Control MPC
El model predictiu de control (MPC) ha evolucionat des dels seus orígens com un algorisme de control heurístic aplicat en processos industrials als anys setanta fins a una nova disciplina acadèmica amb un ric contingut teòric i pràctic.
El control predictiu aborda els problemes de control amb els requisits d'optimització. Durant els últims 30 anys, l'èxit del control predictiu en processos industrials complexos ha demostrat plenament el seu enorme potencial per gestionar problemes complexos de control d'optimització restringida.
El control MPC és un mètode de control d'optimització de bucle tancat-en temps real-. L'avantatge principal d'aquest algorisme és el seu funcionament iteratiu en línia, que obté contínuament les quantitats de control òptimes actuals. A més, pot establir funcions objectives per satisfer múltiples restriccions, com ara actuadors de vehicles, patins i dinàmiques.
Tanmateix, el seu rendiment de seguiment és molt sensible a la precisió del model predictiu. A més, a causa dels alts requisits computacionals del control predictiu del model no lineal, no és adequat per a entorns de conducció d'alta-velocitat.
Actualment, molts investigadors han linealitzat models de vehicles no lineals, però això només garanteix la precisió del seguiment dins de les regions lineals del vehicle i dels pneumàtics.
Els controladors MPC, també coneguts com a controladors de domini temporal{0}}rolling, tenen en compte el model dinàmic no lineal del sistema de control i prediuen el comportament de sortida del sistema durant un interval de temps futur. En resoldre el problema de control òptim restringit, el sistema minimitza l'error de seguiment durant l'interval de temps futur, fent que aquest mètode sigui robust.
Els algorismes de control predictiu del model tenen les característiques bàsiques del modelatge predictiu, l'optimització de rodatge i la correcció de retroalimentació. Els mètodes d'investigació tradicionals sovint ignoren o simplifiquen les restriccions cinemàtiques i dinàmiques, però aquestes limitacions afecten significativament el rendiment del control.
Els mètodes de control predictiu del model poden incorporar explícitament les restriccions cinemàtiques i dinàmiques del vehicle a la funció objectiu d'optimització.
Mitjançant l'aprofitament de les funcions d'optimització i correcció de retroalimentació de MPC, l'impacte dels retards de temps del sistema de bucle tancat-es pot reduir o fins i tot eliminar de manera efectiva. A més, la informació de trajectòria futura proporcionada pel procés de planificació es pot utilitzar per optimitzar el control del moviment, millorant així el rendiment del control.
Wang Weiran et al. va dissenyar un mètode de control predictiu adaptatiu basat en funcions de Laguerre.
Aquest mètode consta de dues parts: un mòdul MPC adaptatiu per a un seguiment precís de la trajectòria i un mòdul de funció Laguerre per reduir significativament el càlcul.
En el mòdul MPC adaptatiu, s'introdueix un algorisme recursiu de mínims quadrats per identificar els paràmetres del model del sistema, millorant així la precisió i la robustesa del sistema. Tanmateix, quan l'AUV funciona en entorns complexos, aquest mètode pot provocar un augment significatiu de la càrrega computacional.
Per tant, a la funció Laguerre, s'introdueix la reconstrucció de les variables d'entrada del controlador per reduir l'ordre matricial de la funció objectiu. Els resultats mostren que aquest mètode demostra un excel·lent rendiment en termes de dinàmica, resistència a les interferències i robustesa en el seguiment de trajectòries AUV amb càrrega computacional reduïda.
Diagrama de blocs MPC adaptatiu
Paden va resumir els algorismes de seguiment pur, el control de retroalimentació de la roda davantera, el control de la retroalimentació de la roda posterior, el control basat en funcions de Lyapunov-, el control de linealització de la retroalimentació de sortida i el control MOC en termes d'estabilitat, complexitat del temps, ús del model i supòsits.
Resum de diversos controladors Llegenda*: Estabilitat exponencial local (LES)