模型预测控制（MPC）简介及matlab实现
模型预测控制（MPC）简介及matlab实现
- 基本概念
- MPC算法 整体流程
- 数学建模
- 线性模型
- MPC与PID的区别
- Matlab实现MPC函数
基本概念
全称：Model-based Predictive Control(MPC)—模型预测控制
本质：MPC利用一个已有的模型、系统当前的状态和未来的控制量，来预测系统未来的输出，然后与我们期望的系统输出做比较，得到代价函数，通过优化的方法，优化出未来控制量，使得代价函数最小。优化出来的控制量即算法的输出。
核心思想：以优化方法求解最优控制器，其中优化方法大多时候采用二次规划（Quadratic Programming）
控制输出：MPC控制器优化得到的控制输出也是系统在未来有限时间步的控制序列。 当然，由于理论构建的模型与系统真实模型都有误差，所以，实际上更远未来的控制输出对系统控制的价值很低，故MPC仅执行输出序列中的第一个控制输出。
模型分类：
- 机理模型
- 基于数据的模型，例如用神经网络训练一个modle，使用基于数据的模型的MPC可以结合model based RL使用
预测：根据已有模型，已经未来有限时间步的控制序列，预测出未来的系统状态
控制：优化的控制量，是一个未来有限时间步的控制序列
预测区间（Predictive Horizon）：
对于一般的离散化系统，在k时刻，我们可以测量出系统的当前状态y(k),再通过优化计算得到u(k),u(k+1),u(k+2),u(k+j),根据模型与控制量，得到系统未来状态的估计值y(k),y(k+1),y(k+2),y(k+j)。
其中系统未来状态的估计值y(k),y(k+1),y(k+2),y(k+j)这部分就称为预测区间的系统预测值，指的是一次优化后预测未来输出的时间步的个数
控制区间（Control Horizon）
将控制估计的部分称为控制区间，通过优化计算得到u(k),u(k+1),u(k+2),u(k+j)这部分就称为控制区间的控制量，
在得到最优输入之后，我们只施加当前时刻的输入u(k)，即控制区间的第一位控制输入
区间参数配置：
过小的控制区间，可能无法做到较好的控制，而较大的控制区间，比如与预测区间相等，则会导致只有前一部分的控制范围才会有较好的效果，而后一部分的控制范围则收效甚微，而且将带来大量的计算开销。
约束：对于约束，一般分为：
- Hard约束：物理性质的约束，不可以违背，例如方向盘的转向，刹车的深度
- Soft约束：软件约束，可以违反，例如最大的速度
MPC 优点：
- 善于处理多输入多输出系统（MIMO）
- 可以处理约束，如安全性约束，上下阈值
- 是一种向前考虑未来时间步的有限时域优化方法（一定的预测能力）
控制框图：
MPC算法 整体流程
模型预测控制在k时刻共需三步
第一步：获取系统的当前状态；
第二步：基于u(k),u(k+1),u(k+2),u(k+j)进行最优化处理，代价函数为
其中EN 表示误差的终值，也是衡量优劣的一种标准。第三步：只取u ( k )作为控制输入施加在系统上。
在下一时刻重复以上三步，在下一步进行预测时使用的就是下一步的状态值，我们将这样的方案称为滚动优化控制（Receding Horizon Control）。
数学建模
线性模型
当模型是线性的时候，MPC的设计求解一般使用二次规划方法。
设线性模型为以下形式：
假定未来m步的控制输入已知u(k),u(k+1),u(k+2),u(k+m),根据以上模型与输入，我们可以计算未来m步的状态：
将上面m步写成矩阵向量形式：
其中，
上式B中的下三角形式，直接反映了系统在时间上的因果关系，即k + 1时刻的输入对k 时刻的输出没有影响，k+2时刻的输入对k和k+1时刻没有影响。
假定参考轨迹为
则MPC的一个简单的目标代价函数如下：
uTRu 这一项是为了让控制输入不会太大，因此代价函数中添加了一项对控制量的约束。
将状态方程带入代价函数，变量仅剩u,以上最优化问题可用二次规划方法求解，得到满足目标代价函数的最优控制序列
MPC与PID的区别
- PID控制器不具有“前瞻性”：参与计算的各个量，有当前的 ，上个控制周期的 ，以及之前所有的 累计和，没有未来的 。
- PID属于无模型控制。PID仅仅通过目标和当前状态的差距，以及三个控制参数，就输出控制量
Matlab实现MPC函数
function [M,C,Q_bar,R_bar,G,E,H,U_k] = MPC_Zero_Ref(A,B,N,x_k,Q,R,F)%%%%%%%%%%%建立一个以0为参考目标的MPC求解函数
%%%%%%%%%%%其中，状态矩阵A，输入矩阵B系统维度N，初始条件x_k,权重矩阵Q,R及终端误差矩阵F为输入
%%%%%%%%%%%输出中U_k为所求控制器，其余为简化过程中引入的中间变量n=size(A,1); %A是n×n矩阵，求n
p=size(B,2); %B是n×p矩阵，求p
M=[eye(n);zeros(N*n,n)];%初始化M矩阵，M矩阵是(N+1)n × n的，%它上面是n × n个“I”，这一步先把下半部分写成0
C=zeros((N+1)*n,N*p);%初始化C矩阵，这一步令它有(N+1)n × NP个0
%定义M和C
tmp=eye(n);%定义一个n × n的I矩阵
for i=1:N%循环，i从1到Nrows = i*n+(1:n);%定义当前行数，从i×n开始，共n行C(rows,:)=[tmp*B,C(rows-n,1:end-p)];%将C矩阵填满tmp=A*tmp;%每一次将tmp左乘一次AM(rows,:)=tmp;%将M矩阵写满
end
%定义Q_bar
S_q=size(Q,1);%找到Q的维度
S_r=size(R,1);%找到R的维度
Q_bar=zeros((N+1)*S_q,(N+1)*S_q);%初始化Q_bar为全0矩阵
for i=0:NQ_bar(i*S_q+1:(i+1)*S_q,i*S_q+1:(i+1)*S_q)=Q;%将Q写到Q_bar的对角线上
end
Q_bar(N*S_q+1:(N+1)*S_q,N*S_q+1:(N+1)*S_q)=F;%将F放在最后一个位置%定义R_bar
R_bar=zeros(N*S_r,N*S_r);%初始化R_bar为全0矩阵
for i=0:N-1R_bar(i*S_r+1:(i+1)*S_r,i*S_r+1:(i+1)*S_r)=R;
end%求解
G=M'*Q_bar*M;%G
E=C'*Q_bar*M;%E
H=C'*Q_bar*C+R_bar;%H
%最优化
f=(x_k'*E')';%定义f矩阵
U_k=quadprog(H,f);%用二次规划求解最优化U_k
end
模型预测控制（MPC）简介及matlab实现相关推荐
- 模型预测控制_模型预测控制(MPC)算法之一MAC算法
引言 随着自动驾驶技术以及机器人控制技术的不断发展及逐渐火热,模型预测控制(MPC)算法作为一种先进的控制算法,其应用范围与领域得到了进一步拓展与延伸.目前提出的模型预测控制算法主要有基于非参数模型的 ...
- 基于扩展卡尔曼滤波EKF和模型预测控制MPC，自动泊车场景建模开发
基于扩展卡尔曼滤波EKF和模型预测控制MPC,自动泊车场景建模开发,文复现. MATLAB 基于扩展卡尔曼滤波EKF和模型预测控制MPC,自动泊车场景建模开发,文复现. MATLAB(工程项目线上支持 ...
- Apollo代码学习(六)—模型预测控制(MPC)_follow轻尘的博客-CSDN博客_mpc代码
Apollo代码学习(六)-模型预测控制(MPC)_follow轻尘的博客-CSDN博客_mpc代码
- 基于模型预测控制(MPC)的悬架系统仿真分析
目录 前言 1.悬架系统 2.基于MPC的悬架系统仿真分析 2.1 simulink模型 2.2仿真结果 2.2.1 随机C级路面 2.2.2 正弦路面 2.3 结论 3 总结 前言 模型预测控制是无 ...
- 无人车系统（十一）：轨迹跟踪模型预测控制(MPC)原理与python实现【40行代码】
前面介绍的PID,pure pursuit方法,Stanley方法都只是利用当前的系统误差来设计控制器.人们对这些控制器的设计过程中都利用了构建模型对无人车未来状态的估计(或者说利用模型估计未来的运动 ...
- 【控制control】机器人运动控制器----基于模型预测控制MPC方法
系列文章目录 提示:这里可以添加系列文章的所有文章的目录,目录需要自己手动添加 TODO:写完再整理 文章目录 系列文章目录 前言 一.模型预测控制(MPC)的介绍及构成 1.介绍 2.构成 二.模型 ...
- 【附C++源代码】模型预测控制(MPC)公式推导以及算法实现，Model Predictive control介绍
2022年的第一篇博客,首先祝大家新年快乐! 提示:本篇博客主要集中在对MPC的理解以及应用.这篇博客可以作为你对MPC控制器深入研究的一个开始,起到抛砖引玉,带你快速了解其原理的作用. 这篇博客将介 ...
- MPC模型预测控制（二）-MATLAB代码实现
update:MPC的QQ群 第一个群已经满500人(贫穷使我充不起鹅厂会员),这是第二个群. 群都满了. https://blog.csdn.net/tingfenghanlei/article/d ...
- 差分轮移动机器人模型预测控制MPC
模型预测控制(MPC)与PID.纯追踪法相比有更好的路径跟踪效果,在自动驾驶领域有广泛应用.本文将以运动学为基础详细推导差分轮移动机器人模型预测控制(MPC) 运动学模型 根据移动机器人的运动学结构可 ...
- 了解模型预测控制2--什么是模型预测控制(MPC)
本节,我们将讨论模型预测控制器的工作原理. 在控制问题中,控制器的目标是计算被控对象的输入,使得被控对象输出遵循期望的参考信号.模型预测控制器计算此输入的策略是预测未来. ...
最新文章
- 想学python有什么用-我们为什么要选择学习python？学习python有什么用？
- 《Fabric 云存储的电子健康病历系统》（2）病历结构体 Records
- 记录一下LabelImg实际绘制框颜色的位置
- wireshark应用--wireshark原来那么简单
- IDL读取TXT文件并写入二维数组中【转】
- Spring Boot(4)---入门：安装Spring Boot
- java 内部类定于_搞懂 JAVA 内部类
- C# DllImport用法和路径问题
- 这一小点程序员务实的调整，可以避免整个开发团队的崩溃
- 服务提供者框架讲解 之 myJDBC
- Hotel 旅馆 题解(From luoguBlog)
- PDF格式分析（六十五） Text 文字——字体数据结构
- 飞控中的一些知识点总结
- Mac 常用的 20 款效率神器推荐
- 【Dll调试】DLL调试方法
- python extension package_Python Extension Packages for Windows所有包下载
- python求幂_python 求幂
- 服务器接上显示器后没信号,为什么显示器无信号电脑显示器无信号的解决办法...
- C# 移除富文本多余标签
- C语言 break语句