基于改变控制时域时间步长的智能车轨迹跟踪控制

为了解决模型预测控制设计智能车轨迹跟踪控制器存在求解计算时间长、在线实时性低的问题,借助于矩阵分块化策略,提出了一种基于控制时域变步长的模型预测轨迹跟踪控制方法。通过矩阵分块化改变控制时域步长,并融入到二次规划的求解过程中,重构目标函数形式和系统约束条件,以减少求解过程中最优控制序列中待求解变量的数量,降低求解计算时间。在Simulink与Carsim联合仿真平台中,将本文方法与传统模型预测控制方法进行仿真对比分析。结果表明,相比于传统模型预测控制方法,本文方法在保证轨迹跟踪精度的前提下,平均求解计算时间降低了24.39%,最大单次计算时间降低了45.05%,采用“前密后疏”的分块矩阵,其控制器性能优于“平均化”的分块矩阵。     

基于径向基函数神经网络PID与模型预测控制的车辆轨迹跟踪控制

为提高无人驾驶车辆的稳定性和鲁棒性,提出一种基于径向基函数神经网络自适应比例积分微分（RBFNN-PID）算法和模型预测控制（MPC）算法相结合的车辆轨迹跟踪控制方法.基于自适应RBFNN-PID算法、MPC算法以及车辆动力学模型,建立智能车辆纵向速度控制和横向控制的仿真模型并将其结合起来.在此基础上,以横向MPC控制和LQR-PID控制算法为基准,验证所提出的控制方法在轨迹跟踪方面的优越性.仿真结果表明,新方法比对照组具有更高的精度.最后,对新控制方法的硬件在环验证表明,该轨迹跟踪控制算法在轨迹跟踪精度和稳定性方面具有一定的有效性和先进性.     

含间隙系统的约束时间最优预测控制

为了解决含间隙机械系统最优控制的计算复杂度问题,设计了基于分段仿射(PWA)模型的约束时间最优预测控制器。为了降低在线控制的计算复杂度,利用动态规划方法在模型的状态和参考跟踪速度的范围内提前计算出了离线的控制律。在跟踪参考速度的实验中,约束时间最优预测控制器具有较好的跟踪控制性能,与约束有限时间最优控制器相比,计算时间降低了十几倍,因此,适合于小采样时间系统的实时跟踪控制。     

非线性预测控制在巡航弹地形跟踪上的应用

运用非线性连续预测控制方法，设计了巡航弹地形跟踪控制器，提出了预测跟踪误差和跟踪误差率线性组合的性能指标，通过使性能指标最小，生产最优非线性反馈控制律。结果表明，该控制器不仅具有精确的跟踪性能而且具有良好的鲁棒性。     

自主车辆高效滚动时域轨迹规划与跟踪控制

针对自主车辆轨迹规划与跟踪控制问题,提出一种基于模型预测控制的自主车辆高效滚动时域轨迹规划与跟踪控制方法。首先,引入人工势场法为不同障碍物和道路结构分配不同的势场函数;其次,将这些表征安全性的势场函数作为轨迹规划与跟踪的优化目标函数,同时考虑车辆动力学特性、运动学约束和舒适性要求,使规划的轨迹易于车辆跟踪;最后,针对势场函数的非凸非线性造成在线优化计算量大问题,引入阶梯式控制策略,参数化预测时域内的控制增量,降低模型预测控制的在线计算量。针对典型交通场景进行CarSim与Matlab/Simulink联合仿真,结果表明该方法有效并具有优越的实时性能。     

基于深度神经网络的注塑过程预测控制

注塑机作为现代工业中重要的塑料件生产与制造设备,其智能化发展一直备受业界关注。伴随着航空航天、电力电子、汽车制造等行业的发展,如何实现对注塑件的高精度、高效率、绿色节能化生产,是目前注塑机的重要研制方向。本文针对注塑成型过程中采用传统模型预测控制(Model Predictive Control, MPC)难以保证跟踪控制实时性的问题,提出一种结合深度神经网络(Deep Neural Network, DNN)学习的注塑过程预测控制方法。在注塑机注射过程动力学模型基础上,创建带约束条件的模型预测控制器,对控制器运行数据进行采集并用以训练深度神经网络,实现了基于深度神经网络控制的注射速度的跟踪预测控制。仿真实验结果表明,采用本文所提出的学习预测控制策略能够有效避免注塑过程中因模型预测控制所产生的复杂计算,并满足工业实时性要求,具有应用前景。     

一种双线性系统的预测函数控制算法

预测控制是以计算机为手段基于模型预测进行控制的方法，但是以往的预测控制算法通常是集中在线性渐进稳定对象，对非线性系统的研究工作较少。针对实际工业过程中广泛存在的双线性系统，通过对其每一滚动优化点进行线性化处理后，设计了一种简便高效的、可与线性系统媲美的预测函数控制算法，核算法具有解析形式，从而避免了一般非线性子优的繁琐计算。利用Matlab软件份真表明该非线性预测函数控制方法是一种计算简单、抑制干扰能力强、跟踪性能好、误差较小的有效的控制方法。     

非结构环境下基于机器视觉的机器人路径跟踪方法

针对温室环境下机器人自主导航问题,提出了基于模糊预测控制的实时路径规划和跟踪方法.通过训练神经网络对图像进行分割,获取导航预瞄点,得到机器人运动的角度偏差和横向偏差.当角度偏差小于25°时,采用预测控制的方法,用拟合圆弧曲线作为机器人跟踪的规划路径,当角度偏差大于25°时,采用模糊控制器对2驱动轮的轮速进行控制.实验表明,该方法能对曲线路径进行平滑的跟踪,以0.3 m/s的速度运动时最大跟踪误差小于5cm.     

神经网络预测器在铝电解过程控制中的应用

目的采用神经网络预测控制方法来解决铝电解过程中存在的时变和大时滞问题，提高其控制性能．方法提出了一种基于铝电解过程的神经网络预测控制算法，建立了神经网络预测模型，将神经网络和预测控制算法相结合，结果实现了铝电解过程的最优控制．神经网络预测模型的输出能够很好地跟踪铝电解生产过程，预测效果好．结论笔者提出的控制方案能够使铝电解过程很快进入稳态，超调量较小，提高了铝电解过程的动态和稳态性能．     

基于非线性模型预测的四旋翼无人机轨迹跟踪控制

针对四旋翼无人机轨迹跟踪控制器跟踪性能不稳定的问题,提出一种基于非线性模型预测控制(nolinear model predict control, NMPC)的轨迹跟踪算法。首先,建立四旋翼无人机的动力学模型,定义四旋翼无人机的位置和姿态为状态量,螺旋桨转速为控制输入量,建立非线性状态空间方程作为控制算法的预测模型。其次,定义最优化函数和四旋翼无人机控制约束,将轨迹跟踪控制问题转换为非线性最优化求解问题。最后,通过多重打靶法求解得到的最优控制量作为四旋翼无人机的输入信号。为验证NMPC算法的跟踪性能,在Matlab中搭建仿真平台进行对比实验,结果表明,与PID和串级模型预测控制(model predict control, MPC)及改进MPC方法相比,NMPC算法能够在满足约束的情况下完成轨迹跟踪任务,误差小、精度高,并具有抗干扰能力。