源自：《無人駕駛無人駕駛車輛模型預測控制》——龔建偉

參考：https://wenku.baidu.com/view/8e4633d519e8b8f67c1cb9fa.html

0.車輛模型

汽車的車輪轉角為δf

分別做垂直于后輪和前輪的射線，這兩根射線會交于O點，兩輪模型會繞O點進行運動，在短時間dt內，可以認為O點不動。連接O點和汽車的質心成一條線段，實際汽車的運動方向v將垂直于該線段。運動方向ψ與車身方向所成的夾角β，這個角度一般稱為偏航角。

β 可以由如下公式計算求得

假設t時刻的汽車的狀態為xt，yt，經過dt時間后的t+1時刻，狀態為xt+1，yt+1，則他們之間的關系為

根據以上理論即可在丟失定位信息后的短時間內，依靠自身的傳感器信息，進行位置和位姿估計。

1.基本原理

已知(輸入)：一條期望參考軌跡；當前k時刻的測量值；

設計：預測模型

目標：預測未來一段時域內[k,k+Np]，系統的輸出

方法：對這段時域內施加一系列控制序列4(k+1時刻的值為實際控制量)

總結起來就是：預測模型；滾動優化；反饋校正

2.控制原理框圖

控制過程：

預測模型+目標函數+約束條件——>最優控制序列——>被控平臺

被控平臺響應

獲取狀態觀測值x(t)——>狀態估計器(卡爾曼濾波器、粒子濾波等)——>回到第一步，循環

3.常用模型

3.1 動態矩陣控制DMC

3.2 模型算法控制MAC

3.3 廣義預測控制GPC

4.模型算法控制 MAC

參考：https://www.cnblogs.com/yrm1160029237/p/10087315.html

http://www.docin.com/p-1186007480.html

目的：使系統的輸出沿著預先給定的參考軌跡逐漸到達設定值。

算法組成：預測模型、反饋校正、參考軌跡、滾動優化

其預測模型輸出由兩部分組成：過去已知控制量產生的預測模型輸出、由現在和未來控制量產生的預測模型輸出。

4.1 MAC算法原理圖

4.2 MAC在線計算程序流程圖

1.模型

預測模型：

，P-預測時域；

假設：

，M—控制時域

于是，P步預測值：

從而：

反饋校正

當前過程的測量值-模型計算值的差，來修正：

設定值(目標點)跟蹤——>參考軌跡

最優控制

5.動態矩陣控制 DMC

算法組成：階躍響應模型預測、反饋校正、滾動優化

其預測模型輸出由兩部分組成：待求解的未知控制增量產生的輸出值、過去控制量產生的已知輸出初值。

DMC算法原理圖：

DMC在線計算程序流程圖：

MPC算法的特點

模型要求不高，不需要深入的了解過程內部機理；

適用約束條件、大純滯后、非最小相位及非線性等過程；

滾動優化策略能彌補外部因素引起的不確定性，動態性能較好；

缺點：不能描述不穩定系統，不適用于不穩定對象；系統模型在線辨識比較困難。

參考：https://blog.csdn.net/sinat_41842926/article/details/82995065

6.滾動優化

參考：https://blog.csdn.net/AdamShan/article/details/79083755

7.反饋校正

7.1 KF/EFK

7.2 粒子濾波

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的python预测控制_无人驾驶——4.控制之MPC模型预测控制的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。