此示例示出了如何设计使用非线性模型预测控制器块以下车道控制器。在这个例子中,你:
设计行车以下非线性MPC控制器(NLMPC)。
比较了NLMPC和自适应MPC的性能。
车道之后的系统是一种控制系统,其使车辆沿着高速公路车道的中心线行进,同时保持用户设定的速度。在下图中描绘了道路之后的情况。
车道跟随系统操纵车辆的纵向加速度和前转向角度,以:
保持横向偏差和相对偏航角小。
保持纵向速度接近驾驶员设定的速度。
平衡时,他们不能同时满足上述两个目标。
在车道保持的一个单独的例子辅助,假定的纵向速度是恒定的。有关更多信息,请参见使用模型预测控制的车道保持辅助系统.在这个例子中,由于纵向加速度在这个MIMO控制系统中是不同的,所以放宽了这个限制。
另一个例子是通过间距控制增强车道跟踪系统,与检测到的前车保持安全距离。有关更多信息,请参见使用传感器融合和车道检测控制后巷道.
打开Simulin万博1manbetxk模型。
MDL ='lanefollownmpc';Open_System(MDL)
该模型包含四个主要组成部分:
车辆动力学:应用自行车模式横向车辆动态,并使用时间常数近似纵向动态.
传感器动力学:近似传感器,如摄像机,以计算横向偏差和相对偏航角。
车道追踪控制器:模拟非线性MPC和自适应MPC。
曲率预览器:在MPC控制器的预测地平线上检测当前时间步骤的曲率和曲率序列。
车辆动态和传感器动力学在更详细地讨论的具有传感器融合的自适应巡航控制.本实施例中适用于车辆和传感器动力学相同的模型。
必要的车辆动力学和道路曲率参数使用的定义LaneFollowingUsingNMPCData
脚本是PreLoadFcn
模型的回调。
对于NLMPC连续时间预测模型具有以下状态和输出方程。状态方程中定义LaneFollowingStateFcn
.
预测模型包括未测量的干扰(UD)模型。该UD模型描述了遭遇类型未测量的干扰NLMPC预计,并拒绝在工厂。在这个例子中,UD模型是具有其输入端的积分器假设为白噪声。其输出被加到相对偏航角。因此,控制器期望的随机阶梯状未测量的干扰发生在相对偏航角输出和制备,当它发生拒绝它。
创建与具有七个状态,三个输出,和两个输入的预测模型中的非线性的MPC控制器。该模型有两个MV信号:加速和转向。道路曲率和纵向速度的乘积被建模为测量的干扰,并且未测量的干扰是由白噪声建模。
nlobj = nlmpc(7,3,“MV”,[1 2],'MD',3,'ud'4);
在标准的成本函数,零个权重是通过默认,因为有比的MV OVS少施加到一个或多个OVS。
指定控制器采样时间,预测地平线和控制地平线。
nlobj.ts = ts;nlobj.predictionhorizon = 10;nlobj.controlhorizon = 2;
指定非线性对象模型的状态函数及其雅可比矩阵。
nlobj.model.statefcn = @(x,u)lanefollowingstatefcn(x,u);nlobj.jacobian.statefcn = @(x,u)lanefollowingstatejacfcn(x,u);
指定非线性对象模型的输出函数及其雅可比矩阵。输出变量为:
纵向速度
横向偏差
偏航角和偏航角输出扰动之和
nlobj.Model.OutputFcn = @ (x, u) [x (3); (5), (6) + x (7)];nlobj.Jacobian.OutputFcn = @(x,u) [0 0 1 0 0 0;0 0 0 0 0 0;0 0 0 0 1 1];
设置操作变量的约束。
nlobj.MV(1)。最小值= 3;%最大加速度3 m/s^2nlobj.mv(1).max = 3;%最小加速度-3米/秒^ 2nlobj.MV(2).Min = -1.13;%最小转向角-65nlobj.MV(2)最大= 1.13;%最大转向角65
设置比例因子。
nlobj.OV(1)。ScaleFactor = 15;纵向速度的%典型值nlobj.OV(2).ScaleFactor = 0.5;用于横向偏差%范围nlobj.OV(3).ScaleFactor = 0.5;相对偏航角的%范围nlobj.MV(1)。ScaleFactor = 6;转向角范围nlobj.MV(2)。ScaleFactor = 2.26;加速度范围nlobj.MD(1)。ScaleFactor = 0.2;%曲度的范围
在标准MPC成本函数中指定权重。第三个输出,偏航角,允许浮动,因为只有两个操纵变量使它成为正方形系统。在这个例子中,只要第二个输出(横向偏差)在稳态时达到0,偏航角就没有稳态误差。
nlobj.Weights.OutputVariables = [1 1 0];
惩罚加速度变化更平稳的驾驶体验。
nlobj.Weights.ManipulatedVariablesRate = [0.3 0.1]。
方法在任意操作点验证预测模型函数validateFcns
命令。在这个操作点:
X0.
包含状态值。
情况
包含输入值。
ref0.
包含输出参考值。
MD0
包含测量的干扰值。
X0 = [0.1 0.5 25 0.1 0.1 0.001 0.5];U0 = [0.125 0.4];Ref0 = [22 0 0];md0 = 0.1;validateFcns (nlobj x0,情况,md0, {}, ref0);
模型。StateFcn就可以了。雅可比矩阵。StateFcn就可以了。模型。OutputFcn就可以了。雅可比矩阵。OutputFcn就可以了。分析了用户提供的模型、成本和约束功能。
在这个例子中,扩展卡尔曼滤波器(EKF)提供的7个州状态估计。用于EKF状态转换函数定义在lanefleadingekfstatefcn.
,测量函数定义在LaneFollowingEKFMeasFcn
.
在本实例中,利用路径跟踪控制系统模块设计了自适应MPC (AMPC)控制器。该控制器采用线性模型进行车辆动力学分析,并随纵向速度的变化在线更新模型。
在实践中,只要一个线性控制解决方案,如自适应MPC或增益调度MPC可以实现对非线性MPC相媲美的操控性能,你会因为它是计算效率更高实现线性控制解决方案。
为了比较NLMPC和AMPC的结果,模拟模型并保存记录的数据。
首先,使用非线性MPC模拟模型。为此,设置controller_type.
来1
.
controller_type = 1;Sim (mdl) logsout1 = logsout;
其次,使用自适应MPC对模型进行仿真。为此,设置controller_type.
来2
.
controller_type = 2;SIM(MDL)logsout2 = logsout;
假设没有添加到测量的输出通道#1中的干扰。假设没有添加到测量的输出通道#2中的干扰。- >假设添加到测量的输出干扰,输出通道#3是集成的白噪声。- >“MPC”对象的“Model.Noise”属性为空。假设每个测量的输出通道上的白噪声。
绘图并比较仿真结果。
LaneFollowingCompareResults (logsout1 logsout2)
在第一个图中,非线性MPC和自适应MPC给出几乎相同的转向角度剖面。在机动过程中,横向偏差和相对偏航角接近于零。这一结果表明车辆正沿着所期望的路径行驶。
非线性和自适应MPC的纵向控制指令和性能略有不同。非线性MPC控制器具有更平滑的加速度指令和更好的速度跟踪,尽管自适应MPC的结果也可以接受。
您还可以通过在模型输出和输入的作用域查看结果。
设置控制器类型非线性MPC。
controller_type = 1;
这个例子显示了如何设计车道以下非线性模型预测控制器。使用非线性的MPC和MPC自适应的性能进行了比较。您可以根据建模信息和计算能力为应用程序选择非线性MPC或适应性MPC。
bdclose(MDL)