CN113791611B - 一种车辆在干扰下的实时跟踪迭代学习控制系统及方法 - Google Patents

一种车辆在干扰下的实时跟踪迭代学习控制系统及方法 Download PDF

Info

Publication number
CN113791611B
CN113791611B CN202110934308.3A CN202110934308A CN113791611B CN 113791611 B CN113791611 B CN 113791611B CN 202110934308 A CN202110934308 A CN 202110934308A CN 113791611 B CN113791611 B CN 113791611B
Authority
CN
China
Prior art keywords
vehicle system
matrix
control
under
vehicle
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.)
Active
Application number
CN202110934308.3A
Other languages
English (en)
Other versions
CN113791611A (zh
Inventor
孟德元
吴宇昕
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN202110934308.3A priority Critical patent/CN113791611B/zh
Publication of CN113791611A publication Critical patent/CN113791611A/zh
Application granted granted Critical
Publication of CN113791611B publication Critical patent/CN113791611B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Vehicle Body Suspensions (AREA)

Abstract

本发明公开了一种车辆在干扰下的实时跟踪迭代学习控制系统及方法，采用目标轨迹确定模块确定所述车辆系统的预期目标轨迹，增益矩阵确定模块确定控制协议对应增益矩阵，获取模块获取所述车辆在当前迭代下的位置输出，控制模块根据当前迭代下的控制输入、预期目标轨迹、当前迭代下的位置输出以及所选择增益矩阵更新下次迭代时车辆系统的控制输入，并充分考虑内部及输出干扰带来的影响对车辆系统实施控制。本发明能够克服内部干扰及输出干扰的影响，使得车辆系统在有限时间段内的任意时刻均对可跟踪的目标轨迹实现高精度的跟踪。

Description

一种车辆在干扰下的实时跟踪迭代学习控制系统及方法
技术领域
本发明涉及控制技术领域，特别涉及一种车辆在干扰下的实时跟踪迭代学习控制系统及方法。
背景技术
目前，车辆系统的实时跟踪控制目标在实际应用中受到了广泛的关注。随着车辆系统结构的日益复杂化，以及对于车辆系统自主控制要求的日益提高，利用智能控制方法为车辆系统设计高精度控制算法成为一种趋势。针对车辆系统的跟踪控制目标，多数智能控制方法仅能实现车辆系统的稳态跟踪目标。然而，在实际应用中，车辆系统往往需要保持对期望轨迹的实时跟踪，以完成特定任务。由此，迭代学习控制方法被引入车辆系统的跟踪控制算法设计中，其能保证车辆系统在精确模型未知的情况下实时跟踪期望轨迹。然而，在实际应用中，车辆系统的位置输出不仅受到控制输入以及初始状态的影响，往往还受到不同类型未知干扰的影响，比如控制器干扰等内部干扰以及测量干扰等输出干扰等，因此在设计控制算法时不仅需要考虑跟踪目标的实现，还需要克服未知干扰所带来的影响。同时，车辆系统对应非零Markov参数矩阵通常不具有满秩的性质，这为迭代学习算法设计带来困难。目前，传统的迭代学习控制方法通常仅适用于车辆系统对应非零Markov参数矩阵满足满秩条件的情况，使得其具有较大的局限性，无法适应实际控制要求。
发明内容
针对现有技术中的不足，本发明提出了一种车辆在干扰下的实时跟踪迭代学习控制系统及方法，旨在完全克服车辆系统内部干扰和输出干扰的影响，使得具有不满秩非零Markov参数矩阵的车辆系统实现对于可跟踪预期目标轨迹的实时高精度跟踪任务。
本发明的技术方案如下：
一种车辆在干扰下的实时跟踪迭代学习控制系统，该控制系统包括：
目标轨迹确定模块1、增益矩阵确定模块2、获取模块3以及控制模块4；其中，
所述目标轨迹确定模块1用于确定所述车辆系统的预期目标轨迹；
所述增益矩阵确定模块2用于根据车辆系统的系统矩阵得到对应块Toeplitz矩阵，并确定车辆系统控制协议对应增益矩阵；
所述获取模块3用于获取所述车辆系统在当前迭代下的位置输出；
所述控制模块4用于根据所述车辆系统当前迭代下的控制输入、预期目标轨迹、当前迭代下的位置输出以及所选增益矩阵更新下次迭代时车辆系统的控制输入，并控制所述车辆系统。
优选的，所述车辆系统具有如下的动态特性：
其中，t为运行时刻，t∈{0,1,2,…,T}，T为运行周期，为迭代次数；xk(t)、uk(t)及yk(t)为车辆系统在第k次迭代下t时刻对应的状态、控制输入以及位置输出；w(t)、v(t)为车辆系统在t时刻对应内部干扰及输出干扰；A、B、C为车辆系统对应系统矩阵。
优选的，所述目标轨迹确定模块1根据跟踪要求，人为输入预期目标轨迹，如下：
yd(t),t∈{r,r+1,…,r+T}；
其中，r>0为系统相对度，即车辆系统满足CAjB＝0,且CAr-1B≠0，车辆系统对应第一个非零Markov参数矩阵CAr-1B可同时不满足行满秩与列满秩条件。
优选的，所述增益矩阵确定模块2中，
令车辆系统满足的初始状态为xk(0)＝x0,由此，车辆系统对应块Toeplitz矩阵为：
其中，x0为车辆系统的任意初始状态向量，p,q为块Toeplitz矩阵G对应的行维数和列维数。令G的秩为m，对G进行满秩分解得到其中/>和/>的秩均为m，选择车辆系统增益矩阵F使其满足谱半径条件/>其中ρ表示矩阵的谱半径，I表示具有合适维数的单位矩阵。
优选的，所述获取模块3通过车辆系统上的传感器装置获取车辆系统当前迭代下的位置输出。
优选的，所述控制模块4包括控制量确定单元41和位置控制单元42，其中，
控制量确定单元41用于根据所述车辆系统当前迭代下的控制输入、预期目标轨迹、当前迭代下的位置输出以及所选择增益矩阵更新下次迭代时车辆系统的控制输入，控制所述车辆系统；所述位置控制单元42用于根据所述车辆系统下次迭代时的控制输入、对应块Toeplitz矩阵、初始输入、内部及输出干扰，确定车辆系统下次迭代时的位置输出。
优选的，控制量确定单元41通过以下公式确定车辆系统下一迭代下的控制输入：
Uk+1＝Uk+F(Yd-Yk)
其中，为k+1次迭代下系统控制输入增广向量，/>为k次迭代下系统控制输入增广向量，/> 为系统预期目标轨迹增广向量，/> 为k次迭代下系统位置输出增广向量。
位置控制单元42通过以下公式确定车辆系统下次迭代下的位置输出：
Yk+1＝GUk+1+X0+DW+V
其中，为k+1次迭代下系统位置输出增广向量，W＝[wT(0),wT(1)，…，wT(T+r-2)]T为系统内部干扰增广向量，V＝[vT(r)，vT(r+1),…,vT(T+r-1)]T为系统输出干扰增广向量，
基于同一发明构思，本发明还提供一种车辆在干扰下的实时跟踪迭代学习控制方法，包括如下步骤：
S1：确定车辆系统的预期目标轨迹和车辆系统控制协议对应增益矩阵；
S2：获取车辆系统当前迭代下的位置输出；
S3：根据车辆系统当前迭代下的控制输入、预期目标轨迹、当前迭代下的位置输出以及所选择增益矩阵更新下次迭代时车辆系统的控制输入，控制车辆系统执行下次迭代过程；
S4：返回S2进行下一次迭代，迭代运行多次直至完成对目标轨迹的高精度实时跟踪。
优选的，S1具体包括如下步骤：
车辆系统具有如下的动态特性：
其中，t为运行时刻，t∈{0,1,2,…,T}，T为运行周期，为迭代次数；xk(t)、uk(t)及yk(t)为车辆系统在第k次迭代下t时刻对应的状态、控制输入以及位置输出；w(t)、v(t)为车辆系统在t时刻对应内部干扰及输出干扰；A、B、C为车辆系统对应系统矩阵；
预期目标轨迹如下：
yd(t),t∈{r,r+1，…,r+T}；
其中，r>0为系统相对度，即车辆系统满足CAjB＝0,且CAr-1B≠0，车辆系统对应第一个非零Markov参数矩阵CAr-1B可同时不满足行满秩与列满秩条件；
令车辆系统满足的初始状态为xk(0)＝x0，由此，车辆系统对应块Toeplitz矩阵为：
其中，x0为车辆系统的任意初始状态向量，p,q为块Toeplitz矩阵G对应的行维数和列维数。令G的秩为m，对G进行满秩分解得到其中/>和/>的秩均为m，选择车辆系统增益矩阵F使其满足谱半径条件/>其中ρ表示矩阵的谱半径，I表示具有合适维数的单位矩阵。
优选的，S1中G为列满秩矩阵，即m＝q，则车辆系统增益矩阵F可简单选择满足谱半径条件ρ(I-FG)<1；或G为行满秩矩阵，即m＝p，则车辆系统增益矩阵F可简单选择满足谱半径条件ρ(I-GF)<1。
优选的，S3具体包括如下步骤：
S31：根据所述车辆系统当前迭代下的控制输入、预期目标轨迹、当前迭代下的位置输出以及所选择增益矩阵控制车辆系统执行下次迭代过程，通过以下公式确定车辆系统的控制输入：
Uk+1＝Uk+F(Yd-Yk)
其中，为k+1次迭代下系统控制输入增广向量，/>为k次迭代下系统控制输入增广向量，为系统预期目标轨迹增广向量，为k次迭代下系统位置输出增广向量；
S32：根据所述车辆系统下次迭代下的控制输入、对应块Toeplitz矩阵、初始输入、内部及输出干扰，通过以下公式确定车辆系统下一迭代下的位置输出：
Yk+1＝GUk+1+X0+DW+V
其中，为k+1次迭代下系统位置输出增广向量，W＝[wT(0),wT(1),…,wT(T+r-2)]T为k次迭代下系统内部干扰增广向量，V＝[vT(r),vT(r+1)，…，vT(T+r-1)]T为k次迭代下系统输出干扰增广向量，
与传统的迭代学习控制方法相比，本发明提供的一种车辆在干扰下的实时跟踪迭代学习控制系统及方法，采用目标轨迹确定模块确定所述车辆系统的预期目标轨迹，增益矩阵确定模块确定控制协议对应增益矩阵，获取模块获取所述车辆系统在当前迭代下的位置输出，控制模块根据当前迭代下的控制输入、预期目标轨迹、当前迭代下的位置输出以及所选择增益矩阵更新下次迭代时车辆系统的控制输入，并充分考虑内部及输出干扰带来的影响对车辆系统实施控制。该系统及方法能够保证具有任意系统矩阵的车辆系统，克服内部干扰及输出干扰的影响，对可跟踪的预期目标轨迹在任意时刻实现实时高精度跟踪。
附图说明
通过参考附图可更好地理解本发明。图中的构件不应视作按比例绘制，重点应放在示出本发明的原理上。
图1为本发明实施例提供的车辆在干扰下的实时跟踪迭代学习控制系统的结构示意图之一；
图2为本发明实施例提供的车辆在干扰下的实时跟踪迭代学习控制系统的结构示意图之二；
图3为本发明实施例提供的车辆在干扰下的实时跟踪迭代学习控制方法的流程图；
图4为车辆系统的位置与预期目标轨迹沿着时间轴的动态演变图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提供一种车辆系统在干扰下的实时跟踪迭代学习控制系统，如图1所示，包括：目标轨迹确定模块1、增益矩阵确定模块2、获取模块3以及控制模块4；其中，
目标轨迹确定模块1，用于确定所述车辆系统的预期目标轨迹。具体地，预期目标轨迹为车辆系统最终所期望运行的参考轨迹，为预先设定值，根据跟踪要求作为人为预先输入目标；
增益矩阵确定模块2，用于确定控制协议对应增益矩阵。具体地，针对具有如下动态特性的实时跟踪车辆系统：
其中，t为运行时刻，t∈{0,1,2,…,T}，T为运行周期，为迭代次数；xk(t)、uk(t)及yk(t)为车辆系统在第k次迭代下t时刻对应的状态、控制输入以及位置输出；w(t)、v(t)为车辆系统在t时刻对应内部干扰及输出干扰；A、B、C为车辆系统对应系统矩阵。同时，车辆系统预期目标轨迹为yd(t),t∈{r，r+1，…，r+T}，其中，r>0为系统相对度，即车辆系统满足CAjB＝0，/>且CAr-1B≠0，车辆系统对应第一个非零Markov参数矩阵CAr- 1B可同时不满足行满秩与列满秩条件。
不失一般性，令车辆系统的初始状态为xk(0)＝x0，由此，车辆系统对应块Toeplitz矩阵为：
其中，x0为车辆系统的任意初始状态向量，p,q为块Toeplitz矩阵G对应的行维数和列维数。令G的秩为m，对G进行满秩分解得到其中/>和/>的秩均为m，选择车辆系统增益矩阵F使其满足谱半径条件/>其中ρ表示矩阵的谱半径，I表示具有合适维数的单位矩阵。
在一些实施例中，若G为列满秩矩阵，即m＝q，则车辆系统增益矩阵F可简单选择满足谱半径条件ρ(I-FG)<1；或G为行满秩矩阵，即m＝p，则车辆系统增益矩阵F可简单选择满足谱半径条件ρ(I-GF)<1。
获取模块3，用于获取所述车辆系统在当前迭代下的位置输出。具体地，可以通过在车辆系统上安装传感器装置获取车辆系统当前时刻的位置；
控制模块4，用于根据所述车辆系统当前迭代下的控制输入、预期目标轨迹、当前迭代下的位置输出以及所选增益矩阵更新下次迭代时车辆系统的控制输入，并控制所述车辆系统。
在一些实施例中，如图2所示，控制模块4包括：控制量确定单元41和位置控制单元42；其中，控制量确定单元41用于根据所述车辆系统当前迭代下的控制输入、预期目标轨迹、当前迭代下的位置输出以及所选择增益矩阵更新下次迭代时车辆系统的控制输入，控制所述车辆系统。通过以下公式确定车辆系统的控制输入：
Uk+1＝Uk+F(Yd-Yk)
其中，为k+1次迭代下系统控制输入增广向量，/>为k次迭代下系统控制输入增广向量，/> 为系统预期目标轨迹增广向量，/> 为k次迭代下系统位置输出增广向量。
位置控制单元42，用于根据所述车辆系统下次迭代时的控制输入、对应块Toeplitz矩阵、初始输入、内部及输出干扰，确定车辆系统下次迭代时的位置输出。通过以下公式确定车辆系统下次迭代下的位置输出：
Yk+1＝GUk+1+X0+DW+V
其中，为k+1次迭代下系统位置输出增广向量，W＝[wT(0),wT(1),…,wT(T+r-2)]T为系统内部干扰增广向量，V＝[vT(r),vT(r+1),…,vT(T+r-1)]T为系统输出干扰增广向量，
基于同一发明构思，本发明还提供了一种车辆在干扰下的实时跟踪迭代学习控制方法，如图3所示，包括如下步骤：
S1：确定车辆系统的预期目标轨迹；具体地，预期目标轨迹为车辆系统最终所期望运行的参考轨迹，为预先设定值，根据跟踪要求作为人为预先输入目标；
S2：根据车辆系统的系统矩阵得到对应块Toeplitz矩阵，并确定车辆系统控制协议对应增益矩阵。具体地，针对具有如下动态特性的实时跟踪车辆系统：
其中，t为运行时刻，t∈{0,1,2,…,T}，T为运行周期，为迭代次数；xk(t)、uk(t)及yk(t)为车辆系统在第k次迭代下t时刻对应的状态、控制输入以及位置输出；w(t)、v(t)为车辆系统在t时刻对应内部干扰及输出干扰；A、B、C为车辆系统对应系统矩阵。同时，车辆系统预期目标轨迹为yd(t),t∈{r,r+1,…,r+T}；其中，r>0为系统相对度，即车辆系统满足CAjB＝0,/>且CAr-1B≠0，车辆系统对应第一个非零Markov参数矩阵CAr- 1B可同时不满足行满秩与列满秩条件。
不失一般性，令车辆系统的初始状态为xk(0)＝x0，由此，车辆系统对应块Toeplitz矩阵为
其中，x0为车辆系统的任意初始状态向量，p,q为块Toeplitz矩阵G对应的行维数和列维数。令G的秩为m，对G进行满秩分解得到其中/>和/>的秩均为m，选择车辆系统增益矩阵F使其满足谱半径条件/>其中ρ表示矩阵的谱半径，I表示具有合适维数的单位矩阵。
在一些实施例中，若G为列满秩矩阵，即m＝q，则车辆系统增益矩阵F可简单选择满足谱半径条件ρ(I-FG)<1。
在一些实施例中，若G为行满秩矩阵，即m＝p，则车辆系统增益矩阵F可简单选择满足谱半径条件ρ(I-GF)<1。
S3：获取车辆系统当前迭代下的位置输出。具体地，可以通过在车辆系统上安装传感器装置获取车辆系统当前时刻的位置。
S4：根据车辆系统当前迭代下的控制输入、预期目标轨迹、当前迭代下的位置输出以及所选择增益矩阵更新下次迭代时车辆系统的控制输入，控制车辆系统执行下次迭代过程；
在一些实施例中，步骤S4具体包括如下步骤：
S41：根据所述车辆系统当前迭代下的控制输入、预期目标轨迹、当前迭代下的位置输出以及所选择增益矩阵控制车辆系统执行下次迭代过程，通过以下公式确定车辆系统的控制输入：
Uk+1＝Uk+F(Yd-Yk)
其中，为k+1次迭代下系统控制输入增广向量，/>为k次迭代下系统控制输入增广向量，为系统预期目标轨迹增广向量，为k次迭代下系统位置输出增广向量；
S42：根据所述车辆系统下次迭代下的控制输入、对应块Toeplitz矩阵、初始输入、内部及输出干扰，通过以下公式确定车辆系统下一迭代下的位置输出：
Yk+1＝GUk+1+X0+DW+V
其中，为k+1次迭代下系统位置输出增广向量，W＝[wT(0),wT(1),…,wT(T+r-2)]T为k次迭代下系统内部干扰增广向量，V＝[vT(r),vT(r+1),…,vT(T+r-1)]T为k次迭代下系统输出干扰增广向量，
S5：返回步骤S3进行下一次迭代，迭代运行多次直至完成对目标轨迹的实时跟踪。
也就是说，车辆系统根据当前迭代下的控制输入及位置输出获得下一迭代下的控制输入，更新调整自身的位置输出，最终实现对预期目标轨迹的实时跟踪，即limk→∞y(t)＝yd(t)，t∈{r,r+1,…,r+T-1}。
需要说明的是，在本发明实施例提供的上述控制方法中，步骤S1和步骤S2的执行没有固定的先后顺序，在此不做限定。
以下结合实施例对本发明的车辆在干扰下的实时跟踪迭代学习控制方法进行详细描述，但不能将其理解为对本发明保护范围的限定。
实施例1
考虑具有如下线性动态的车辆系统：
其中，系统矩阵为
考虑运行周期为T＝30，内部干扰为w(t)＝[0,0,0]T，输出干扰为v(t)＝[2sin(0.2t+1)-1,sin(0.2t)]T。由于CB≠0，该车辆系统的相对度为r＝1，同时其既不满足行满秩条件也不满足列满秩条件。选择车辆系统运行的初始状态为xk(0)＝[1,0,0]T,及初始输入为u0(t)＝[5,1]T,/>执行初次迭代k＝0。
S1：确定车辆系统的预期目标轨迹为yd(t)＝[2sin(0.2t+1),sin(0.2t)]T,
S2：根据车辆系统的系统矩阵得到对应块Toeplitz矩阵为
通过计算得G的秩为30，从而G既不为行满秩矩阵也不为列满秩矩阵。对G进行满秩分解得到其中
且H与的秩均为30。由此，选择车辆系统增益矩阵
满足谱半径条件
S3：获取车辆系统当前迭代k下的位置输出yk(t),
S4：根据车辆系统当前迭代下的控制输入、预期目标轨迹、当前迭代下的位置输出以及所选择增益矩阵更新下次迭代时车辆系统的控制输入，控制车辆系统执行下次迭代过程。具体包括如下步骤：
S41：根据控制输入、预期目标轨迹、当前迭代下的位置输出以及所选择增益矩阵控制车辆系统执行下次迭代过程，通过以下公式确定车辆系统下一迭代下的控制输入：
Uk+1＝Uk+F(Yd-Yk)
其中，为k+1次迭代下系统控制输入增广向量，/>为k次迭代下系统控制输入增广向量，为系统预期目标轨迹增广向量，/>为k次迭代下系统位置输出增广向量。
S42：根据所述车辆系统下次迭代下的控制输入、对应块Toeplitz矩阵、初始输入、内部及输出干扰，通过以下公式确定车辆系统下一迭代下的位置输出：
Yk+1＝GUk+1+X0+DW+V
其中，为k+1次迭代下系统位置输出增广向量，W＝[wT(0),wT(1),…,wT(29)]T为k次迭代下系统内部干扰增广向量，V＝[vT(1),vT(2),…,vT(30)]T为k次迭代下系统输出干扰增广向量,
S5：至S3进行多次迭代运行，直至完成对目标轨迹的实时跟踪。
图4中展示了在30次迭代后，车辆系统的位置输出与预期目标轨迹沿着时间轴的动态演变，该图说明车辆系统的位置输出在任意时刻均对预期目标轨迹实现实时跟踪，并且具有极高的跟踪精度。因此，应用本发明提供的上述车辆系统在干扰下的实时跟踪迭代学习控制系统及方法，能够保证具有任意系统矩阵的车辆系统克服干扰的影响，对可跟踪的预期目标轨迹在任意时刻实现实时高精度跟踪。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本发明中，术语“第一”、“第二”、第三”、“第四”仅用于描述目的，而不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上，除非另有明确的限定。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种车辆在干扰下的实时跟踪迭代学习控制系统，其特征在于，包括：
目标轨迹确定模块(1)、增益矩阵确定模块(2)、获取模块(3)以及控制模块(4)；其中，
所述目标轨迹确定模块(1)用于确定所述车辆系统的预期目标轨迹；
所述增益矩阵确定模块(2)用于根据车辆系统的系统矩阵得到对应块Toeplitz矩阵，并确定车辆系统控制协议对应增益矩阵；
所述获取模块(3)用于获取所述车辆系统在当前迭代下的位置输出；
所述控制模块(4)用于根据所述车辆系统当前迭代下的控制输入、预期目标轨迹、当前迭代下的位置输出以及所选增益矩阵更新下次迭代时车辆系统的控制输入，并控制所述车辆系统；
所述车辆系统具有如下的动态特性：
其中，t为运行时刻，t∈{0,1,2,…,T}，T为运行周期，为迭代次数；xk(t)、uk(t)及yk(t)为车辆系统在第k次迭代下t时刻对应的状态、控制输入以及位置输出；w(t)、v(t)为车辆系统在t时刻对应内部干扰及输出干扰；A、B、C为车辆系统对应系统矩阵；
所述增益矩阵确定模块(2)中，
令车辆系统的初始状态为由此，车辆系统对应块Toeplitz矩阵为：
其中，x0为车辆系统的任意初始状态向量，p,q为块Toeplitz矩阵G对应的行维数和列维数；令G的秩为m，对G进行满秩分解得到其中/>和/>的秩均为m，选择车辆系统增益矩阵F使其满足谱半径条件/>其中ρ表示矩阵的谱半径，I表示具有合适维数的单位矩阵；
所述控制模块(4)包括控制量确定单元(41)和位置控制单元(42)，其中，
控制量确定单元(41)用于根据所述车辆系统当前迭代下的控制输入、预期目标轨迹、当前迭代下的位置输出以及所选择增益矩阵更新下次迭代时车辆系统的控制输入，控制所述车辆系统；所述位置控制单元(42)用于根据所述车辆系统下次迭代时的控制输入、对应块Toeplitz矩阵、初始输入、内部及输出干扰，确定车辆系统下次迭代时的位置输出；
控制量确定单元(41)通过以下公式确定车辆系统下一迭代下的控制输入：
Uk+1＝Uk+F(Yd-Yk)
其中，为k+1次迭代下系统控制输入增广向量，/>为k次迭代下系统控制输入增广向量，/> 为系统预期目标轨迹增广向量，/> 为k次迭代下系统位置输出增广向量；
位置控制单元(42)通过以下公式确定车辆系统下次迭代下的位置输出：
Yk+1＝GUk+1+X0+DW+V
其中，为k+1次迭代下系统位置输出增广向量，W＝[wT(0),wT(1),…,wT(T+r-2)]T为系统内部干扰增广向量，V＝[vT(r),vT(r+1),…,vT(T+r-1)]T为系统输出干扰增广向量，
2.根据权利要求1所述的车辆在干扰下的实时跟踪迭代学习控制系统，其特征在于，所述目标轨迹确定模块(1)根据跟踪要求，人为输入预期目标轨迹，如下：
yd(t),t∈{r,r+1,…,r+T}；
其中，r>0为系统相对度，即车辆系统满足且CAr-1B≠0，车辆系统对应第一个非零Markov参数矩阵CAr-1B可同时不满足行满秩与列满秩条件。
3.一种车辆在干扰下的实时跟踪迭代学习控制方法，包括如下步骤：
S1：确定车辆系统的预期目标轨迹和车辆系统控制协议对应增益矩阵；
S2：获取车辆系统当前迭代下的位置输出；
S3：根据车辆系统当前迭代下的控制输入、预期目标轨迹、当前迭代下的位置输出以及所选择增益矩阵更新下次迭代时车辆系统的控制输入，控制车辆系统执行下次迭代过程；
S4：返回S2进行下一次迭代，迭代运行多次直至完成对目标轨迹的高精度实时跟踪；
S1具体包括如下步骤：
车辆系统具有如下的动态特性：
其中，t为运行时刻，t∈{0,1,2,…,T}，T为运行周期，为迭代次数；xk(t)、uk(t)及yk(t)为车辆系统在第k次迭代下t时刻对应的状态、控制输入以及位置输出；w(t)、v(t)为车辆系统在t时刻对应内部干扰及输出干扰；A、B、C为车辆系统对应系统矩阵；
预期目标轨迹如下：
yd(t),t∈{r,r+1,…,r+T}；
其中，r>0为系统相对度，即车辆系统满足且CAr-1B≠0，车辆系统对应第一个非零Markov参数矩阵CAr-1B可同时不满足行满秩与列满秩条件；
令车辆系统的初始状态为由此，车辆系统对应块Toeplitz矩阵为：
其中，x0为车辆系统的任意初始状态向量，p,q为块Toeplitz矩阵G对应的行维数和列维数；令G的秩为m，对G进行满秩分解得到其中/>和/>的秩均为m，选择车辆系统增益矩阵F使其满足谱半径条件/>其中ρ表示矩阵的谱半径，I表示具有合适维数的单位矩阵；
S3具体包括如下步骤：
S31：根据所述车辆系统当前迭代下的控制输入、预期目标轨迹、当前迭代下的位置输出以及所选择增益矩阵控制车辆系统执行下次迭代过程，通过以下公式确定车辆系统的控制输入：
Uk+1＝Uk+F(Yd-Yk)
其中，为k+1次迭代下系统控制输入增广向量，/>为k次迭代下系统控制输入增广向量，为系统预期目标轨迹增广向量，为k次迭代下系统位置输出增广向量；
S32：根据所述车辆系统下次迭代下的控制输入、对应块Toeplitz矩阵、初始输入、内部及输出干扰，通过以下公式确定车辆系统下一迭代下的位置输出：
Yk+1＝GUk+1+X0+DW+V
其中，为k+1次迭代下系统位置输出增广向量，W＝[wT(0),wT(1),…,wT(T+r-2)]T为k次迭代下系统内部干扰增广向量，V＝[vT(r),vT(r+1),…,vT(T+r-1)]T为k次迭代下系统输出干扰增广向量，
4.根据权利要求3所述的车辆在干扰下的实时跟踪迭代学习控制方法，其特征在于，S1中G为列满秩矩阵，即m＝q，则车辆系统增益矩阵F可简单选择满足谱半径条件ρ(I-FG)<1；或G为行满秩矩阵，即m＝p，则车辆系统增益矩阵F可简单选择满足谱半径条件ρ(I-GF)<1。
CN202110934308.3A 2021-08-16 2021-08-16 一种车辆在干扰下的实时跟踪迭代学习控制系统及方法 Active CN113791611B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110934308.3A CN113791611B (zh) 2021-08-16 2021-08-16 一种车辆在干扰下的实时跟踪迭代学习控制系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110934308.3A CN113791611B (zh) 2021-08-16 2021-08-16 一种车辆在干扰下的实时跟踪迭代学习控制系统及方法

Publications (2)

Publication Number Publication Date
CN113791611A CN113791611A (zh) 2021-12-14
CN113791611B true CN113791611B (zh) 2024-03-05

Family

ID=79181695

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110934308.3A Active CN113791611B (zh) 2021-08-16 2021-08-16 一种车辆在干扰下的实时跟踪迭代学习控制系统及方法

Country Status (1)

Country Link
CN (1) CN113791611B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19980082593A (ko) * 1997-05-08 1998-12-05 최진영 반복학습 제어 방법 및 그 장치
CN101846979A (zh) * 2010-06-29 2010-09-29 北京航空航天大学 一种精确目标跟踪的超前迭代学习控制方法
CN107640183A (zh) * 2017-07-31 2018-01-30 李振轩 一种基于迭代学习控制的列车运行控制方法
CN108594644A (zh) * 2018-03-05 2018-09-28 青岛科技大学 基于固定场景和路线的智能无人驾驶车辆的迭代学习控制方法
CN109358621A (zh) * 2018-09-30 2019-02-19 山东省计算中心（国家超级计算济南中心） 自动驾驶汽车轨迹跟踪控制方法
CN110045602A (zh) * 2018-01-15 2019-07-23 北京航空航天大学 一种欠驱动多移动机器人的交会迭代学习控制方法
CN111240327A (zh) * 2020-01-16 2020-06-05 江苏大学 一种基于变速率模型的智能车辆迭代轨迹跟踪控制方法
CN111443718A (zh) * 2020-04-24 2020-07-24 华东交通大学 基于预报误差法的高速列车状态反馈预测控制方法及系统
CN111722628A (zh) * 2020-06-19 2020-09-29 江南大学 一种多智能体轨迹更新迭代学习的点到点跟踪控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3063265B1 (fr) * 2017-02-28 2019-04-05 Renault S.A.S Dispositif de controle de trajectoire d un vehicule

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19980082593A (ko) * 1997-05-08 1998-12-05 최진영 반복학습 제어 방법 및 그 장치
CN101846979A (zh) * 2010-06-29 2010-09-29 北京航空航天大学 一种精确目标跟踪的超前迭代学习控制方法
CN107640183A (zh) * 2017-07-31 2018-01-30 李振轩 一种基于迭代学习控制的列车运行控制方法
CN110045602A (zh) * 2018-01-15 2019-07-23 北京航空航天大学 一种欠驱动多移动机器人的交会迭代学习控制方法
CN108594644A (zh) * 2018-03-05 2018-09-28 青岛科技大学 基于固定场景和路线的智能无人驾驶车辆的迭代学习控制方法
CN109358621A (zh) * 2018-09-30 2019-02-19 山东省计算中心（国家超级计算济南中心） 自动驾驶汽车轨迹跟踪控制方法
CN111240327A (zh) * 2020-01-16 2020-06-05 江苏大学 一种基于变速率模型的智能车辆迭代轨迹跟踪控制方法
CN111443718A (zh) * 2020-04-24 2020-07-24 华东交通大学 基于预报误差法的高速列车状态反馈预测控制方法及系统
CN111722628A (zh) * 2020-06-19 2020-09-29 江南大学 一种多智能体轨迹更新迭代学习的点到点跟踪控制方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Convergence of iterative learning control for SISO nonrepetitive systems subject to iteration-dependent uncertainties;孟德元;《Automatica》;全文 *
Cooperative iterative learning for uncertain nonlinear agents in leaderless switching networks;孟德元;《Automatica》;全文 *
Iterative Learning Control for Minimum Time Path Following;Yiyang Chen;《IFAC-PapersOnLine》;全文 *
Optimization-Based Iterative Learning Speed Control for Vehicle Test Procedures;Richard Seeber;《IFAC-PapersOnLine》;全文 *
一种带参考批次的线性时变系统迭代学习控制算法;耿辉;熊智华;徐用懋;;控制与决策(第05期);全文 *
列车自动运行迭代学习控制算法的研究;窦鹏飞;《铁路计算机应用》;全文 *
基于迭代学习的农业车辆路径跟踪控制;卜旭辉;《自动化学报》;全文 *

Also Published As

Publication number Publication date
CN113791611A (zh) 2021-12-14

Similar Documents

Publication Publication Date Title
CN106773694B (zh) 压电精密位置平台自适应输出反馈逆控制方法
CN106257371A (zh) 包括因变于温度来补偿惯性单元偏差的高级装置的无人机
CN109164709A (zh) 一种基于改进型Smith预估器的光电跟踪系统控制方法
CN110375772B (zh) 自适应卡尔曼滤波的环形激光器随机误差建模与补偿方法
CN112051726B (zh) 一种基于线性跟踪微分器的位置前馈控制方法
CN110006423B (zh) 一种自适应惯导和视觉组合导航方法
CN110501941A (zh) 一种电动汽车整车控制模型获取方法
CN113791611B (zh) 一种车辆在干扰下的实时跟踪迭代学习控制系统及方法
CN113485123A (zh) 一种小行程纳米级运动台的频域自适应迭代学习控制方法
CN111060126B (zh) 定位方法、装置及车辆
CN114003045B (zh) 一种光电跟踪仪的目标跟踪方法、终端、可读存储介质
CN113625551B (zh) 一种时变车辆系统的实时跟踪迭代学习控制系统及方法
CN117192726B (zh) 一种基于改进自抗扰控制的快速反射镜控制方法及设备
Luo et al. Delay-Compound-Compensation Control for Photoelectric Tracking System Based on Improved Smith Predictor Scheme
CN112255920A (zh) 一种基于数据驱动的自适应最优迭代学习控制方法
CN110588654A (zh) 一种自动整定车辆速度相应pid控制参数的方法
CN115755627A (zh) 基于模型预测的纳米级精密运动台前馈控制方法
CN113641193B (zh) 一种非最小相位系统精确跟踪控制方法
CN112202386B (zh) 一种适用于低温环境的电动舵机控制方法
CN109695893B (zh) 一种锅炉系统中的氧气浓度控制方法、装置、设备及系统
CN110022137B (zh) 一种简易互补融合滤波及微分估计方法
CN117234089B (zh) 基于干扰观测器的无人机执行器时滞动态补偿控制方法
CN113110105B (zh) 一种基于逆补偿和扰动触发的压电执行器控制方法
CN116330274A (zh) 一种基于拟牛顿法的机械臂装置迭代学习控制系统及方法
CN111879842B (zh) 不同维度空间的坐标映射方法及单细胞质谱检测方法

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