用预设的单智能体动力学模型，进行编队控制，包括：
将所述最优控制量输入至单智能体动力学模型，得到智能体状态量，所述智能体状态量包含智能体的位置和速度信息；
根据智能体状态量和智能体状态量对应的目标点的状态信息，得到控制参数；
根据所述控制参数，通过预设的所述预设的改进算子模型和所述预设的代价函数模型，得到最优输出控制量；
根据最优输出控制量进行编队控制。
9.根据权利要求8所述的方法，其特征在于，所述单智能体动力学模型包括：
Figure FDA0002867709200000031
其中，x为智能体状态量，包含智能体的位置和速度信息；A为智能体的系统矩阵；B为智能体的控制矩阵；u为控制量；下标i标记本智能体的编号。
10.一种基于模型预测控制的编队控制系统，其特征在于，包括：
获取状态信息模块，获取编队队形中每个目标点的状态信息；
获取改进算子数据模块，根据所述状态信息，利用预设的改进算子模型，得到每个目标点的改进算子数据；
获取代价函数数据模块，根据所述改进算子数据，利用预设的代价函数模型，得到每个目标点的代价函数数据；
获取最优控制量模块，根据所述代价函数数据，通过线性优化方法，得到模型预测控制的最优控制量；
编队控制模块，根据所述最优控制量，利用预设的单智能体动力学模型，进行编队控制。
CN202011594485.3A 2020-12-29 2020-12-29 一种基于模型预测控制的编队控制方法及系统 Active CN112558483B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011594485.3A CN112558483B (zh) 2020-12-29 2020-12-29 一种基于模型预测控制的编队控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011594485.3A CN112558483B (zh) 2020-12-29 2020-12-29 一种基于模型预测控制的编队控制方法及系统

Publications (2)

Publication Number Publication Date
CN112558483A true CN112558483A (zh) 2021-03-26
CN112558483B CN112558483B (zh) 2023-05-16

Family

ID=75034235

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011594485.3A Active CN112558483B (zh) 2020-12-29 2020-12-29 一种基于模型预测控制的编队控制方法及系统

Country Status (1)

Country Link
CN (1) CN112558483B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113805483A (zh) * 2021-09-17 2021-12-17 中国人民解放军国防科技大学 基于模型预测的机器人控制方法、装置和计算机设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109032136A (zh) * 2018-07-23 2018-12-18 西北工业大学 基于主从分布式模型预测控制的欠驱动多无人船编队跟踪方法
CN111522351A (zh) * 2020-05-15 2020-08-11 中国海洋大学 水下机器人三维编队及避障方法
CN111580545A (zh) * 2020-03-25 2020-08-25 北京航空航天大学 一种异构无人机集群分布式时空协调控制方法
US20200348633A1 (en) * 2018-01-10 2020-11-05 Spiro Control Ltd Process control system and method

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200348633A1 (en) * 2018-01-10 2020-11-05 Spiro Control Ltd Process control system and method
CN109032136A (zh) * 2018-07-23 2018-12-18 西北工业大学 基于主从分布式模型预测控制的欠驱动多无人船编队跟踪方法
CN111580545A (zh) * 2020-03-25 2020-08-25 北京航空航天大学 一种异构无人机集群分布式时空协调控制方法
CN111522351A (zh) * 2020-05-15 2020-08-11 中国海洋大学 水下机器人三维编队及避障方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
GAN WY, ET AL.: ""The Tracking Control of Unmanned Underwater Vehicles Based on QPSO-Model Predictive Control"", 《INTELLIGENT ROBOTICS AND APPLICATIONS, ICIRA 2017, PT I》 *
MEILIWEN WU, ET AL.: ""Nonlinear Modeling and Flight Validation of a Small-Scale Compound Helicopter"", 《APPLIED SCIENCES-BASEL》 *
周绍磊 等: ""基于RQPSO-DMPC的多无人机编队自主重构控制方法"", 《北京航空航天大学学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113805483A (zh) * 2021-09-17 2021-12-17 中国人民解放军国防科技大学 基于模型预测的机器人控制方法、装置和计算机设备

Also Published As

Publication number Publication date
CN112558483B (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
CN110162046B (zh) 基于事件触发型模型预测控制的无人车路径跟随方法
Boukens et al. Design of an intelligent optimal neural network-based tracking controller for nonholonomic mobile robot systems
CN107168369B (zh) 一种欠驱动无人车的编队控制方法及系统
CN103425131B (zh) 基于非光滑控制和扰动观测的农用拖拉机导航控制方法
Song et al. A vehicle trajectory tracking method with a time-varying model based on the model predictive control
Liu et al. Path tracking control of a self‐driving wheel excavator via an enhanced data‐driven model‐free adaptive control approach
Wang et al. Formation control of multiple mecanum-wheeled mobile robots with physical constraints and uncertainties
CN110262484B (zh) 基于自适应事件触发的轮式机器人匀速直线编队控制方法
Wang et al. A triple‐step non‐linear control for path following of autonomous vehicles with uncertain kinematics and dynamics
CN112558483A (zh) 一种基于模型预测控制的编队控制方法及系统
Wang et al. Adaptive backstepping control with extended state observer for wheeled mobile robot
CN110723207B (zh) 基于模型重构的智能汽车模型预测转向控制器及其控制方法
Mi et al. Integration of motion planning and control for high-performance automated vehicles using tube-based nonlinear MPC
CN117008607A (zh) 基于clf与cbf的移动机器人在线导航与避障方法
Cao et al. Trajectory planning and tracking control of unmanned ground vehicle leading by motion virtual leader on expressway
Bin et al. Path tracking control for backing-up tractor-trailer system via model predictive control
Bharathi et al. Unmanned mobile robot in unknown obstacle environments for multi switching control tracking using adaptive nonlinear sliding mode control method
Wang et al. Composite control for trajectory tracking of wheeled mobile robots with NLESO and NTSMC
CN115390445A (zh) 一种基于学习的多无人机系统的安全自适应控制方法
Bin et al. Constrained model predictive control for backing-up tractor-trailer system
CN115963819A (zh) 一种非完整移动机器人编队控制方法
Lee Adaptive control of a class of nonlinear systems using multiple parameter models
Zhang et al. Trajectory tracking of autonomous ground vehicles with actuator dead zones
Iyer et al. Sliding mode control using power rate exponential reaching law for urban platooning
Liu et al. Trajectory tracking model predictive controller design for autonomous vehicles with updating constrains of tire characteristics

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant