非线性离散时间系统的准无限时域NMPC

非线性模型预测控制(NMPC)的优点是能显式并优化处理控制量和状态量的约束。文献[6]提出的准无限时域NMPC是保证NMPC稳定性的主要算法。在文献[6]的基础上,讨论了约束离散时间系统的准无限时域NMPC算法。最后通过一个具体的数值算例验证了算法的有效性。     

基于改进Blocking策略的模型预测控制技术

针对模型预测控制(MPC)在线优化计算复杂的缺陷,在采用输入分块(Input blocking)策略对输入序列进行固定分块的基础上,,提出了一种移动分块(Move blocking)策略,通过变化的blocking矩阵降低控制量的自由度,从而有效降低模型预测控制在线优化过程中的计算复杂度。同时能够在满足约束条件下保证系统输出紧密跟踪期望值。以四旋翼无人机系统为控制对象,在构建模型基础上,仿真验证了该算法的有效性。     

分布式预测的无人机编队控制

针对四旋翼无人机编队形成与保持问题,文中设计了一种分布式预测控制方法,基于状态输入约束下的编队运动模型,将编队的形成与保持过程转化为在线滚动优化问题,设计了分布式交互控制律,给出了编队系统稳定的充分条件,并以文中算法和未引入假设状态轨迹代价函数的控制算法进行了仿真和对比。仿真结果表明：相较于传统算法,文中算法编队在队形保持方面将队形误差收敛速度提高1 s;在轨迹跟踪方面将位置误差收敛速度提高2 s;并且3个方向速度均能在2 s左右达成一致最终收敛至期望速度。证明了文中所设计控制算法的有效性。     

四驱电动汽车驱动力分配阶梯式模型预测控制

考虑四轮驱动轮毂电动汽车驱动力分配优化控制问题,提出一种用于驱动力分配的阶梯式模型预测控制(MPC)算法。首先基于七自由度整车动力学模型,建立四轮驱动力分配系统状态空间模型。再考虑四轮驱动力分配过程汽车跟踪性能、能耗性能、直线行驶和稳定性要求,并结合过程约束条件定义有限时域最优控制问题。为降低最优控制问题的在线计算量,引入阶梯式控制策略,参数化预测时域内的控制输入变化量,压缩最优控制问题的优化变量的个数,建立适用于驱动力分配的快速模型预测控制算法。仿真结果验证笔者驱动力分配预测控制算法的有效性和优势。     

基于直接配点法的再入轨迹优化设计

介绍了直接配点法在再入飞行器三维轨迹最优化问题中的应用。首先给出了再入飞行器轨迹最优化控制问题模型,其中运动方程为三自由度模型,性能指标选为末端速度最大,控制变量则为迎角和滚转角。再入飞行过程中受到加热率、过载和动压约束,终端状态受到航迹倾角和高度的约束。然后,应用直接配点法将最优控制问题离散化为非线性规划问题,即将动态优化问题转化为静态参数最优化问题。选取各节点和配点上的状态量和控制量作为优化参数。最后应用基于M at-lab语言的SNOPT软件包对参数最优化问题进行求解,该软件包对于求解大型非线性规划问题具有很好的收敛性。仿真结果表明直接配点法对于再入飞行器轨迹初始参数取值不敏感,且求解过程具有一定的实时性。因此,直接配点法对于再入轨迹优化问题的求解是可行的。     

基于改进型自抗扰控制的四旋翼无人机姿态控制系统研究

针对四旋翼无人机姿态控制系统在外界干扰下,跟踪精度和抗扰动性能易受到影响的问题,提出一种改进型自抗扰控制(ADRC)算法。首先,基于原点平滑性和连续性考虑设计了改进型非线性函数。其次,基于线性扩张状态观测器(LESO)和非线性扩张状态观测器(NLESO)各自的优点,设计了线性/非线性可切换的改进型扩张状态观测器(IESO)。最后,基于IESO设计了改进型ADRC,将其应用于四旋翼无人机姿态控制系统,并从响应速度、跟踪精度、抗干扰能力三方面对其进行仿真实验验证。实验结果显示,IESO具有更好的观测效果,改进型ADRC的控制性能比传统的线性ADRC和非线性ADRC更优。     

改进模型预测控制的农机轨迹跟踪算法研究

针对无人驾驶农机进行轨迹跟踪时精度与稳定性较差的问题，提出了一种基于模型预测控制(MPC)的轨迹跟踪方法。首先，建立农机车辆的运动学模型，利用粒子滤波对农机状态量进行估计来提高农机的定位精度；其次，在设计MPC控制器时引入了梯度投影算法，该算法相比于传统有效集算法减少了迭代步数，具有更快的收敛速度，提高了农机进行跟踪控制时的计算效率；最后，在淄博市某无人农场进行了农机轨迹跟踪试验。结果表明：该方法可以实现良好的跟踪控制精度，符合精准农业的作业要求。     

基于Koopman双线性的软体执行器模型预测控制研究

为了实现对软体执行器的精确控制,使用了一种基于Koopman双线性的建模及其模型预测控制(MPC)的方法。该方法在获得明确的面向控制的模型的同时避免了传统建模方法物理上的简化假设。为证明Koopman双线模型对于软体执行器的控制方面的优势,建立了软体执行器Koopman双线性模型、Koopman线性模型和状态空间线性模型3种模型并在轨迹跟踪任务中,将3种模型和MPC算法进行结合。仿真和实验结果一致表明,Koopman双线性模型的MPC控制器策略跟踪性能优于同一系统Koopman线性模型的MPC控制器和线性状态空间模型的MPC控制器。     

基于运动发散分量的四足机器人步态规划

为了使四足机器人在出现较大的轨迹跟踪误差时仍然可以稳定运动,提出基于运动发散分量（DCM）的在线步态规划方法. 将四足机器人抽象成三维线性倒立摆模型（LIPM）,根据离线规划的落脚点,应用DCM方法论递推出保持DCM有界的参考轨迹;在满足步幅约束、零力矩点（ZMP）约束的条件下,步态规划运用宽松初始状态模型预测控制在线优化出可快速收敛到参考轨迹上的落脚点以及期望状态轨迹;全身运动控制器通过构建二次规划优化出满足运动约束、动力学约束、摩擦力约束等条件下跟踪期望状态轨迹的力矩. 通过仿真验证以上算法,仿真结果表明：与经典模型预测控制相比,宽松初始状态模型预测控制可以承受较大的轨迹跟踪误差,四足机器人可以在出现较大的轨迹跟踪误差时以troting步态稳定运动并尽快收敛到离线规划的轨迹上.     

基于MPC的自动驾驶车辆横向路径跟踪控制

由于驾驶技能、生理极限等原因,人工驾驶员在转向操作中存在响应迟滞、动作超调等问题,控制性能优良的自动驾驶车辆可以改善上述问题。设计了一种基于模型预测控制(MPC)的自动驾驶车辆横向路径跟踪控制器。基于预瞄跟随理论建立了最优侧向加速度的驾驶员转向模型,以分析驾驶员方向盘操作中预瞄时间和车速对车辆跟踪参考路径的影响。基于模型预测控制算法设计了车辆横向路径跟踪控制器,利用反馈校正机制改进车辆预测模型,以处理参数不完全确定和外部干扰对模型精度带来的影响;采用松弛因子对目标函数进行处理,以保证目标函数具有可行解;进一步地,将所设计的模型预测控制器每一步的优化求解转化为带约束的二次规划问题,利用模型预测控制滚动优化的特点,求解跟踪参考路径所需的方向盘转角,作用于自动驾驶车辆。实验结果表明:预瞄时间和车速对驾驶员操控车辆跟踪参考轨迹的影响较大,MPC控制器下的车辆实际行驶轨迹与参考轨迹之间的最大横向偏差为0.085 m,小于熟练驾驶员操控的车辆,同时,MPC控制器下的车辆转向起始时刻相对于熟练驾驶员操控的车辆提前0.89 s。     

基于RBF神经网络的自主水下航行器模型预测路径跟踪控制

针对自主水下航行器(AUV)的模型不确定性和多约束的特点，设计了基于径向基(RBF)神经网络的模型预测控制器。在使用模型预测控制(MPC)进行路径跟踪控制的基础上，利用实时测量数据在线训练RBF神经网络，对AUV模型不确定性进行补偿，抑制了模型不确定性对模型预测控制器的干扰，减小了系统的超调量和跟踪误差。仿真结果表明，基于RBF-MPC路径跟踪控制算法与经典的MPC算法相比，具有更好的暂态和稳态性能。     

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.     

基于非线性扰动观测器的无人机地面效应补偿

本文针对地面效应对四旋翼无人机在降落过程中控制性能有较大影响的问题,在四旋翼无人机地面效应复杂、难以建立机理模型的限制下,提出一种基于非线性扰动观测器的新型非线性鲁棒控制策略。这种控制策略利用扰动观测器估计和补偿地面效应带来的扰动,采用快速终端滑模控制器提高了无人机位置控制误差的收敛速度,实现了无人机降落过程中的精确控制。通过基于李雅普诺夫分析的方法证明了闭环系统的稳定性,以及观测器估计误差和控制器跟踪误差的有限时间收敛特性。飞行实验效果表明:本文提出的控制补偿策略取得了良好的无人机降落控制效果。     

智能电动车辆横纵向协同运动控制

针对车速变化下的车辆轨迹跟随稳定性问题,提出一种基于模型预测控制（MPC）与滑模控制结合的横纵向协同控制策略。建立描述车辆纵向、横向及横摆运动状态的三自由度动力学模型;然后,设计模型预测控制器对车辆期望轨迹进行跟踪,考虑车辆行驶运动过程中横纵向耦合问题,将纵向车速作为横向控制系统的状态量,并利用反馈矫正机制不断更新预测模型;在此基础上,采用滑模控制算法对期望车速及加速度进行跟踪,并采用饱和函数作为指数趋近率以减小抖振;采用基于规则的制动转矩分配方式得到行驶过程中各个车轮的需求转矩。该控制策略考虑了车辆动力学中的横纵向耦合问题,可在线处理车辆动力学约束,将车辆稳定跟踪期望轨迹的问题转化为求解带约束的最优控制问题。仿真结果表明所提出控制策略的有效性。     

基于滑模控制的四旋翼飞行器鲁棒三维轨迹跟踪

近年来,无人自主飞行器在军事和民用的众多领域引起了人们的关注,而其轨迹跟踪任务一直是一个热门研究课题。本文提出了一种鲁棒滑模控制,用于控制四旋翼无人机在存在扰动和参数不确定的情况下进行三维轨迹跟踪。首先,建立了一个具有6个方位的四旋翼飞行器的非线性动力学模型。然后,设计了针对质量、惯性和刚度不确定因素的滑模控制器。通过在Matlab Simulink和Universal Mechanism软件系统中进行建模模拟,验证了控制器的三维跟踪效果。最后,使用Pelican四旋翼平台进行了进一步的实验验证,在水平和垂直轴上施加扰动以验证其鲁棒性。仿真和实物验证结果都表明,四旋翼飞行器对特定轨迹的跟踪效果和鲁棒性是令人满意的,证实了所提出的滑模控制算法的正确性和有效性。     

基于鲁棒Tube-MPC算法的无人车横向控制方法研究

针对自动驾驶汽车路径跟踪横向控制过程中因道路湿滑或道路坎坷不定等外界干扰造成的跟踪不稳、超调问题，提出一种将模型预测控制(MPC)和滑模控制(SMC)相结合的鲁棒Tube-MPC算法。首先，对自动驾驶汽车进行名义运动学建模并线性化推导，利用线性化名义模型求解MPC代价函数得到名义系统控制律，完成对预定轨迹的跟踪；其次，通过建立实际系统与名义系统之间的误差系统，设计SMC的滑模面及趋近律，推导出辅助控制律，完成实际状态对名义状态的贴近，以实现鲁棒性；最后，完成基于Carsim/Simulink的仿真，实验结果表明上述方法能够有效提升自动驾驶汽车在外界不确定干扰影响下的鲁棒性和跟踪精度，优于传统MPC和线性二次型调节器(LQR)为代表的无人车控制方法。     

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。     

基于克隆选择算法的非线性优化迭代学习控制

为实现对模型不确定的有约束非线性系统在特定时间域上输出轨迹的有效跟踪,将改进的克隆选择算法用于求解迭代学习控制中的优化问题。提出基于克隆选择算法的非线性优化迭代学习控制。在每次迭代运算后,一个克隆选择算法用于求解下次迭代运算中的最优输入,另一个克隆选择算法用于修正系统参考模型。仿真结果表明,该方法比GA-ILC具有更快的收敛速度,能够有效处理输入上的约束以及模型不确定问题,通过少数几次迭代学习就能取得满意的跟踪效果。     

基于线性矩阵不等式的智能车轨迹跟踪控制

针对传统的基于精确数学模型的智能车轨迹跟踪控制器跟踪精度低,鲁棒性弱,很难适应复杂多变的驾驶环境等问题,结合线性矩阵不等式(LMI)鲁棒控制具有易于求解、抗干扰能力强等优点,提出基于LMI的智能车轨迹跟踪控制方法. 将车辆侧向动力学状态空间模型进行坐标变换,得到基于跟踪误差的车辆侧向动力学状态空间模型,采用饱和线性轮胎得到车辆侧向动力学多胞型模型;设计LMI反馈控制器,在控制器中引入前馈控制量,以消除侧向位置稳态误差. Carsim和Matlab/Simulink的联合仿真表明,该控制器在保证车辆稳定性的基础上具有较高的跟踪精度,对车速和路面附着系数具有较强的鲁棒性. 与模型预测控制器(MPC)和预瞄驾驶员模型(PDM)控制器进行对比,结果表明,设计的该控制器轨迹跟踪精度更优.     

一种柔性机械臂末端轨迹跟踪的预测控制算法

针对柔性机械臂末端轨迹跟踪的内动态不稳定和模型不精确问题,提出一种用于柔性臂末端轨迹跟踪的预测控制算法.利用输入-输出线性化的方法使得柔性臂末端变量和弹性变量解耦,并根据状态反馈设计出一个非线性预测控制系统,将轨迹跟踪问题转换为状态跟踪问题.该控制系统通过平衡末端跟踪误差、弹性变量和控制力矩3个最优指标来克服内动态不稳定性,并采用最优控制律求解和力矩求解相分离的策略来提高运算速度,同时引入了实际输出数据进行误差补偿以减少模型误差对末端轨迹跟踪精度的影响.仿真结果表明,所提出的预测控制算法在保证柔性臂内动态稳定的同时,能有效解决模型失配引起的控制精度下降问题,并具有较快的运算速度.