MPC Control
Модельне прогнозне керування (MPC) еволюціонувало від свого витоку як евристичний алгоритм керування, застосований у промислових процесах у 1970-х роках, у нову академічну дисципліну з багатим теоретичним і практичним змістом.
Прогнозне управління вирішує проблеми управління з вимогами оптимізації. За останні 30 років успіх інтелектуального керування в складних промислових процесах повністю продемонстрував його величезний потенціал для вирішення складних проблем оптимізації з обмеженнями.
Керування MPC – це-метод оптимізації замкнутого циклу-в реальному часі. Основною перевагою цього алгоритму є його ітераційна онлайн-операція, яка безперервно отримує поточні оптимальні контрольні величини. Крім того, він може встановлювати цільові функції для задоволення багатьох обмежень, таких як приводи транспортних засобів, занос і динаміка.
Однак його продуктивність відстеження дуже чутлива до точності прогнозної моделі. Крім того, через високі обчислювальні вимоги до передбачуваного керування нелінійною моделлю, воно непридатне для високо-середовища водіння.
Наразі багато дослідників лінеаризували нелінійні моделі транспортних засобів, але це забезпечує точність відстеження лише в межах лінійних областей транспортного засобу та шин.
Контролери MPC, також відомі як безперервні-контролери часової області, розглядають нелінійну динамічну модель системи керування та прогнозують вихідну поведінку системи протягом майбутнього інтервалу часу. Вирішуючи задачу обмеженого оптимального керування, система мінімізує помилку відстеження протягом майбутнього інтервалу часу, роблячи цей метод надійним.
Алгоритми прогнозного керування моделлю мають основні функції прогнозного моделювання, рухомої оптимізації та корекції зворотного зв’язку. Традиційні методи дослідження часто ігнорують або спрощують кінематичні та динамічні обмеження, однак такі обмеження значно впливають на продуктивність керування.
Методи прогнозованого керування моделлю можуть явно включати кінематичні та динамічні обмеження транспортного засобу в цільову функцію оптимізації.
Використовуючи функції постійної оптимізації та корекції зворотного зв’язку MPC, можна ефективно зменшити або навіть усунути вплив системних затримок із замкнутим-циклом. Крім того, інформація про майбутню траєкторію, надана в процесі планування, може бути використана для оптимізації управління рухом, тим самим підвищуючи ефективність керування.
Ван Вейран та ін. розроблено адаптивний прогнозний метод керування на основі функцій Лагерра.
Цей метод складається з двох частин: адаптивного модуля MPC для точного відстеження траєкторії та функціонального модуля Лагерра для значного скорочення обчислень.
В адаптивному модулі MPC введено рекурсивний алгоритм найменших квадратів для ідентифікації параметрів моделі системи, що покращує точність і стійкість системи. Однак, коли AUV працює в складних умовах, цей метод може призвести до значного збільшення обчислювального навантаження.
Тому у функції Лагерра введено реконструкцію вхідних змінних регулятора для зменшення порядку матриці цільової функції. Результати показують, що цей метод демонструє чудову продуктивність з точки зору динаміки, перешкодостійкості та надійності під час відстеження траєкторій АНПА зі зниженим обчислювальним навантаженням.
Адаптивна блок-схема MPC
Паден узагальнив чисті алгоритми відстеження, керування зворотним зв’язком переднього колеса, керування зворотним зв’язком заднього колеса, керування на основі-функції Ляпунова, керування лінеаризацією вихідного зворотного зв’язку та керування MOC з точки зору стабільності, складності часу, використання моделі та припущень.
Короткий опис різних контролерів Легенда*: Локальна експоненціальна стабільність (LES)