MPC控制

模型預(yù)測控制（Model predictive control，MPC）從上世紀70年代問世以來，已經(jīng)從最初在工業(yè)過程中應(yīng)用的啟發(fā)式控制算法發(fā)展成為一個具有豐富理論和實踐內(nèi)容的新的學(xué)科分支。

預(yù)測控制針對的是有優(yōu)化需求的控制問題，30多年來預(yù)測控制在復(fù)雜工業(yè)過程中所取得的成功，已充分顯現(xiàn)出其處理復(fù)雜約束優(yōu)化控制問題的巨大潛力。

MPC控制是一種實時的閉環(huán)優(yōu)化控制方法，該算法的優(yōu)點主要是反復(fù)在線進行，能夠不斷獲取當前最優(yōu)控制量，且可以通過建立目標函數(shù)來滿足車輛執(zhí)行機構(gòu)、側(cè)滑和動力學(xué)等多約束條件。

但其跟蹤性能對預(yù)測模型的精度很敏感，且由于非線性模型預(yù)測控制對計算性能的高要求，使其不適合高速駕駛環(huán)境。

目前許多研究者都將非線性車輛模型進行了線性化處理，但其只能保證控制器在車輛和輪胎的線性區(qū)域的跟蹤精度。

MPC控制器也叫做滾動時域控制器，該控制器考慮控制系統(tǒng)的非線性動力學(xué)模型并預(yù)測未來一段時間內(nèi)系統(tǒng)的輸出行為，通過求解帶約束的最優(yōu)控制問題，使得系統(tǒng)在未來一段時間內(nèi)的跟蹤誤差最小，這種方法魯棒性較強。

模型預(yù)測控制算法具備預(yù)測模型、滾動優(yōu)化和反饋校正基本特征。傳統(tǒng)的研究方法往往忽略或者簡化了運動學(xué)約束以及動力學(xué)約束，而這類約束對于控制性能有著顯著影響。

模型預(yù)測控制方法能夠通過優(yōu)化目標函數(shù)顯式地將車輛運動學(xué)和動力學(xué)約束納入考慮。

使用MPC的滾動優(yōu)化和反饋校正特性，能夠有效降低甚至消除閉環(huán)系統(tǒng)時滯問題所帶來的影響，并能夠結(jié)合規(guī)劃所給出的未來軌跡信息對運動控制進行優(yōu)化，提升控制性能。

Wang Weiran等人設(shè)計了一種基于拉蓋爾函數(shù)的自適應(yīng)預(yù)測控制方法。

該方法包括兩部分：一是用于精確跟蹤軌跡的自適應(yīng)MPC模塊；另一種是拉蓋爾函數(shù)模塊，用于顯著減少計算。

在自適應(yīng)MPC模塊中，引入遞歸最小二乘算法對系統(tǒng)的模型參數(shù)進行識別，以提高系統(tǒng)的精度和魯棒性。然而，當AUV在復(fù)雜的環(huán)境中工作時，這種方法可能會導(dǎo)致計算量的大量增加。

因此，在拉蓋爾函數(shù)中，引入控制器輸入變量的重構(gòu)來降低目標函數(shù)的矩陣階。結(jié)果表明，該方法在計算量較少的AUV跟蹤軌跡時，在動態(tài)、抗干擾和魯棒性等方面都具有良好的性能。

圖2-6 自適應(yīng)MPC方框圖

Paden對純追蹤算法、前輪反饋控制、后輪反饋控制、基于Lyapunov函數(shù)的控制、輸出反饋線性化控制以及MOC控制從穩(wěn)定性、時間復(fù)雜度、使用模型以及假設(shè)使用前提作出了總結(jié)，如表2-2所示。

表2-2 多種控制器的總結(jié) Legend* ： 局部指數(shù)穩(wěn)定性（local exponential stability ，LES）