CN112764347B - 一种基于最大相关熵准则的智能车辆路径跟踪方法 - Google Patents
一种基于最大相关熵准则的智能车辆路径跟踪方法 Download PDFInfo
- Publication number
- CN112764347B CN112764347B CN202110015739.XA CN202110015739A CN112764347B CN 112764347 B CN112764347 B CN 112764347B CN 202110015739 A CN202110015739 A CN 202110015739A CN 112764347 B CN112764347 B CN 112764347B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- matrix
- control
- representing
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开了一种基于最大相关熵准则的智能车辆路径跟踪方法，提出了一种基于MCC的MPC路径跟踪模型，并推导相关快速算法对该模型进行求解，以此来解决了车辆路径跟踪过程中存在定位漂移和噪声的问题，并很好的解决了优化求解时需要转化成QP形式的问题，加速了控制量的迭代更新，极大地提高了算法的鲁棒性，使得智能无人车辆在路径跟踪过程中更加有效。
Description
技术领域
本发明属于智能车辆路径跟踪控制技术领域，具体涉及一种基于最大相关熵准则的智能车辆路径跟踪方法的设计。
背景技术
在智能车辆***中，路径跟踪***是其非常核心的一个子***，它的任务就是控制车辆在尽可能小的误差下跟踪上已规划好的轨迹。目前路径跟踪控制常用的方法有PID控制、滑模变结构控制、自适应控制等等。
PID控制是在工业控制领域应用非常广泛的一种控制算法，这种方法具有不需要搭建模型的优势，但其控制参数需要一次次不断的试验试凑出来，这是一项枯燥繁琐耗时的工作，当车速发生变化时，当前的控制参数就不适合控制车速，需要再一次试凑控制参数。所以PID虽然简单但对车速的适应性极差，其他车辆参数或道路环境参数对PID控制的影响也很大。
滑模变结构控制是一类特殊的非线性控制，其非线性表现为控制的不连续性，这种控制策略与其它控制的不同之处在于***的“结构”并不固定，而是可以在动态过程中根据***当前的状态(如偏差及其各阶导数等)有目的地不断变化，迫使***按照预定“滑动模态”的状态轨迹运动。由于滑动模态可以进行设计且与对象参数及扰动无关，这就使得变结构控制具有快速响应、对参数变化及扰动不灵敏、无需***在线辩识，物理实现简单等优点。该方法的缺点在于当状态轨迹到达滑模面后，难于严格地沿着滑模面向着平衡点滑动，而是在滑模面两侧来回穿越，从而产生颤动，即抖振问题，这就导致很难保证车辆在较强跟踪能力下的稳定性。
自适应控制方法就是需要***具有很强的实时学习能力，通过反馈来调整***的控制率，然后再用反馈作用后的控制率对整个***进行控制，通过不断的反馈调节来实现***的渐进稳定。但是这种方法在计算与公式推导上都比较复杂，对其他条件的要求比较高，实现起来较为困难，并且模型误差与扰动因素等不确定因素对***的影响很大，所以车辆的控制稳定性往往很差。
发明内容
本发明的目的是为了解决智能无人驾驶车辆在路径跟踪控制的过程中自身状态常存在冲击噪声或局外点干扰(如GPS定位漂移、传感器信息不准确等)的问题，提出了一种基于最大相关熵准则的智能车辆路径跟踪方法，能够有效的抑制或消除来自噪声或局外点的影响，从而实现车辆的稳定路径跟踪，并采用了一种新的快速迭代求解算法，解决了传统优化问题在求解时需要转化为QP(Quadratic Programming，二次规划)形式的问题。
本发明的技术方案为：一种基于最大相关熵准则的智能车辆路径跟踪方法，包括以下步骤：
S1、建立智能车辆的车辆运动学模型。
S2、将车辆运动学模型离散化，得到预测时域方程。
S3、对预测时域方程进行优化，得到MPC问题。
S4、采用最大相关熵准则建立MPC问题模型。
S5、求解MPC问题模型，实现对智能车辆的路径跟踪。
进一步地，步骤S1中智能车辆的车辆运动学模型基于以下假设：
假设一：只考虑车辆在X-Y水平面方向的运动而忽略车辆在Z轴方向的运动。
假设二：车辆左右轮子在转向时转角相同，因而在建模时可以合并为一个轮子。
假设三：车速变化较慢，可以忽略前后轴的负载转移。
假设四：车体和悬挂***是刚性的。
进一步地，步骤S1具体为：
在惯性坐标系下，建立智能车辆的车辆运动学模型为：
其中(Xr,Yr)为车辆后轴轴心坐标，为车辆的航向角，δf为车辆前轮偏角，l为车辆轴距，vr为车辆后轴中心速度，参数上的符号“·”表示该参数的一阶导数。
将车辆运动学模型表示为一般形式：
其中状态量控制量u＝[vr,δf]T，f(·)表示车辆运动学模型函数。
参考***的任意时刻的状态和控制量满足：
在任意参考点(Xr,ur)处，对公式(2)进行泰勒展开，只保留一阶项，得到：
其中Jf(X)为f(X,u)相对于状态量X的雅各比矩阵，Jf(u)为f(X,u)相对于控制量u的雅各比矩阵，ur表示参考点的控制量。
将公式(4)与公式(3)相减得到车辆运动学模型的最终表示形式：
其中表示当前状态量与参考状态量的差，/>表示当前控制量与参考控制量的差，A(t)＝Jf(x)表示状态量X的雅各比矩阵，B(t)＝Jf(u)表示控制量u的雅各比矩阵。
进一步地，步骤S2具体为：
根据车辆运动学模型构建智能车辆的离散线性模型为：
x(k+1)＝Akx(k)+Bku(k) (6)
其中Ak＝A(t)T+I表示A(t)离散化后的矩阵，Bk＝B(t)T表示B(t)离散化后的矩阵，I为单位矩阵，T为离散时间，x(k)表示当前状态量，u(k)表示当前控制量。
令：
其中ξ(k|k)表示人为设置的状态参数在离散线性模型中引入的控制增量，x(k|k)表示当前状态量，u(k-1|k)表示上一时刻的控制量。
将公式(6)表述为它的等价形式：
其中η为输出量，为三阶单位矩阵，/>分别为Ak,Bk,Ck的增广矩阵。
假设预测时域为Np，控制时域为Nc，得到预测状态参数ξ(k+Np|k)和输出η(k+Np|k)的表达式分别为：
其中Δu(k|k)为当前时刻控制增量，令：
其中y表示预测时域内的输出矩阵，ψk表示预测时域内的状态系数矩阵，Δuk表示预测时域内的控制序列，Θk表示预测时域内的控制增量矩阵，则预测时域方程的紧凑形式表示为：
y＝ψkξ(k|k)+ΘkΔuk (13)
进一步地，步骤S3具体为：
根据预测时域方程，得到整个预测时域的期望输出yref为：
其中ηref(k+1|k)表示下一时刻的参考输出量，根据整个预测时域的期望输出得到MPC问题表示为：
其中umin表示控制增量的最小值，umax表示控制增量的最大值，ulb表示控制总量的最小值，uub表示控制总量的最大值，Q表示输出量误差的权重矩阵，R表示控制增量的权重矩阵。
进一步地，步骤S4具体为：
将最大相关熵准则作为距离矩阵，建立MPC问题模型为：
其中σ表示控制带宽的内核函数参数。
根据公式(11)和公式(12)将MPC问题模型表示为：
其中ek表示误差矩阵，ek＝yref-ψkξ(k|k)，eki,Θki,ψki分别为矩阵ek,Θk,ψk的行块，即：
Δuk＝[Δu(k|k)T,Δu(k+1|k)T,…,Δu(k+Nc-1|k)T]T
为控制总量的最小值，/>为控制总量的最大值，/>是块元素为R的块对角矩阵，B是块元素为1＝[1,1]T的下三角块矩阵。
简化约束后，将MPC问题模型表示为如下形式：
其中A＝[BT,-BT]T表示Δuk的系数矩阵，表示控制总量的限制条件。
进一步地，步骤S5包括以下分步骤：
S51、对MPC问题模型加入惩罚项得到其简化形式：
其中ρ为松弛因子，[·]+表示一个函数，当其中每个元素均大于0时则函数值为0。
S52、采用半二次技术对MPC问题模型的简化形式进行重建。
S53、采用BCU加速迭代方法求解重建后的MPC问题模型，实现对智能车辆的路径跟踪。
进一步地，步骤S52具体为：
令使得/>满足：
其中表示半二次技术特性函数，z,x均表示函数自变量，sup{·}表示上界函数。
设得到公式(20)取极大值时z＝-exp(-x)，则有：
其中pi表示函数自变量z的改写形式，令：
其中表示函数自变量序列，JHQ(·)表示MPC问题模型简化形式的函数，OMCC(·)表示MPC问题模型简化形式第一项的函数，则将公式(19)重建为：
进一步地，步骤S53中的BCU加速迭代方法具体为：
A1、设置Δuk和p的迭代更新式：
其中上标t表示迭代次数，Du为的可行域，/>为/>关于/>的Lipschitz常数，/>表示求/>关于/>的梯度。
ωt表示权重系数且ωt∈[0,1)，表示有关ωt的一个推测点。
A2、设置迭代次数t＝0，初始化设置为/>的可行域，选取一个正值δω<1，并根据/>设置p0：
其中映射pi＝Γ(Δuk)定义为：
A3、判断算法是否收敛，若是则输出得到控制增量Δuk，否则进入步骤A4。
A4、通过矩阵计算得到梯度：
对于任意和/>有：
其中表示Δuk迭代更新式的简化项，||·||M2为谱范数，其值为其中元素的最大奇异值，则根据公式(31)计算得到/>的Lipschitz常数为：
同时设置权重系数ωt为：
其中表示迭代计算的权重系数，at表示每一次迭代的变量。
A5、根据Lipschitz常数和权重系数ωt，由公式(25)计算得到/>
A6、采用更新算法更新得到
A7、判断是否满足若是则设置/>并返回步骤A6，否则进入步骤A8。
A8、根据公式(27)更新得到pt+1。
A9、令迭代次数t加1，返回步骤A3。
进一步地，步骤A6中的更新算法具体为：
B1、根据公式(24)得到：
其中表示Δuk迭代更新式的简化项。
B2、令emin＝Δu-umin,emax＝Δu-umax，并设置迭代次数i＝1。
B3、若(emin)i<0，则令(Δu)i＝(umin)i，否则若(emax)i>0，则令(Δu)i＝(umax)i。
B4、判断迭代次数i是否达到上限d，若是则进入步骤B5，否则令迭代次数i加1，返回步骤B3。
B5、输出(Δu)d作为
本发明的有益效果是：本发明提出了一种基于MCC的MPC路径跟踪模型，并推导相关快速算法对该模型进行求解，以此来解决了车辆路径跟踪过程中存在定位漂移和噪声的问题，并很好的解决了优化求解时需要转化成QP形式的问题，加速了控制量的迭代更新，极大地提高了算法的鲁棒性，使得智能无人车辆在路径跟踪过程中更加有效。
附图说明
图1所示为本发明实施例提供的一种基于最大相关熵准则的智能车辆路径跟踪方法流程图。
图2所示为本发明实施例提供的简化前轮转向车辆运动学模型示意图。
具体实施方式
现在将参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。
本发明实施例提供了一种基于最大相关熵准则的智能车辆路径跟踪方法，如图1所示，包括以下步骤S1～S5：
S1、建立智能车辆的车辆运动学模型。
对于路径跟踪问题，不仅要知道车辆的位置信息，车辆的动态状态也是很重要的。运动学从几何的角度研究目标的运动特性，包括目标在时空中的位置和速度的改变。因此，车辆运动学模型能够反映车辆位置、速度和加速度之间的关系。建立模型的时候，模型在反映车辆运动特性的同时应该尽可能的简单，本发明实施例中基于以下假设采用自行车模型：
假设一：只考虑车辆在X-Y水平面方向的运动而忽略车辆在Z轴方向的运动。
假设二：车辆左右轮子在转向时转角相同，因而在建模时可以合并为一个轮子。
假设三：车速变化较慢，可以忽略前后轴的负载转移。
假设四：车体和悬挂***是刚性的。
基于上述假设简化得到的前轮转向车辆运动学模型如图2所示，在惯性坐标系下，建立智能车辆的车辆运动学模型为：
其中(Xr,Yr)为车辆后轴轴心坐标，为车辆的航向角，δf为车辆前轮偏角，l为车辆轴距，vr为车辆后轴中心速度，参数上的符号“·”表示该参数的一阶导数。
将车辆运动学模型表示为一般形式：
其中状态量控制量u＝[vr,δf]T，f(·)表示车辆运动学模型函数。
参考***的任意时刻的状态和控制量满足：
在任意参考点(Xr,ur)处，对公式(2)进行泰勒展开，只保留一阶项，得到：
其中Jf(X)为f(X,u)相对于状态量X的雅各比矩阵，Jf(u)为f(X,u)相对于控制量u的雅各比矩阵，ur表示参考点的控制量。
将公式(4)与公式(3)相减得到车辆运动学模型的最终表示形式：
其中表示当前状态量与参考状态量的差，/>表示当前控制量与参考控制量的差，A(t)＝Jf(x)表示状态量X的雅各比矩阵，B(t)＝Jf(u)表示控制量u的雅各比矩阵。
S2、将车辆运动学模型离散化，得到预测时域方程。
根据车辆运动学模型构建智能车辆的离散线性模型为：
x(k+1)＝Akx(k)+Bku(k) (6)
其中Ak＝A(t)T+I表示A(t)离散化后的矩阵，Bk＝B(t)T表示B(t)离散化后的矩阵，I为单位矩阵，T为离散时间，x(k)表示当前状态量，u(k)表示当前控制量。
令：
其中ξ(k|k)表示人为设置的状态参数在离散线性模型中引入的控制增量，x(k|k)表示当前状态量，u(k-1|k)表示上一时刻的控制量。
将公式(6)表述为它的等价形式：
其中η为输出量，为三阶单位矩阵，/>分别为Ak,Bk,Ck的增广矩阵。
假设预测时域为Np，控制时域为Nc，得到预测状态参数ξ(k+Np|k)和输出η(k+Np|k)的表达式分别为：
其中Δu(k|k)为当前时刻控制增量，令：
其中y表示预测时域内的输出矩阵，ψk表示预测时域内的状态系数矩阵，Δuk表示预测时域内的控制序列，Θk表示预测时域内的控制增量矩阵，则预测时域方程的紧凑形式表示为：
y＝ψkξ(k|k)+ΘkΔuk (13)
S3、对预测时域方程进行优化，得到MPC问题。
根据预测时域方程，得到整个预测时域的期望输出yref为：
其中ηref(k+1|k)表示下一时刻的参考输出量，模型预测控制(Model PredictiveControl，MPC)的目的是通过调整整个控制时域的控制增量，使预测时域的预测输出尽可能接近。由此，根据整个预测时域的期望输出得到MPC问题表示为：
其中umin表示控制增量的最小值，umax表示控制增量的最大值，ulb表示控制总量的最小值，uub表示控制总量的最大值，Q表示输出量误差的权重矩阵，R表示控制增量的权重矩阵。
S4、采用最大相关熵准则建立MPC问题模型。
公式(15)能够被转化成二次规划(Quadratic Programming，QP)问题，并且很容易通过工具箱进行求解。这个问题通过二次距离矩阵进行建模，并且它对异常值是敏感的。因为它对异常值的鲁棒性，本发明实施例使用最大相关熵准则(Maximum CorrentropyCriterion，MCC)来建立MPC问题的模型。
将最大相关熵准则作为距离矩阵，建立MPC问题模型为：
其中σ表示控制带宽的内核函数参数。
根据公式(11)和公式(12)将MPC问题模型表示为：
其中ek表示误差矩阵，ek＝yref-ψkξ(k|k)，eki,Θki,ψki分别为矩阵ek,Θk,ψk的行块，即：
Δuk＝[Δu(k|k)T,Δu(k+1|k)T,…,Δu(k+Nc-1|k)T]T
/>
为控制总量的最小值，/>为控制总量的最大值，/>是块元素为R的块对角矩阵，B是块元素为1＝[1,1]T的下三角块矩阵。
简化约束后，将MPC问题模型表示为如下形式：
其中A＝[BT,-BT]T表示Δuk的系数矩阵，表示控制总量的限制条件。
S5、求解MPC问题模型，实现对智能车辆的路径跟踪。
步骤S5包括以下分步骤S51～S53：
S51、对MPC问题模型加入惩罚项得到其简化形式：
其中ρ为松弛因子，[c]+表示一个函数，当其中每个元素均大于0时则函数值为0。当ρ→∞时，问题(19)与问题(18)等价，因此本发明实施例中令ρ足够的大，ρ＝1000。
S52、采用半二次技术(Half Quadratic Technique)对MPC问题模型的简化形式进行重建。
令使得/>满足：
其中表示半二次技术特性函数，z,x均表示函数自变量，sup{ξ}表示上界函数。
设得到公式(20)取极大值时z＝-exp(-x)，则有：
其中pi表示函数自变量z的改写形式，令：
其中p＝(p1,p2,…,pNp)表示函数自变量序列，JHQ(·)表示MPC问题模型简化形式的函数，OMCC(·)表示MPC问题模型简化形式第一项的函数，则将公式(19)重建为：
S53、采用BCU加速迭代方法求解重建后的MPC问题模型，实现对智能车辆的路径跟踪。
BCU加速迭代方法是在每次迭代中，依次更新变量Δuk和p，通过最大化目标或其下限的替代值，一次将另一个固定为最新值。
本发明实施例中，BCU加速迭代方法具体为：
A1、设置Δuk和p的迭代更新式：
其中上标t表示迭代次数，Du为的可行域，/>为/>关于/>的Lipschitz常数，/>表示求/>关于/>的梯度。
ωt表示权重系数且ωt∈[0,1)，表示有关ωt的一个推测点。求解多块凹优化问题时，选择合适的权重系数ωt能显著的加快BCU方法。
A2、设置迭代次数t＝0，初始化设置为/>的可行域，选取一个正值δω<1，并根据/>设置p0：
其中映射pi＝Γ(Δuk)定义为：
A3、判断算法是否收敛，若是则输出得到控制增量Δuk，否则进入步骤A4。
A4、通过矩阵计算得到梯度：
对于任意和/>有：/>
其中表示Δuk迭代更新式的简化项，||·||M2为谱范数，其值为其中元素的最大奇异值，则根据公式(31)计算得到/>的Lipschitz常数为：
同时设置权重系数ωt为：
其中表示迭代计算的权重系数，at表示每一次迭代的变量。
A5、根据Lipschitz常数和权重系数ωt，由公式(25)计算得到/>
A6、采用更新算法更新得到
本发明实施例中，更新算法具体为：
B1、根据公式(24)得到：
其中表示Δuk迭代更新式的简化项。
B2、令emin＝Δu-umin,emax＝Δu-umax，并设置迭代次数i＝1。/>
B3、若(emin)i<0，则令(Δu)i＝(umin)i，否则若(emax)i>0，则令(Δu)i＝(umax)i。
B4、判断迭代次数i是否达到上限d，若是则进入步骤B5，否则令迭代次数i加1，返回步骤B3。
B5、输出(Δu)d作为
A7、判断是否满足若是则设置/>并返回步骤A6，否则进入步骤A8。
A8、根据公式(27)更新得到pt+1。
A9、令迭代次数t加1，返回步骤A3。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (1)
1.一种基于最大相关熵准则的智能车辆路径跟踪方法，其特征在于，包括以下步骤：
S1、建立智能车辆的车辆运动学模型；
S2、将车辆运动学模型离散化，得到预测时域方程；
S3、对预测时域方程进行优化，得到MPC问题；
S4、采用最大相关熵准则建立MPC问题模型；
S5、求解MPC问题模型，实现对智能车辆的路径跟踪；
所述步骤S1中智能车辆的车辆运动学模型基于以下假设：
假设一：只考虑车辆在X-Y水平面方向的运动而忽略车辆在Z轴方向的运动；
假设二：车辆左右轮子在转向时转角相同，因而在建模时可以合并为一个轮子；
假设三：车速变化较慢，可以忽略前后轴的负载转移；
假设四：车体和悬挂***是刚性的；
所述步骤S1具体为：
在惯性坐标系下，建立智能车辆的车辆运动学模型为：
其中(Xr,Yr)为车辆后轴轴心坐标，为车辆的航向角，δf为车辆前轮偏角，l为车辆轴距，vr为车辆后轴中心速度，参数上的符号“·”表示该参数的一阶导数；
将车辆运动学模型表示为一般形式：
其中状态量控制量u＝[vr,δf]T，f(·)表示车辆运动学模型函数；
参考***的任意时刻的状态和控制量满足：
在任意参考点(Xr,ur)处，对公式(2)进行泰勒展开，只保留一阶项，得到：
其中Jf(X)为f(X,u)相对于状态量X的雅各比矩阵，Jf(u)为f(X,u)相对于控制量u的雅各比矩阵，ur表示参考点的控制量；
将公式(4)与公式(3)相减得到车辆运动学模型的最终表示形式：
其中表示当前状态量与参考状态量的差，/>表示当前控制量与参考控制量的差，A(t)＝Jf(x)表示状态量X的雅各比矩阵，B(t)＝Jf(u)表示控制量u的雅各比矩阵；
所述步骤S2具体为：
根据车辆运动学模型构建智能车辆的离散线性模型为：
x(k+1)＝Akx(k)+Bku(k) (6)
其中Ak＝A(t)T+I表示A(t)离散化后的矩阵，Bk＝B(t)T表示B(t)离散化后的矩阵，I为单位矩阵，T为离散时间，x(k)表示当前状态量，u(k)表示当前控制量；
令：
其中ξ(k|k)表示人为设置的状态参数在离散线性模型中引入的控制增量，x(k|k)表示当前状态量，u(k-1|k)表示上一时刻的控制量；
将公式(6)表述为它的等价形式：
其中η为输出量，为三阶单位矩阵，/>分别为Ak,Bk,Ck的增广矩阵；
假设预测时域为Np，控制时域为Nc，得到预测状态参数ξ(k+Np|k)和输出η(k+Np|k)的表达式分别为：
其中Δu(k|k)为当前时刻控制增量，令：
其中y表示预测时域内的输出矩阵，ψk表示预测时域内的状态系数矩阵，Δuk表示预测时域内的控制序列，Θk表示预测时域内的控制增量矩阵，则预测时域方程的紧凑形式表示为：
y＝ψkξ(k|k)+ΘkΔuk (13)
所述步骤S3具体为：
根据预测时域方程，得到整个预测时域的期望输出yref为：
其中ηref(k+1|k)表示下一时刻的参考输出量，根据整个预测时域的期望输出得到MPC问题表示为：
其中umin表示控制增量的最小值，umax表示控制增量的最大值，ulb表示控制总量的最小值，uub表示控制总量的最大值，Q表示输出量误差的权重矩阵，R表示控制增量的权重矩阵；
所述步骤S4具体为：
将最大相关熵准则作为距离矩阵，建立MPC问题模型为：
其中σ表示控制带宽的内核函数参数；
根据公式(11)和公式(12)将MPC问题模型表示为：
其中ek表示误差矩阵，ek＝yref-ψkξ(k|k)，eki,Θki,ψki分别为矩阵ek,Θk,ψk的行块，即：
Δuk＝[Δu(k|k)T,Δu(k+1|k)T,…,Δu(k+Nc-1|k)T]T
为控制总量的最小值，/>为控制总量的最大值，/>是块元素为R的块对角矩阵，B是块元素为1＝[1,1]T的下三角块矩阵；
简化约束后，将MPC问题模型表示为如下形式：
其中A＝[BT,-BT]T表示Δuk的系数矩阵，表示控制总量的限制条件；
所述步骤S5包括以下分步骤：
S51、对MPC问题模型加入惩罚项得到其简化形式：
其中ρ为松弛因子，[·]+表示一个函数，当其中每个元素均大于0时则函数值为0；
S52、采用半二次技术对MPC问题模型的简化形式进行重建；
S53、采用BCU加速迭代方法求解重建后的MPC问题模型，实现对智能车辆的路径跟踪；
所述步骤S52具体为：
令使得/>满足：
其中表示半二次技术特性函数，z,x均表示函数自变量，sup{·}表示上界函数；
设得到公式(20)取极大值时z＝-exp(-x)，则有：
其中pi表示函数自变量z的改写形式，令：
其中表示函数自变量序列，JHQ(·)表示MPC问题模型简化形式的函数，OMCC(·)表示MPC问题模型简化形式第一项的函数，则将公式(19)重建为：
所述步骤S53中的BCU加速迭代方法具体为：
A1、设置Δuk和p的迭代更新式：
其中上标t表示迭代次数，Du为的可行域，/>为/>关于/>的Lipschitz常数，/>表示求/>关于/>的梯度；
ωt表示权重系数且ωt∈[0,1)，表示有关ωt的一个推测点；
A2、设置迭代次数t＝0，初始化设置 为/>的可行域，选取一个正值δω<1，并根据/>设置p0：
其中映射pi＝Γ(Δuk)定义为：
A3、判断算法是否收敛，若是则输出得到控制增量Δuk，否则进入步骤A4；
A4、通过矩阵计算得到梯度：
对于任意和/>有：
其中表示Δuk迭代更新式的简化项，||·||M2为谱范数，其值为其中元素的最大奇异值，则根据公式(31)计算得到/>的Lipschitz常数为：
同时设置权重系数ωt为：
其中表示迭代计算的权重系数，at表示每一次迭代的变量；
A5、根据Lipschitz常数和权重系数ωt，由公式(25)计算得到/>
A6、采用更新算法更新得到
A7、判断是否满足若是则设置/>并返回步骤A6，否则进入步骤A8；
A8、根据公式(27)更新得到pt+1；
A9、令迭代次数t加1，返回步骤A3；
所述步骤A6中的更新算法具体为：
B1、根据公式(24)得到：
其中表示Δuk迭代更新式的简化项；
B2、令emin＝Δu-umin,emax＝Δu-umax，并设置迭代次数i＝1；
B3、若(emin)i<0，则令(Δu)i＝(umin)i，否则若(emax)i>0，则令(Δu)i＝(umax)i；
B4、判断迭代次数i是否达到上限d，若是则进入步骤B5，否则令迭代次数i加1，返回步骤B3；
B5、输出(Δu)d作为
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110015739.XA CN112764347B (zh) | 2021-01-07 | 2021-01-07 | 一种基于最大相关熵准则的智能车辆路径跟踪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110015739.XA CN112764347B (zh) | 2021-01-07 | 2021-01-07 | 一种基于最大相关熵准则的智能车辆路径跟踪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112764347A CN112764347A (zh) | 2021-05-07 |
| CN112764347B true CN112764347B (zh) | 2023-08-22 |
Family
ID=75700215
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110015739.XA Active CN112764347B (zh) | 2021-01-07 | 2021-01-07 | 一种基于最大相关熵准则的智能车辆路径跟踪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112764347B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114326709A (zh) * | 2021-12-03 | 2022-04-12 | 成都信息工程大学 | 一种基于模型预测控制的具有预览特性的智能车辆路径跟踪方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107139923A (zh) * | 2017-05-11 | 2017-09-08 | 中科院微电子研究所昆山分所 | 一种acc决策方法及*** |
| CN108334086A (zh) * | 2018-01-25 | 2018-07-27 | 江苏大学 | 一种基于软约束二次规划mpc的无人驾驶车辆路径跟踪控制方法 |
| CN108868268A (zh) * | 2018-06-05 | 2018-11-23 | 西安交通大学 | 基于点到面距离和互相关熵配准的无人车位姿估计方法 |
| CN110175349A (zh) * | 2019-04-04 | 2019-08-27 | 江苏大学 | 一种基于mpc算法的独立悬架结构车辆控制方法 |
| CN111176297A (zh) * | 2020-01-21 | 2020-05-19 | 大连海事大学 | 一种基于多目标dmc预测控制算法的地铁列车跟踪控制方法及*** |
| CN111258218A (zh) * | 2020-01-17 | 2020-06-09 | 成都信息工程大学 | 基于最大相关熵准则的智能车辆路径跟踪方法 |
| CN112003330A (zh) * | 2020-09-02 | 2020-11-27 | 浙江浙能技术研究院有限公司 | 一种基于自适应控制的微网能量优化调度方法 |
-
2021
- 2021-01-07 CN CN202110015739.XA patent/CN112764347B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107139923A (zh) * | 2017-05-11 | 2017-09-08 | 中科院微电子研究所昆山分所 | 一种acc决策方法及*** |
| CN108334086A (zh) * | 2018-01-25 | 2018-07-27 | 江苏大学 | 一种基于软约束二次规划mpc的无人驾驶车辆路径跟踪控制方法 |
| CN108868268A (zh) * | 2018-06-05 | 2018-11-23 | 西安交通大学 | 基于点到面距离和互相关熵配准的无人车位姿估计方法 |
| CN110175349A (zh) * | 2019-04-04 | 2019-08-27 | 江苏大学 | 一种基于mpc算法的独立悬架结构车辆控制方法 |
| CN111258218A (zh) * | 2020-01-17 | 2020-06-09 | 成都信息工程大学 | 基于最大相关熵准则的智能车辆路径跟踪方法 |
| CN111176297A (zh) * | 2020-01-21 | 2020-05-19 | 大连海事大学 | 一种基于多目标dmc预测控制算法的地铁列车跟踪控制方法及*** |
| CN112003330A (zh) * | 2020-09-02 | 2020-11-27 | 浙江浙能技术研究院有限公司 | 一种基于自适应控制的微网能量优化调度方法 |
Non-Patent Citations (1)
| Title |
|---|
| 章军辉等.车辆多模式多目标自适应巡航控制.《电子科技大学学报》.2018,(第3期),第372页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112764347A (zh) | 2021-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110780594B (zh) | 一种智能车的路径跟踪方法及*** | |
| Do et al. | Nonlinear formation control of unicycle-type mobile robots | |
| CN111103798B (zh) | 一种基于反演滑模控制的agv路径跟踪方法 | |
| Chen et al. | Trajectory tracking control of WMRs with lateral and longitudinal slippage based on active disturbance rejection control | |
| CN111258218B (zh) | 基于最大相关熵准则的智能车辆路径跟踪方法 | |
| CN113759979B (zh) | 基于事件驱动的无人机吊挂***在线轨迹规划方法 | |
| Zuo et al. | Adaptive robust control strategy for rhombus-type lunar exploration wheeled mobile robot using wavelet transform and probabilistic neural network | |
| CN113093548A (zh) | 基于事件触发机制的移动机器人轨迹跟踪最优控制方法 | |
| Teng et al. | An error-state model predictive control on connected matrix Lie groups for legged robot control | |
| CN111679575A (zh) | 一种基于鲁棒模型预测控制的智能汽车轨迹跟踪控制器及其构造方法 | |
| CN112764347B (zh) | 一种基于最大相关熵准则的智能车辆路径跟踪方法 | |
| Tzafestas | Adaptive, robust, and fuzzy rule-based control of robotic manipulators | |
| Hegedűs et al. | Design of Model Free Control with tuning method on ultra-local model for lateral vehicle control purposes | |
| Zhang et al. | Low-level control technology of micro autonomous underwater vehicle based on intelligent computing | |
| Khodamipour et al. | Adaptive formation control of leader–follower mobile robots using reinforcement learning and the Fourier series expansion | |
| Reiter et al. | Parameterization approach of the frenet transformation for model predictive control of autonomous vehicles | |
| Khesrani et al. | Motion planning and control of nonholonomic mobile robot using flatness and fuzzy logic concepts | |
| Xing et al. | Recurrent neural network non‐singular terminal sliding mode control for path following of autonomous ground vehicles with parametric uncertainties | |
| JP7357813B2 (ja) | データ駆動型モデル適応を用いる制御のための装置および方法 | |
| CN115933647B (zh) | 基于复合控制算法的omr轨迹跟踪控制方法及存储介质 | |
| CN116088299A (zh) | 卫星天线混联运动机构神经网络反步控制方法 | |
| Wang et al. | Ground moving target tracking with quadrotors using nonlinear model predictive control | |
| Li et al. | Improved sliding mode control for mobile manipulators based on an adaptive neural network | |
| Chen et al. | Neural network compensator-based robust iterative learning control scheme for mobile robots nonlinear systems with disturbances and uncertain parameters | |
| Kim et al. | Development of the autonomous navigation algorithm based on the geometric method for skid steering vehicles: convergence of skid steering and pure pursuit methods using compensation coefficients |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |