CN115686009B - 基于事件触发与模型预测的移动系统跟踪控制方法 - Google Patents
基于事件触发与模型预测的移动系统跟踪控制方法 Download PDFInfo
- Publication number
- CN115686009B CN115686009B CN202211331821.4A CN202211331821A CN115686009B CN 115686009 B CN115686009 B CN 115686009B CN 202211331821 A CN202211331821 A CN 202211331821A CN 115686009 B CN115686009 B CN 115686009B
- Authority
- CN
- China
- Prior art keywords
- mobile system
- model
- control
- triggering
- prediction
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005259 measurement Methods 0.000 claims description 88
- 239000011159 matrix material Substances 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 44
- 238000004364 calculation method Methods 0.000 claims description 30
- 238000013461 design Methods 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 230000033001 locomotion Effects 0.000 claims description 10
- 230000003213 activating effect Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 230000001960 triggered effect Effects 0.000 claims description 7
- 238000009795 derivation Methods 0.000 claims description 4
- 206010048669 Terminal state Diseases 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 26
- 230000005540 biological transmission Effects 0.000 abstract description 18
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 239000010410 layer Substances 0.000 description 57
- 230000007246 mechanism Effects 0.000 description 26
- 238000004422 calculation algorithm Methods 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000001514 detection method Methods 0.000 description 8
- 230000000737 periodic effect Effects 0.000 description 8
- 238000005070 sampling Methods 0.000 description 6
- 238000011217 control strategy Methods 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000002355 dual-layer Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了一种基于事件触发与模型预测的移动系统跟踪控制方法,涉及移动系统控制领域,自触发层进行在线求解,生成触发时间点,在触发时间点时对星球车的运行状态信息进行测量,此时由自触发层解算出的触发时间点为非周期性的时间点,不需要对星球车的运行状态进行实时监控;然后将测量的所述运行状态信息发送到所述事件触发层,检验当前运行状态信息是否满足事件触发层中设定的事件触发模型,当不满足时,测量的运行状态信息将不再继续向下传递给预测控制模型,预测控制模型接收到的数据量和运算次数进一步减少,能够释放星球车系统更多的计算资源,提高通信传输与计算资源的有效利用率。
Description
技术领域
本发明涉及移动系统控制技术领域,具体而言,涉及一种基于事件触发与模型预测的移动系统跟踪控制方法。
背景技术
火星表面崎岖不平,松软沙地遍布,星球车在执行探测任务为避免危险区域进行安全移动时,需要目标路径与轨迹的高精度跟踪控制方法的支持,对星球车移动系统控制算法设计提出了挑战。资源严格受限是星球车执行探测任务时面临的主要难题之一,传统数字控制技术会产生冗余的通信与计算资源消耗,进而降低对有价值探测信息的采集与分析能力。
在数字采样控制技术方面,现有星球车仍主要以周期采样通信作为主流控制传输模式,星球车工作时控制系统信号通过网络传输,星际通信的长距离特性使有限带宽、长通信时延、数据传输丢包等问题更加凸显。在此背景下,基于周期采样通信的时间触发机制,始终保持相同的频率进行通信传输与控制律计算,实质上会对星球车通信与计算资源产生冗余消耗,降低对有价值探测信息的采集与分析能力,甚至导致信息丢失,因此时间触发机制不具备按需合理调配资源的属性,无法更好地发挥星球车的移动性能,不利于星球探测任务开展。
目前已提出应用于轮式移动机器人轨迹跟踪控制的事件触发方案中,方案仍主要集中于经典的误差静态阈值触发条件设计,这种方案需要对系统状态进行持续监测以及不断进行触发条件的检验,会产生额外的设备需求与计算消耗,具备较高的触发保守性。
发明内容
本发明所要解决的问题是移动系统的周期采样控制系统中通信与计算资源利用低效。
为解决上述问题,一方面,本发明提供了一种基于事件触发与模型预测的移动系统跟踪控制方法,所述基于事件触发与模型预测的移动系统跟踪控制方法包括:
根据自触发层生成的触发时间点对移动系统的运行状态信息进行测量;
将测量的所述运行状态信息发送到事件触发层,检验当前所述运行状态信息是否满足所述事件触发层中设定的事件触发模型;
若当前所述运行状态信息满足所述事件触发模型,根据所述移动系统的当前所述运行状态信息激活预测控制模型,对所述移动系统的预测轨迹进行更新。
进一步地,所述根据自触发层生成的触发时间点对移动系统的运行状态信息进行测量包括:
根据所述移动系统的所述运行状态信息让所述自触发层通过设定的自触发模型进行测量时间间隔求解;
在求解出的所述测量时间间隔的多个候选值中选择最小的所述候选值作为所述测量时间间隔,生成测量时间序列;
在所述测量时间序列中的每个测量时间点,对所述移动系统的所述运行状态信息进行测量。
进一步地,所述将测量的所述运行状态信息发送到事件触发层,检验当前所述运行状态信息是否满足所述事件触发层中设定的事件触发模型包括:
在每次对所述移动系统进行测量之后,将测量的所述运行状态信息发送到所述事件触发层;
在所述事件触发层中检验当前所述运行状态信息是否满足所述事件触发模型,其中,将满足所述事件触发模型的所述运行状态信息对应的所述测量时间点记为触发时间点,多个所述触发时间点构成触发时间序列。
进一步地,所述自触发模型包括:
在前一所述测量时间点,根据自触发模型确定相邻两个所述测量时间点之间的测量时间间隔,进而得到下一所述测量时间点,记为:
其中,kj,m表示在所述测量时间序列中的前一所述测量时间点,表示相邻两个所述测量时间点之间的所测量时间间隔,kj,m+1表示在所述测量时间序列中的下一所述测量时间点。
进一步地,所述测量时间间隔的计算模型包括:
其中,与分别为不同计算方式下确定的所述测量时间间隔的候选值;
λ(P)和分别表示矩阵P的最小特征值与最大特征值;
||·||Q表示以矩阵Q为加权矩阵的向量加权范数;
Θ,Q,R,P>0均为加权设计矩阵;
表示移动系统系统在kj时刻对后续第i时刻的状态预测值;
表示移动系统系统在kj时刻对后续第i时刻的控制预测值;
表示移动系统标称系统相邻状态偏差函数相对于以矩阵P为加权矩阵的向量加权范数的李普希兹常数,所述偏差函数为:
表示预测控制模型的预测时域;
表示系统附加扰动w的上界,其中,
表示预测控制模型的求解频率与控制性能的权衡系数;
ζ,ε表示与鲁棒性及辅助控制模型相关的设计参数,满足如下关系式:
c1,c2表示推导过程中的化简参数,具体为:
进一步地,所述事件触发模型包括:
其中,kj+1表示在所述触发时间序列中第j+1个时间点,kj表示在所述触发时间序列中第j个时间点;
∈≥0,σ>0表示设计参数;
表示事件触发状态误差,作为触发条件的核心变量,定义如下:
表示移动系统系统在kj+m时刻的状态测量值;
表示移动系统系统在kj+m时刻的状态期望值;
λ(kj,m)表示辅助动态变量,满足如下差分方程:
λ(k+1)=λ(k)-s(λ(k))+σα(||xk||P)-γ(||ek||P),λ(0)=λ0,
s(·)表示局部利普希茨连续的类函数。
进一步地,所述根据所述移动系统的当前所述运行状态信息激活预测控制模型,对所述移动系统的预测轨迹进行更新包括:
将当前所述运行状态信息输入到预测控制模型,得到使运动误差以及控制成本均收敛的预测序列,其中,所述预测序列包括控制预测序列和状态预测序列;
将所述预测序列发送给控制器,所述控制器控制移动系统在之后的运动中调整运行轨迹。
进一步地,所述预测控制模型包括:
在所述触发时间点kj,以测量到的所述移动系统的所述运行状态信息作为初始状态值并设定预测时域长度为求解优化函数,得到控制预测序列和相应的状态预测序列。
其中,所述优化函数为:
其中,分别表示移动系统标称系统离散化与线性化后的系数矩阵、输入矩阵及常数阵;
表示控制输入约束集;
表示状态约束集;
表示预测时域的终端状态集, 表示终端代价函数;
Kξ表示线性状态反馈增益矩阵;
表示控制系统的最小鲁棒正不变集,
表示代价函数。
所述代价函数为:
其中,表示移动系统标称系统在kj时刻对后续第i时刻的状态预测值;
表示移动系统标称系统在kj时刻对后续第i时刻的控制预测值;
表示阶段代价函数,具体为:
表示终端代价函数,具体为:
表示期望速度zd,k在kj+i时刻的取值;
Q,R,P>0均为加权设计矩阵。
进一步地,所述基于事件触发与模型预测的移动系统跟踪控制方法还包括:
将所述移动系统的所述运行状态信息发送到辅助控制模型,得到控制输入修正值;
将所述控制输入修正值反馈到预测控制模型,对控制预测序列进行修正。
进一步地,所述辅助控制模型包括:
Kξ表示线性状态反馈增益矩阵;
xk表示测量得到的实际移动系统系统状态,
表示预测控制模型预测控求解的移动系统标称系统状态;
所述状态反馈增益矩阵满足使得误差反馈控制系统的系数矩阵为赫尔维茨矩阵;
所述状态反馈增益矩阵为:
其中,表示离散代数黎卡提方程的解;
分别表示移动系统标称系统离散化与线性化后的系数矩阵、输入矩阵及常数阵;Q,R,P>0为加权设计矩阵。
与现有技术相比,本发明具有如下有益效果:
本发明提供的一种基于事件触发与模型预测的移动系统跟踪控制方法,当星球车系统运动的时候,自触发层进行在线求解,生成触发时间点,在触发时间点时对星球车的运行状态信息进行测量,此时由自触发层解算出的触发时间点为非周期性的时间点,不需要对星球车的运行状态进行实时监控,增大测量时间间隔,降低信息传输量和控制算法的运算量;然后将测量的所述运行状态信息发送到事件触发层,检验当前所述运行状态信息是否满足所述事件触发层中设定的事件触发模型,当不满足的时候,测量的运行状态信息将不再继续向下传递给预测控制模型,对触发时间点进一步进行筛选,从而使得测量时间间隔再次增大,使得预测控制模型接收到的数据量和运算次数进一步减少,能够释放星球车系统更多的计算资源,避免星球车通信传输与计算资源产生冗余消耗,做到合理调配系统有限资源,使得通信传输与计算资源的有效利用率提高,以便于更好地发挥星球车的移动性能。若当前所述运行状态信息满足所述事件触发模型,根据所述移动系统的当前所述运行状态信息激活预测控制模型,对所述移动系统的预测轨迹进行更新,消除或限制状态预测误差和状态跟踪控制误差的进一步累积,从而为后续的控制进程纠正偏差,优化控制系统计算资源配置。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单的介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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示出了本发明实施例中基于事件触发与模型预测的移动系统跟踪控制方法流程图;
图2示出了本发明实施例中基于事件触发与模型预测的移动系统跟踪控制方法的整体框图;
图3示出了本发明实施例中基于事件触发与模型预测的移动系统跟踪控制方法的另一流程图;
图4示出了本发明实施例中结合神经网络的星球车标称系统预测控制器原理示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地说明,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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例,都属于本发明保护的范围。
图1示出了本发明实施例中基于事件触发与模型预测的移动系统跟踪控制方法流程图,所述基于事件触发与模型预测的移动系统跟踪控制方法包括:
步骤1:根据自触发层生成的触发时间点对移动系统的运行状态信息进行测量;
步骤2:将测量的所述运行状态信息发送到事件触发层,检验当前所述运行状态信息是否满足所述事件触发层中设定的事件触发模型;所述事件触发模型用于检验所述运行状态信息是否满足触发约束条件;
步骤3:若当前所述运行状态信息满足所述事件触发模型,根据所述移动系统的当前所述运行状态信息激活预测控制模型,对所述移动系统的预测轨迹进行更新。所述预测控制模型用于计算和推测下一时刻移动系统的运行状态以及控制输入量。
将上述方法应用于在星球车上,此时移动系统相当于星球车系统。需要说明的是,自触发层具备自触发机制,自触发机制通过预定义规则自解算触发时刻,不需要实时监控系统状态,但是其触发规则的合理性依赖于系统模型的准确性,其触发条件往往相对事件触发机制更为保守。而事件触发层具备事件触发机制,事件触发机制是一种将通信传输和控制算法的执行限定在有需求时才触发的控制策略,能够在控制性能与资源占用之间进行权衡,在一定程度上延长了系统通信传输与控制算法更新的平均触发间隔并降低了保守性,但是仍保留对状态进行持续检测的需求。如果简单的将两者进行融合使用,即形成一种周期事件触发机制,按照设定的周期检验触发条件,在触发周期上缺乏动态自适应能力。本发明设计一种双层触发机制,当星球车系统运动的时候,自触发层根据其内设置的一套预定义的规则进行在线求解,计算系统状态的测量时间序列,生成触发时间点,在触发时间点时对星球车的运行状态信息进行测量,此时由自触发机制解算出的触发时间点为非周期性的时间点,不需要对星球车的运行状态进行实时监控,增大测量时间间隔,降低信息传输量和控制算法的运算量;然后将测量的所述运行状态信息发送到事件触发层,检验当前所述运行状态信息是否满足所述事件触发层中设定的事件触发模型,当不满足的时候,测量的运行状态信息将不再继续向下传递给预测控制模型,对触发时间点进一步进行筛选,从而使得测量时间间隔再次增大,使得预测控制模型接收到的数据量和运算次数进一步减少,能够释放星球车系统更多的计算资源,避免星球车通信传输与计算资源产生冗余消耗,同时双层触发机制还兼顾系统误差,避免信息丢失,做到合理调配系统有限资源,使得通信传输与计算资源的有效利用率提高,以便于更好地发挥星球车的移动性能。若当前所述运行状态信息满足所述事件触发模型,根据所述移动系统的当前所述运行状态信息激活预测控制模型,对所述移动系统的预测轨迹进行更新,消除或限制状态预测误差和状态跟踪控制误差的进一步累积,从而为后续的控制进程纠正偏差,优化控制系统计算资源配置。
在本发明的一种实施例中,步骤1,根据自触发层生成的触发时间点对移动系统的运行状态信息进行测量具体包括:
根据所述移动系统的所述运行状态信息让所述自触发层通过设定的自触发模型进行测量时间间隔求解。在自触发模型中可以设置多种测量时间间隔求解方式,其中有些求解方式可以与星球车的运行状态无关,但是有些求解方式可以与星球车的运行状态有关,这样自触发层的求解影响因素除了与自触发模型的设置有关之外,还与星球车的运行状态有关,能够根据星球车的实时运行状态调整测量时间间隔的大小,避免测量时间间隔固定,不能很好的适应特定星球车系统的运行。
在求解出的所述测量时间间隔的多个候选值中选择最小的所述候选值作为所述测量时间间隔,生成测量时间序列。在同一时刻,经过多种求解方式得到多个测量时间间隔的候选值,然后选择其中最小的候选值。一方面为了节约计算资源和减少通信传输,需要增大测量时间间隔,减少对星球车系统的运行状态的采集监控次数,减少计算量和信息传输;但是另一方面,出于对星球车系统的运行误差的考量,为了避免运行误差累计过大,也需要尽可能多的对星球车系统的运行状态进行监测,此时就要求测量时间间隔尽可能的小,传统的实时监控就能够一直监控到星球车系统的运行状态,但是实时监控计算量和信息传输量较大,因此综合考量,在多个候选值中,选择最小的候选值作为最终的测量时间间隔。
在所述测量时间序列中的每个测量时间点,对所述移动系统的所述运行状态信息进行测量。在减少计算量和通信传输的基础上,需要在每个测量时间点对星球车的运行状态信息进行测量,以便于增加对星球车的监测力度。
其中,所述自触发模型具体为:
在前一所述测量时间点,根据自触发模型确定相邻两个所述测量时间点之间的测量时间间隔,进而得到下一所述测量时间点,记为:
其中,kj,m表示在所述测量时间序列中的前一所述测量时间点,表示相邻两个所述测量时间点之间的所测量时间间隔,kj,m+1表示在所述测量时间序列中的下一所述测量时间点。
所述测量时间间隔的计算模型包括:
上述计算模型中对于测量时间间隔的求解采用三种求解方式,具体如下:
求解方式一:
求解方式二:
求解方式三:
其中,与分别为不同计算方式下确定的所述测量时间间隔的候选值;
函数sup{}表示一个集合中的上确界,即任何属于该集合的元素都小于等于该值;
λ(P)和分别表示矩阵P的最小特征值与最大特征值;
||·||Q表示以矩阵Q为加权矩阵的向量加权范数;
表示移动系统系统在kj时刻对后续第i时刻的状态预测值;
表示移动系统系统在kj时刻对后续第i时刻的控制预测值;
表示移动系统标称系统相邻状态偏差函数相对于以矩阵P为加权矩阵的向量加权范数的李普希兹常数,所述偏差函数为:
表示移动系统标称系统在kj时刻对后续第i时刻的状态预测值;
表示移动系统标称系统在kj时刻对后续第i时刻的控制预测值;
表示预测控制模型的预测时域;
表示系统附加扰动w的上界,其中,
表示预测控制模型的求解频率与控制性能的权衡系数;
ζ,ε表示与鲁棒性及辅助控制模型相关的设计参数,满足如下关系式:
c1,c2表示推导过程中的化简参数,具体为:
需要说明的是,上述注释中出现的移动系统系统与移动系统标称系统之间的区别,移动系统系统是指处于真实环境下,受外部环境影响的星球车系统,系统本身存在一些不确定性,需要随外部环境的改变而进行调整;而移动系统标称系统是一种理想化的系统,假设该系统是稳定的,系统内部不确定性的模块和因素不存在。对于上述三种求解方式,从公式中可以看出,前两种求解方式在星球车系统确定之后,对应的标称系统确定,前两种求解方式的计算结果随之确定,但是第三种计算方式与星球车系统的实时运行状态相关性较大,因此第三种求解方式求出的测量时间间隔处于变动中,进而影响最终选择的测量时间间隔。
自触发层的主要目标是在保证星球车状态跟踪控制可行性与稳定性的前提下,尽可能降低自触发层的计算复杂度。在测量时间间隔逐渐增大的过程中,一方面,自触发层求解的频率降低,从而使其需要付出的计算负荷显著减少,另一方面,在测量时间间隔的空白期内,星球车系统接近于开环控制,状态预测误差将逐渐累积,导致对期望状态曲线的收敛性能变差。自触发层权衡上述两个方面,初步筛选出测量时间序列,并触发事件触发层的检验。
在本发明的一个实施例中,设计了另一种测量时间间隔的求解方式,与上述求解方式三略有不同,不同点是自触发规则设计中添加额外假设但保守性更低的推导方式。具体为:
式中,Ll,LE分别表示阶段代价函数和终端代价函数对应于加权范数的李普希兹常数。
在本发明的一种实施例中,步骤2,将测量的所述运行状态信息发送到事件触发层,检验当前所述运行状态信息是否满足所述事件触发层中设定的事件触发模型包括:
在每次对所述移动系统进行测量之后,将测量的所述运行状态信息发送到所述事件触发层;
在所述事件触发层中检验当前所述运行状态信息是否满足所述事件触发模型,其中,将满足所述事件触发模型的所述运行状态信息对应的所述测量时间点记为触发时间点,多个所述触发时间点构成触发时间序列。
为了进一步扩大事件触发间隔,降低星球车两驱动轮转矩输入更新频率、释放冗余计算量,采用动态事件触发机制设计了相应的事件触发模型。由上述描述可以看出,触发时间序列是测量时间序列的子集。融合两种触发方式,构造一种两级事件触发控制策略,综合实现触发检验周期的动态性与通信/计算资源的利用高效性。
在本发明的一种实施例中,所述事件触发模型具体为:
函数inf{}表示一个集合中的下确界;其中,kj+1表示在所述触发时间序列中第j+1个时间点,kj表示在所述触发时间序列中第j个时间点;
∈≥0表示设计参数;
表示事件触发状态误差,作为触发条件的核心变量,定义如下:
表示移动系统系统在kj+m时刻的状态测量值;
表示移动系统系统在kj+m时刻的状态期望值;
λ(kj,m)表示辅助动态变量,满足如下差分方程:
λ(k+1)=λ(k)-s(λ(k))+σα(||xk||P)-γ(||ek||P),λ(0)=λ0
s(·)表示局部利普希茨连续的类函数。
如图2,本发明中的双层触发机制控制策略可以随星球车系统的控制性能以及运行状态动态调整时间间隔进行通信传输与控制更新,双层触发机制控制策略由确定运行状态测量时间点的自触发层与触发预测控制模型更新的事件触发层构成。先根据自触发层计算测量时间序列,并进行星球车系统运行状态的测量,再根据事件触发层,在由自触发得到的测量序列中的任意时刻检验事件触发条件,保证了星球车监测间隔动态性而不需对星球车状态进行持续监控。根据与星球车的状态误差相关的事件触发条件,当条件满足时在该时刻更新控制输入值(可以是驱动轮力矩),更新预测控制模型,以便消除/限制速度(状态)预测误差和速度跟踪控制误差的进一步累积,从而为后续的控制进程纠正偏差,优化控制系统计算资源配置。
在本发明的一种实施例中,所述根据所述移动系统的当前所述运行状态信息激活预测控制模型,对所述移动系统的预测轨迹进行更新包括:
将当前所述运行状态信息输入到预测控制模型,得到使运动误差以及控制成本均收敛的预测序列,其中,所述预测序列包括控制预测序列和状态预测序列;
将所述预测序列发送给控制器,所述控制器控制移动系统在之后的运动中调整运行轨迹。
期望速度或者期望运行状态的预测控制模型,以滚动方式在每个触发时刻以一种开环状态求得一个理想驱动力矩输入序列或控制输入预测序列,相当于向实际系统提供前馈输入,包含了未来一段时间内的速度预测。将跟踪控制问题转化为求解状态预测序列或控制预测序列,并运用凸二次规划算法来求解,得到一段预测时域内的星球车开环最优驱动力矩输入序列(即控制预测序列),将该控制预测序列发送给控制器,控制星球车进行运动。
在本发明的一种实施例中,所述基于事件触发与模型预测的移动系统跟踪控制方法还包括:
将所述移动系统的所述运行状态信息发送到辅助控制模型,得到控制输入修正值;
将所述控制输入修正值反馈到预测控制模型,对控制预测序列进行修正。
所述辅助控制模型实现速度或状态跟踪误差收敛,设计状态反馈和控制输入修正:在保证各种约束条件满足的前提下,驱使实际速度以尽可能的精度跟踪期望速度,收敛于以期望状态轨迹为中心的管状邻域内部,即实际速度围绕着期望速度在一定范围内变化。辅助控制模型使得星球车系统对不确定性以及未知扰动影响的抵抗性能提升,增加了星球车系统的鲁棒性。
如图2,基于前述双层触发机制,建立了利用基于管的鲁棒模型预测控制算法,实现星球车标称系统的速度跟踪控制(即预测控制模型)与速度跟踪误差系统的状态反馈控制(即辅助控制模型),还可以将上述两种控制策略相结合,形成分层速度(状态)跟踪控制框架,从而综合实现星球车的速度跟踪控制。
在本发明的一种具体实施例中,结合动态周期事件触发策略的星球车轨迹跟踪鲁棒模型预测控制算法,如图,3,包括以下步骤:
(1)针对星球车标称系统的速度跟踪问题,设计开环预测控制器(MPC控制器),所述预测模型控制器中设计有预测控制模型,对期望速度的预测控制器,以滚动形式在每个触发时刻以一种开环形式求得一个关于速度跟踪问题的理想驱动力矩输入序列,相当于向星球车系统提供前馈输入,包含了未来一段时间内的速度预测。将跟踪控制问题表述为一个优化问题,并运用凸二次规划算法来求解,得到一段预测时域内的星球车开环最优驱动力矩输入序列。
以星球车不考虑未知扰动的标称系统为研究对象,建立基于事件触发机制的预测控制模型。设为触发时间序列,在序列的任一时刻,都会进行最优控制问题的求解,得到最优控制序列在预测时域内,定义代价函数(Cost function)为与跟踪误差和控制输入相关函数,所述代价函数为:
其中,表示移动系统标称系统在kj时刻对后续第i时刻的状态预测值;
表示移动系统标称系统在kj时刻对后续第i时刻的控制预测值;
表示阶段代价函数,具体为:
表示终端代价函数,具体为:
表示期望速度zd,k在kj+i时刻的取值;
上述式中Q,R,P>0均为加权设计矩阵。
在任意所述触发时间点kj,以测量到的所述移动系统的所述运行状态信息作为初始状态值并设定预测时域长度为求解优化函数,得到控制预测序列和相应的状态预测序列
其中,所述优化函数为:
函数arg min就是使后式达到最小值时的变量的取值;其中,分别表示移动系统标称系统离散化与线性化后的系数矩阵、输入矩阵及常数阵;
表示控制输入约束集;
表示状态约束集;
表示预测时域的终端状态集,
Kξ表示线性状态反馈增益矩阵;
表示控制系统的最小鲁棒正不变集(Minimal Robust positively invariantset,简称MRPI set);
表示代价函数。
鲁棒正不变集的物理含义为系统在未知有界扰动存在的情况下,从原点可到达的状态集合,同时也在预测控制算法中充当状态约束或控制约束收紧的幅度,以保证鲁棒性,为了在收紧区域内部获取尽可能多的可行解,利用最小鲁棒正不变集。
(2)针对星球车系统不确定性生成的误差进行控制,实现速度跟踪误差收敛,设计状态反馈,设计辅助控制器,所述辅助控制器内设置有辅助控制模型uf,k:在保证各种约束条件满足的前提下,驱使实际速度尽可能跟踪期望速度,收敛于以期望状态轨迹为中心的管状邻域内部,即实际速度在期望速度周围一定范围内波动。辅助控制器提高了星球车系统对不确定性与未知扰动影响的抵抗力,增强了星球车系统的鲁棒性。设计基于状态反馈的辅助控制模型,具体为:
Kξ表示线性状态反馈增益矩阵;
xk表示测量得到的实际移动系统系统状态,
表示预测控制模型预测控求解的移动系统标称系统状态;
设计Kξ使得辅助控制模型的系数矩阵为赫尔维茨(Hurwitz)矩阵,根据赫尔维茨稳定判据,即可实现速度跟踪误差的渐进收敛,将实际系统速度轨迹限定于以标称系统速度轨迹为中心的管状邻域内,该管状邻域的范围由鲁棒正不变集直观描述,即最优Kξ的数值近似可通过离散代数黎卡提方程得到,所述离散代数黎卡提方程为:
式中,表示离散代数黎卡提方程的解。
进而求得所述状态反馈增益矩阵为:
将包含两层结构的事件触发的动态调控策略引入星球车预测控制算法设计中,作为不同控制模式间的切换依据,调控预测控制器执行优化求解的周期,降低通信与计算成本。如图3所示,整个工作流程具体如下:
首先进入自触发层,检验当前时刻是否属于测量时间序列{kj,i}MS,i∈N≤m,若是,则对星球车系统执行一次状态测量,通过自触发层继续计算下一测量时刻,然后转到事件触发层,检验当前状态是否满足事件触发条件,若满足条件,记为当前时刻处于触发时间序列k∈{kj}TS,j∈N+,并相应激活预测控制模型(记为)与状态反馈辅助控制模型求解Kξξk,得到当前星球车轨迹跟踪融合控制模型
若当前时刻不满足触发条件,或不在测量时间序列中,则沿用上一触发时刻的预测状态信息计算融合控制模型后续时刻以此类推。在事件触发层检验不通过的时候,使用既有数据进行控制运算,当事件触发层检验通过的时候,预测控制器被触发,预测控制模型进行计算,更新原有的预测状态信息,用于根据既往星球车的运行状态,实时调整星球车的运行轨迹,避免运行过程中产生的速度误差或者轨迹误差或者输入误差产生累积。
在本发明的一种实施例中,在步骤(1)中,代价函数在预测时域内的加和不以当前时刻为起点。代价函数形式如下:
则预测控制算法只对未来预测跟踪控制性能进行优化。
在本发明的另一种实施例中,在步骤(1)的基础上,采用神经网络逼近星球车系统中的未知不确定性。神经网络依据闭环系统获取控制数据进行参数自适应梯度下降更新,用来对未建模动态、线性化误差以及未知扰动的模型不确定性的补偿。利用神经网络对现有控制数据进行在线的自适应整合,逼近系统模型的不确定性,进行模型预测控制的状态预测,相当于为模型预测控制器引入一层标称模型反馈校正环节,如图4所示,提高实时跟踪控制精度。
模型预测控制优化问题中,包含神经网络对不确定性的逼近输出值的状态方程,以等式约束的形式体现状态预测过程,即
式中,In表示n×n维单位矩阵;
表示神经网络对未知扰动项的近似输出结果。
神经网络的近似值通过在线训练的神经元通过加权计算得到,即
式中,表示隐含层-输出层权重可调节向量;
表示输入层-隐含层权重常向量。
神经网络输出权重通过梯度下降法进行更新,即
式中,ek+1表示有无神经网络补偿的系统状态偏差,定义为
表示应用神经网络对不确定项进行补偿后得到的系统状态估计值;
xk+1表示无神经网络补偿时下一时刻状态估计值;
αw∈(0,1)表示神经网络学习率。
星球车控制中常规周期采样通信方法不具备资源调配属性,无法在高效的情况下最大化星球车移动性能。现有事件触发机制应用于轮式移动机器人控制,但仍缺少一种综合低保守性与低成本的触发设计方案。鲁棒模型预测控制方法被固有滚动优化过程所决定的无差别最优控制求解,使计算复杂度进一步提高,缺少基于控制效果评价的反馈调节。
本发明解决了星球车周期采样控制系统中通信与计算资源利用低效的问题,可为星球车轨迹跟踪控制任务提供低控制成本可行方案。在资源受限的星球车探测任务中,通信带宽与系统计算力均为稀缺资源。双层触发机制的设计,使星球车系统各部分间的通讯和控制律得到更新,由传统周期性触发转变为按需触发,将控制资源的利用方式转变为需求导向,为想要兼顾资源高效与性能优化的星球车运动控制提供解决方案。融合自触发机制和事件触发机制的双层触发机制,通过自触发层与事件触发层两层结构,把基于状态信息的触发机制分离为测量时刻的计算和触发条件的检验。在事件触发基础上运用自触发规则引入了动态的检验周期,降低了事件触发机制实现中对系统状态的实时监控需求,兼顾了低实现成本与低触发频率,提升了基于事件触发的星球车通信与控制方案的实用性。
本发明解决了星球车在建模不确定性与未知扰动下轨迹跟踪控制算法的鲁棒性缺失问题。预测控制器以滚动时域方式求解一系列约束优化控制问题,追求约束条件满足下接近最优的性能,同时有完备的稳定性保证,且易于实现针对系统不确定性的鲁棒性,在星球车跟踪控制问题中有广阔应用前景。模型预测控制算法的鲁棒性问题在星球车控制系统中尤为重要,为不确定性的补偿提供了强自适应性的机制。双层触发机制策略与星球车系统预测控制算法的协同设计,其中双层触发机制对跟踪预测控制的执行周期进行动态调控,降低了预测控制算法的计算力需求,提高通信传输与控制计算的高效性。
尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于事件触发与模型预测的移动系统跟踪控制方法,其特征在于,所述基于事件触发与模型预测的移动系统跟踪控制方法包括:
根据自触发层生成的触发时间点对移动系统的运行状态信息进行测量;
将测量的所述运行状态信息发送到事件触发层,检验当前所述运行状态信息是否满足所述事件触发层中设定的事件触发模型;
若当前所述运行状态信息满足所述事件触发模型,根据所述移动系统的当前所述运行状态信息激活预测控制模型,对所述移动系统的预测轨迹进行更新;
所述根据自触发层生成的触发时间点对移动系统的运行状态信息进行测量包括:
根据所述移动系统的所述运行状态信息让所述自触发层通过设定的自触发模型进行测量时间间隔求解;
在求解出的所述测量时间间隔的多个候选值中选择最小的所述候选值作为所述测量时间间隔,生成测量时间序列;
在所述测量时间序列中的每个测量时间点,对所述移动系统的所述运行状态信息进行测量;
所述自触发模型包括:
在前一所述测量时间点,根据自触发模型确定相邻两个所述测量时间点之间的测量时间间隔,进而得到下一所述测量时间点,记为:
其中,kj,m表示在所述测量时间序列中的前一所述测量时间点,表示相邻两个所述测量时间点之间的所测量时间间隔,kj,m+1表示在所述测量时间序列中的下一所述测量时间点;
所述测量时间间隔的计算模型包括:
其中,与分别为不同计算方式下确定的所述测量时间间隔的候选值;
函数sup{ }表示一个集合中的上确界;
λ(P)和分别表示矩阵P的最小特征值与最大特征值;
||·||Q表示以矩阵Q为加权矩阵的向量加权范数;
Θ,Q,R,P>0均为加权设计矩阵;
表示移动系统标称系统在kj时刻对后续第i时刻的最优状态预测值;
表示移动系统标称系统在kj时刻对后续第i时刻的最优控制预测值;
表示移动系统标称系统相邻状态偏差函数相对于以矩阵P为加权矩阵的向量加权范数的李普希兹常数,所述偏差函数为:
表示移动系统标称系统在kj时刻对后续第i时刻的状态预测值;
表示移动系统标称系统在kj时刻对后续第i时刻的控制预测值;
表示预测控制模型的预测时域;
表示系统附加扰动w的上界,其中,
表示预测控制模型的求解频率与控制性能的权衡系数;
ζ,ε表示与鲁棒性及辅助控制模型相关的设计参数,满足如下关系式:
c1,c2表示推导过程中的化简参数,具体为:
2.根据权利要求1所述的基于事件触发与模型预测的移动系统跟踪控制方法,其特征在于,所述将测量的所述运行状态信息发送到事件触发层,检验当前所述运行状态信息是否满足所述事件触发层中设定的事件触发模型包括:
在每次对所述移动系统进行测量之后,将测量的所述运行状态信息发送到所述事件触发层;
在所述事件触发层中检验当前所述运行状态信息是否满足所述事件触发模型,其中,将满足所述事件触发模型的所述运行状态信息对应的所述测量时间点记为触发时间点,多个所述触发时间点构成触发时间序列。
3.根据权利要求1所述的基于事件触发与模型预测的移动系统跟踪控制方法,其特征在于,所述事件触发模型包括:
其中,kj+1表示在所述触发时间序列中第j+1个时间点,kj表示在所述触发时间序列中第j个时间点;
函数inf{}表示一个集合中的下确界;
∈≥0,σ>0表示设计参数;
表示事件触发状态误差,作为触发条件的核心变量,定义如下:
表示移动系统实际系统在kj+m时刻的状态测量值;
表示移动系统实际系统在kj+m时刻的状态期望值;
λ(kj,m)表示辅助动态变量,满足如下差分方程:
λ(k+1)=λ(k)-s(λ(k))+σ||xk||P-||ek||P,λ(0)=λ0
s(·)表示局部利普希茨连续的类函数。
4.根据权利要求1所述的基于事件触发与模型预测的移动系统跟踪控制方法,其特征在于,所述根据所述移动系统的当前所述运行状态信息激活预测控制模型,对所述移动系统的预测轨迹进行更新包括:
将当前所述运行状态信息输入到预测控制模型,得到使运动误差以及控制成本均收敛的预测序列,其中,所述预测序列包括控制预测序列和状态预测序列;
将所述预测序列发送给控制器,所述控制器控制移动系统在之后的运动中调整运行轨迹。
5.根据权利要求4所述的基于事件触发与模型预测的移动系统跟踪控制方法,其特征在于,所述预测控制模型包括:
在触发时间点kj,以测量到的所述移动系统的运行状态信息作为初始状态值并设定预测时域长度为求解优化函数,得到控制预测序列和相应的状态预测序列;
其中,所述优化函数为:
s.t.
其中,函数argmin就是使函数后面的函数式达到最小值时的变量的取值;
分别表示移动系统标称系统离散化与线性化后的系数矩阵、输入矩阵及常数阵;
表示控制输入约束集;
表示状态约束集;
表示预测时域的终端状态集, 表示终端代价函数;
Kξ表示线性状态反馈增益矩阵;
表示控制系统的最小鲁棒正不变集;
表示代价函数;
所述代价函数为:
其中,表示移动系统标称系统在kj时刻对后续第i时刻的状态预测值;
表示移动系统标称系统在kj时刻对后续第i时刻的控制预测值;
表示阶段代价函数,具体为:
表示终端代价函数,具体为:
表示期望速度zd,k在kj+i时刻的取值;
上述式中Q,R,P>0均为加权设计矩阵。
6.根据权利要求4所述的基于事件触发与模型预测的移动系统跟踪控制方法,其特征在于,还包括:
将所述移动系统的所述运行状态信息发送到辅助控制模型,得到控制输入修正值;
将所述控制输入修正值反馈到预测控制模型,对控制预测序列进行修正。
7.根据权利要求6所述的基于事件触发与模型预测的移动系统跟踪控制方法,其特征在于,所述辅助控制模型包括:
Kξ表示线性状态反馈增益矩阵;
xk表示测量得到的实际移动系统系统状态,
表示控制系统的最小鲁棒正不变集;
表示预测控制模型预测控求解的移动系统标称系统状态;
所述状态反馈增益矩阵满足使得误差反馈控制系统的系数矩阵为赫尔维茨矩阵;
所述状态反馈增益矩阵为:
其中,表示离散代数黎卡提方程的解;
分别表示移动系统标称系统离散化与线性化后的系数矩阵及输入矩阵;R为加权设计矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211331821.4A CN115686009B (zh) | 2022-10-28 | 2022-10-28 | 基于事件触发与模型预测的移动系统跟踪控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211331821.4A CN115686009B (zh) | 2022-10-28 | 2022-10-28 | 基于事件触发与模型预测的移动系统跟踪控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115686009A CN115686009A (zh) | 2023-02-03 |
CN115686009B true CN115686009B (zh) | 2024-09-13 |
Family
ID=85046761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211331821.4A Active CN115686009B (zh) | 2022-10-28 | 2022-10-28 | 基于事件触发与模型预测的移动系统跟踪控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115686009B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116243597B (zh) * | 2023-03-08 | 2023-08-15 | 哈尔滨工业大学 | 一种基于动态事件触发的增益调度控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7072781B1 (en) * | 2004-07-06 | 2006-07-04 | Advanced Micro Devices, Inc. | Architecture for generating adaptive arbitrary waveforms |
CN112782978A (zh) * | 2020-12-24 | 2021-05-11 | 北京交通大学 | 一种基于自触发机制的高速列车巡航运行控制方法 |
-
2022
- 2022-10-28 CN CN202211331821.4A patent/CN115686009B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7072781B1 (en) * | 2004-07-06 | 2006-07-04 | Advanced Micro Devices, Inc. | Architecture for generating adaptive arbitrary waveforms |
CN112782978A (zh) * | 2020-12-24 | 2021-05-11 | 北京交通大学 | 一种基于自触发机制的高速列车巡航运行控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115686009A (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11543787B2 (en) | Networked control system time-delay compensation method based on predictive control | |
JPH04127205A (ja) | プロセス制御装置 | |
CN115686009B (zh) | 基于事件触发与模型预测的移动系统跟踪控制方法 | |
CN111290282B (zh) | 火电机组协调系统的预见式预测控制方法 | |
CN105388764A (zh) | 基于动态矩阵前馈预测的电液伺服pid控制方法及系统 | |
CN109062040B (zh) | 基于系统嵌套优化的预测pid方法 | |
Sabahi et al. | Indirect predictive type-2 fuzzy neural network controller for a class of nonlinear input-delay systems | |
Zhao et al. | Adaptive neural network control for a class of discrete-time nonlinear interconnected systems with unknown dead-zone | |
Lopez-Echeverria et al. | Variable sampling approach to mitigate instability in networked control systems with delays | |
Chi et al. | Comparison of two multi-step ahead forecasting mechanisms for wind speed based on machine learning models | |
CN112819224B (zh) | 基于深度学习融合模型的机组出力预测及置信评估方法 | |
CN114355848A (zh) | 张力检测与智能控制系统 | |
CN117519353A (zh) | 一种机柜温度控制方法、装置及空调 | |
Chen et al. | Optimal tracking control for unknown nonlinear systems with uncertain input saturation: A dynamic event-triggered ADP algorithm | |
CN112615364A (zh) | 一种新型的电网稳控装置广域智能协同控制方法 | |
CN106410829B (zh) | 一种基于预测控制的储能源网协调控制系统及方法 | |
Zhu et al. | Fuzzy Support Vector Machines Control for 6-DOF Parallel Robot. | |
Kong et al. | Improved Generalized Predictive Control for High‐Speed Train Network Systems Based on EMD‐AQPSO‐LS‐SVM Time Delay Prediction Model | |
CN114415503A (zh) | 温度大数据物联网检测与智能控制系统 | |
Riedmiller | Application of sequential reinforcement learning to control dynamic systems | |
Ren et al. | Dynamic event-triggered neural adaptive preassigned fast finite-time tracking control for stochastic nonaffine structure nonlinear systems | |
CN118466231B (zh) | 分布式电推进器协同控制方法及系统 | |
CN115373267B (zh) | 一种数控立车伺服系统及其跟踪精度自愈调控方法与应用 | |
Sakr et al. | Model predictive control based on modified smith predictor for networked control systems | |
CN114779626A (zh) | 基于神经网络与加权平均算法的网络化预测控制方法 |
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 |