CN116501061A - 一种基于分层优化的模型预测控制路径跟踪方法 - Google Patents
一种基于分层优化的模型预测控制路径跟踪方法 Download PDFInfo
- Publication number
- CN116501061A CN116501061A CN202310497612.5A CN202310497612A CN116501061A CN 116501061 A CN116501061 A CN 116501061A CN 202310497612 A CN202310497612 A CN 202310497612A CN 116501061 A CN116501061 A CN 116501061A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- model
- optimization
- information
- method based
- 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.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005096 rolling process Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 2
- 238000012546 transfer Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明属于路径跟踪技术领域,尤其为一种基于分层优化的模型预测控制路径跟踪方法,包括以下步骤;S1,获取当前姿态信息,其中姿态信息包括坐标(x,y),航向角速度v,横摆角δ,期望路径信息由坐标(x,y)信息有限集合构成;S2,搭建车辆模型,其中车辆模型应准确反映实际车辆运行情况;S3,根据模型预测未来时刻的车辆运行状态,其中未来时刻为有限确定时间,且车辆运行状态清楚。本发明,能够在保证车辆稳定的前提下,使车辆在跟踪期望路径中保证准确输出期望转角,同时满足实际应用需求。
Description
技术领域
本发明涉及路径跟踪技术领域,具体为一种基于分层优化的模型预测控制路径跟踪方法。
背景技术
随路径跟踪是指在惯性坐标系中设定一条理想的几何路径,然后要求无人车从某一处出发,按照某种控制规律到达该路径上,路径跟踪技术是无人车自主行驶的重要组成部分。
模型预测控制算法在处理复杂、多变量和多约束的系统时能力较强,鲁棒性较高,且能够与自动驾驶技术中其他关键技术算法协同运作,能够真实准确的描述自动驾驶车行驶过程中的运动学与动力学约束,是较为理想的路径跟踪控制方法。传统的模型预测控制参数由模型与约束函数共同组成,针对于理论最优进行求解,其解为唯一解,在实际应用中对被控对象往往要求较高的灵活性,传统模型预测控制不能满足实际需求。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于分层优化的模型预测控制路径跟踪方法,解决了上述背景技术中所提出的问题。
(二)技术方案
本发明为了实现上述目的具体采用以下技术方案:
一种基于分层优化的模型预测控制路径跟踪方法,包括以下步骤;
S1,获取当前姿态信息,其中姿态信息包括坐标(x,y),航向角速度v,横摆角δ,期望路径信息由坐标(x,y)信息有限集合构成;
S2,搭建车辆模型,其中车辆模型应准确反映实际车辆运行情况;
S3,根据模型预测未来时刻的车辆运行状态,其中未来时刻为有限确定时间,且车辆运行状态清楚;
S4,求解分层优化方程,其中分层优化分为两层,分别为理论滚动优化层,与实际最优层,其中理论最优层代价函数为理想最优代价函数,实际最优层代价函数为实际需求代价函数;
S5,输出控制信息,其中控制信息包括控制车辆速度v,横摆角δ等控制车辆运行的信息。
进一步地,所述步骤S1中,姿态信息为真实准确信息,能够准确反应车辆状态。
进一步地,所述步骤S2中,车辆模型由运动学参数,力学参数共同搭建而成。
进一步地,所述步骤S3中,预测未来时刻有明确的预测时间与控制时间。
进一步地,所述步骤S4中,理论滚动优化层代价函数包括x轴误差最小,x轴变化量最小,y轴误差最小,y轴误差变化量最小,能量最小等条件约束共同组成。且代价函数有解。
进一步地,所述步骤S4中,实际最优层代价函数特征在于理论优化函数较为复杂不宜理论描述,不宜求解,实际需求变动较大,包括响应时间,驾驶体验,加速度等实际需求条件约束共同组成。且此约束条件可用其他方式进行描述。
进一步地,所述步骤S5中,车辆速度v为可控且速度控制满足上路需求,横摆角δ为可控且横摆控制满足转向需求。
(三)有益效果
与现有技术相比,本发明提供了一种基于分层优化的模型预测控制路径跟踪方法,具备以下有益效果:
本发明,能够在保证车辆稳定的前提下,使车辆在跟踪期望路径中保证准确输出期望转角,同时满足实际应用需求。
本发明,能够在增添实际应用需求约束函数过程中,简化最优求解的过程。同时,结合分层优化,将滚动优化与实际需求优化相结合,更好的满足实际应用需求。
附图说明
图1为本发明方法的整体流程图;
图2为本发明方法的步骤流程图;
图3为本发明基于分层优化的模型预测控制控制器示意图;
图4为本发明基于姿态信息所搭建的运动学模型示意图;
图5为本发明基于分层优化在不同参数下的仿真结果图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅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。
实施例
如图1-5所示,本发明一个实施例提出的一种基于分层优化的模型预测控制路径跟踪方法,包括以下步骤:如图3所示,
S1,获取当前姿态信息,其中姿态信息包括坐标(x,y),航向角速度v,横摆角δ,期望路径信息等;期望路径信息由坐标(x,y)信息有限集合构成,坐标(x,y)由唯一参考系确定,坐标(x,y)可确定唯一位置;期望路径信息由同一坐标系下的坐标集合组成,为车辆期望行驶路径;姿态信息使用传感器获取,且数据真实有效,用作反映车辆实时信息。
S2,搭建车辆模型;其中车辆模型应准确反映实际车辆运行情况,模型预测控制的第一步为模型的建立,模型的搭建影响模型预测控制的控制效果,车辆模型可从动力学,运动学定理进行搭建,下面以运动学模型搭建为例,在运动学模型中将车辆考虑为刚性系统,不考虑力学的影响,车辆左右侧轮胎在任意时刻都拥有相同的转向角度和转速,选取状态量横坐标x,纵坐标y,横摆角如图4所示:
车辆运动学方程:
选取状态量为控制量为u=[v,δ]T,则对于参考轨迹的任意一个参考点,用r表示,上式改写为:
对上式在参考点采用泰勒级数展开,忽略高阶项,求取雅可比矩阵,状态误差的变化量表示为:
整理得到离散化方程:
S3,根据模型预测未来时刻的车辆运行状态,其中未来时刻为有限确定时间,且车辆运行状态清楚,通过步骤S2建立的数学模型对其车辆未来时刻的状态进行预测,同时选取合适的未来时刻预测控制,通过当前车辆的状态量和未来车辆的预测输入量,来预测车辆未来时刻的输出量,同时为步骤S4的最优求解选取统一的参数变量。
S4,求解分层优化方程,其中分层优化分为两层,分别为理论滚动优化层,与实际最优层,其中理论最优层代价函数为理想最优代价函数,实际最优层代价函数为实际需求代价函数,第一层滚动优化,此步骤中用来计算最优的控制策略。它采用一个在有限的时域内滚动变化的指标,通过反复迭代和计算达到一个优化目标,具体来说,路径跟踪通过当前的时间点,将最优控制序列的第一项进行优化计算,然后再将整体的预测时域推后一个步长,为下一次的滚动优化做好准备工作,如此往复形成滚动优化,最终得出最优的控制策略。
选取输出方程:
选取新的状态向量:
新的状态空间表达式:
式中为Nu的单位矩阵。
输出方程为:
其中为Nx的单位矩阵。
预测时域Np,控制时域Nc,同时预测时域大于控制时域。预测时域的空间表达式为:
预测时域的输出方程为:
输出方程可表示为:
Y=Ψξ(k)+ΘΔU
其中
上述所定义的系统状态量为误差形式,系统输出量的期望值为0;系统输出量期望值表示为:
Yr=[ηr(k+1) ηr(k+2) … ηr(k+NC) … ηr(k+NP)]T
=[0 0 … 0 … 0]T
优化目标函数为:
J=YTQQY+ΔUTRRΔU
=ΔUT(ΘTQQΘ+RR)ΔU+2ETQQΘΔU+Const
式中E=Ψξ(k),Const为常数,/>为克罗内克积。
优化目标函数可表示为:
其中H=ΘTQQΘ+RR,g=ETQQΘ。
使用标准二次型规划表示:
对其进行求解,完成第一层优化。
第二层优化为实际最优优化,在求解第一层优化中得出状态变化趋于0的轨迹,求得唯一解。实际应用中有着较灵活的控制需求,基于此进行第二层优化
模型预测控制理论在控制理论中可以看作一复杂的传递函数,其中参数由模型与约束函数统一确定,这一传递函数用M(s)表示,M(s)由被控模型,约束函数,预测时长共同构成,选取参数可灵活整定的第二层优化传递函数,用N(s)表示,系统整体控制函数G(s)可表示为:
G(s)=M(s)N(s)
在本发明中以通用滤波器传递函数H(s)为例,H(s)有着反映原传递函数特征,参数灵活可调的特点,H(s)为:
其中Am,m1,m2…mm,n1,n2...nn均为常数,由实际需求确定。
本发明以二阶滤波器为例,针对阶跃响应进行仿真验证,通过修改滤波器参数便可得到不同控制效果的系统输出,如图5所示,不同参数下响应时间不同,上图响应时间为35步长时间,下图响应时间为51步长。
S5,输出控制信息,其中控制信息包括控制车辆速度v,横摆角δ等控制车辆运行的信息,通过上述步骤的计算得出系统输出结果,将其转换成小车可接收信息,本发明以速度v为例,通过控制车辆牵引力F来完成速度v的控制,如下图所示:
F=U(v)
其中U函数为v与F的关系,最终通过控制力的大小完成速度控制。
本发明的方法优点:本发明为模型预测控制控制方法提供了一种新的控制方案,其通过分层优化的模型预测控制,使模型预测控制参数易修改,更能满足实际需求,通过分层优化的模型预测控制路径跟踪算法,使路径跟踪有了更多的实用性,同时也很大程度上提高了模型预测控制的应用领域。
最后应说明的是: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,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。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 (7)
1.一种基于分层优化的模型预测控制路径跟踪方法,其特征在于:包括以下步骤;
S1,获取当前姿态信息,其中姿态信息包括坐标(x,y),航向角速度v,横摆角δ,期望路径信息由坐标(x,y)信息有限集合构成;
S2,搭建车辆模型,其中车辆模型应准确反映实际车辆运行情况;
S3,根据模型预测未来时刻的车辆运行状态,其中未来时刻为有限确定时间,且车辆运行状态清楚;
S4,求解分层优化方程,其中分层优化分为两层,分别为理论滚动优化层,与实际最优层,其中理论最优层代价函数为理想最优代价函数,实际最优层代价函数为实际需求代价函数;
S5,输出控制信息,其中控制信息包括控制车辆速度v,横摆角δ等控制车辆运行的信息。
2.根据权利要求1所述的一种基于分层优化的模型预测控制路径跟踪方法,其特征在于:所述步骤S1中,姿态信息为真实准确信息,能够准确反应车辆状态。
3.根据权利要求1所述的一种基于分层优化的模型预测控制路径跟踪方法,其特征在于:所述步骤S2中,车辆模型由运动学参数,力学参数共同搭建而成。
4.根据权利要求1所述的一种基于分层优化的模型预测控制路径跟踪方法,其特征在于:所述步骤S3中,预测未来时刻有明确的预测时间与控制时间。
5.根据权利要求1所述的一种基于分层优化的模型预测控制路径跟踪方法,其特征在于:所述步骤S4中,理论滚动优化层代价函数包括x轴误差最小,x轴变化量最小,y轴误差最小,y轴误差变化量最小,能量最小等条件约束共同组成。且代价函数有解。
6.根据权利要求1所述的一种基于分层优化的模型预测控制路径跟踪方法,其特征在于:所述步骤S4中,实际最优层代价函数特征在于理论优化函数较为复杂不宜理论描述,不宜求解,实际需求变动较大,包括响应时间,驾驶体验,加速度等实际需求条件约束共同组成。且此约束条件可用其他方式进行描述。
7.根据权利要求1所述的一种基于分层优化的模型预测控制路径跟踪方法,其特征在于:所述步骤S5中,车辆速度v为可控且速度控制满足上路需求,横摆角δ为可控且横摆控制满足转向需求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310497612.5A CN116501061A (zh) | 2023-05-06 | 2023-05-06 | 一种基于分层优化的模型预测控制路径跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310497612.5A CN116501061A (zh) | 2023-05-06 | 2023-05-06 | 一种基于分层优化的模型预测控制路径跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116501061A true CN116501061A (zh) | 2023-07-28 |
Family
ID=87316260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310497612.5A Pending CN116501061A (zh) | 2023-05-06 | 2023-05-06 | 一种基于分层优化的模型预测控制路径跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116501061A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117163050A (zh) * | 2023-10-11 | 2023-12-05 | 成都睿芯行科技有限公司 | 一种基于运动模型的预测控制算法 |
-
2023
- 2023-05-06 CN CN202310497612.5A patent/CN116501061A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117163050A (zh) * | 2023-10-11 | 2023-12-05 | 成都睿芯行科技有限公司 | 一种基于运动模型的预测控制算法 |
CN117163050B (zh) * | 2023-10-11 | 2024-03-22 | 成都睿芯行科技有限公司 | 一种基于运动模型的预测控制算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109884900B (zh) | 基于自适应模型预测控制的收获机路径跟踪控制器的设计方法 | |
CN111890350A (zh) | 机器人及其控制方法、计算机可读存储介质 | |
CN111597702B (zh) | 一种火箭着陆轨迹规划方法及装置 | |
CN112904728A (zh) | 一种基于改进型趋近律的机械臂滑模控制轨迹跟踪方法 | |
CN111258218B (zh) | 基于最大相关熵准则的智能车辆路径跟踪方法 | |
Kuang et al. | Simplified newton-based CEE and discrete-time fractional-order sliding-mode CEC | |
CN114967676A (zh) | 基于强化学习的模型预测控制轨迹跟踪控制系统及方法方法 | |
CN108873692B (zh) | 用于提供对复杂动力系统的优化控制的方法和系统 | |
CN108167802B (zh) | 低负荷下锅炉负荷的多模型智能寻优预测控制方法 | |
CN116501061A (zh) | 一种基于分层优化的模型预测控制路径跟踪方法 | |
CN114510063B (zh) | 一种无人履带车辆及其轨迹跟踪控制方法和系统 | |
CN116460860B (zh) | 一种基于模型的机器人离线强化学习控制方法 | |
CN110703692A (zh) | 一种基于虚拟结构法的多移动机器人分布式预测控制方法 | |
CN112947430B (zh) | 一种移动机器人的智能轨迹跟踪控制方法 | |
CN114802817A (zh) | 一种基于多飞轮阵列的卫星姿态控制的方法以及装置 | |
CN114889599A (zh) | 一种基于模型预测控制的自适应巡航控制算法 | |
CN114115276A (zh) | 一种基于在线分组优化模型预测的船舶动力定位控制方法 | |
CN106033189A (zh) | 飞行机器人位姿神经网络预测控制器 | |
CN116047888A (zh) | 一种基于bp神经网络pid的自平衡车的控制方法 | |
CN116088299A (zh) | 卫星天线混联运动机构神经网络反步控制方法 | |
CN110788859B (zh) | 一种控制器参数全域自适应调节系统 | |
CN110209190B (zh) | 一种卫星标称轨道无偏飞行控制的方法 | |
CN109794939B (zh) | 一种焊接机器人运动规划并行束方法 | |
Diwan et al. | Computationally efficient nonlinear model predictive controller using parallel particle swarm optimization | |
Wang et al. | A Robust Adaptive CMAC Neural Network-Based Multisliding Mode Control Method for Unmatched Uncertain Nonlinear Systems |
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 |