MPC kontrola
Model prediktivnog upravljanja (MPC) evoluirao je od svog nastanka kao heuristički algoritam upravljanja primijenjen u industrijskim procesima 1970-ih u novu akademsku disciplinu sa bogatim teorijskim i praktičnim sadržajem.
Prediktivna kontrola rješava probleme upravljanja sa zahtjevima optimizacije. U proteklih 30 godina, uspjeh prediktivne kontrole u složenim industrijskim procesima u potpunosti je pokazao svoj ogroman potencijal za rješavanje složenih problema s ograničenom optimizacijom.
MPC kontrola je metoda kontrole optimizacije-zatvorene petlje{1}}u realnom vremenu. Primarna prednost ovog algoritma je njegov iterativni onlajn rad, koji kontinuirano dobija trenutne optimalne kontrolne količine. Osim toga, može uspostaviti ciljne funkcije kako bi zadovoljio višestruka ograničenja kao što su aktuatori vozila, klizanje i dinamika.
Međutim, njegove performanse praćenja su vrlo osjetljive na tačnost prediktivnog modela. Nadalje, zbog visokih računskih zahtjeva prediktivnog upravljanja nelinearnim modelom, on je neprikladan za okruženja velike{1}}brzine vožnje.
Trenutno su mnogi istraživači linearizirali nelinearne modele vozila, ali to osigurava preciznost praćenja samo unutar linearnih područja vozila i guma.
MPC kontroleri, također poznati kao rolling{0}}kontroleri vremenske domene, razmatraju nelinearni dinamički model kontrolnog sistema i predviđaju izlazno ponašanje sistema u budućem vremenskom intervalu. Rješavanjem problema ograničene optimalne kontrole, sistem minimizira grešku praćenja u budućem vremenskom intervalu, čineći ovu metodu robustnom.
Algoritmi za prediktivno upravljanje modelom imaju osnovne karakteristike prediktivnog modeliranja, optimizacije kotrljanja i korekcije povratne sprege. Tradicionalne metode istraživanja često zanemaruju ili pojednostavljuju kinematička i dinamička ograničenja, ali takva ograničenja značajno utiču na performanse upravljanja.
Metode prediktivnog upravljanja modelom mogu eksplicitno uključiti kinematička i dinamička ograničenja vozila u funkciju cilja optimizacije.
Iskorištavanjem funkcija optimizacije i povratnih informacija MPC-a, uticaj vremenskih kašnjenja u sistemu zatvorene{0}}petlje može se efikasno smanjiti ili čak eliminisati. Dodatno, buduće informacije o putanji koje pruža proces planiranja mogu se koristiti za optimizaciju kontrole kretanja, čime se poboljšavaju performanse kontrole.
Wang Weiran i dr. dizajnirao adaptivnu prediktivnu kontrolu zasnovanu na Laguerreovim funkcijama.
Ova metoda se sastoji od dva dijela: adaptivnog MPC modula za precizno praćenje putanje i Laguerreovog funkcionalnog modula za značajno smanjenje izračunavanja.
U adaptivnom MPC modulu, uveden je rekurzivni algoritam najmanjih kvadrata za identifikaciju parametara modela sistema, čime se poboljšava tačnost i robusnost sistema. Međutim, kada AUV radi u složenim okruženjima, ova metoda može dovesti do značajnog povećanja računarskog opterećenja.
Stoga se u Laguerreovu funkciju uvodi rekonstrukcija ulaznih varijabli kontrolera kako bi se smanjio matrični red ciljne funkcije. Rezultati pokazuju da ova metoda pokazuje odlične performanse u smislu dinamike, otpornosti na smetnje i robusnosti pri praćenju AUV putanja sa smanjenim računskim opterećenjem.
Adaptivni MPC blok dijagram
Paden je sažeo čiste algoritme praćenja, kontrolu povratnih informacija na prednjim kotačima, kontrolu povratnih informacija stražnjih kotača, kontrolu zasnovanu na Lyapunov funkciji-, kontrolu linearizacije izlaznih povratnih informacija i MOC kontrolu u smislu stabilnosti, vremenske složenosti, upotrebe modela i pretpostavki.
Sažetak različitih kontrolera Legenda*: Lokalna eksponencijalna stabilnost (LES)