💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
📋📋📋本文内容如下：🎁🎁🎁
⛳️赠与读者
👨💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。
或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎
💥第一部分——内容介绍
线性MPC控制器（基于CasADi）的车辆横向动力学控制研究
摘要：本文聚焦于车辆横向动力学控制领域，提出一种基于CasADi的线性模型预测控制（MPC）方法。通过将车辆简化为4状态系统，以前轮转角作为控制输入，在每个采样时刻求解线性优化问题，实现轨迹跟踪控制。参考轨迹由双曲正切函数生成，可得到光滑的换道或转弯路径。同时，将多种约束硬编码到二次规划（QP）问题中，确保车辆行为处于物理可行域内。利用qpOASES求解器通过CasADi接口高效求解QP问题，最后通过仿真验证控制器的性能。仿真结果表明，该控制器能够有效跟踪参考轨迹，满足各项约束条件，为车辆横向动力学控制提供了一种有效的解决方案。
关键词：车辆横向动力学；线性模型预测控制；CasADi；qpOASES；轨迹跟踪
一、引言
车辆在行驶过程中的横向动力学控制对于提高行驶安全性、稳定性和舒适性至关重要。模型预测控制（MPC）作为一种先进的控制策略，因其能够处理多变量、有约束的系统，并且具有对未来系统行为进行预测和优化的能力，在车辆控制领域得到了广泛关注。CasADi是一个用于非线性优化和数值最优控制的开源软件工具，它提供了高效的符号计算和数值计算功能，能够方便地构建和求解优化问题。qpOASES是一种开源的二次规划求解器，具有高效、稳定的特点。本文将结合CasADi和qpOASES设计一种线性MPC控制器，用于车辆横向动力学控制，实现轨迹跟踪任务。
二、车辆模型
为了便于分析和控制设计，将车辆简化为一个4状态系统。该系统的状态变量通常包括车辆的横向位移、横摆角、横向速度和横摆角速度等。这些状态变量能够充分描述车辆在横向平面内的运动特性。控制输入选定为前轮转角δ，通过调节前轮转角可以改变车辆的行驶方向，从而实现对车辆横向运动的控制。这种简化模型在保证一定精度的同时，降低了控制设计的复杂度，使得后续的MPC控制器设计更加可行。
三、控制器设计
3.1 MPC基本原理
模型预测控制是一种基于模型、滚动优化和反馈校正的控制策略。在每个采样时刻，MPC根据系统的当前状态和预测模型，求解一个有限时域内的最优控制问题，得到一组最优控制序列。然而，在实际应用中，通常只实施该序列的第一个控制作用，然后在下一个采样时刻，根据新的状态信息重新求解最优控制问题，如此循环往复，实现对系统的实时控制。
3.2 代价函数设计
在每个采样时刻，MPC的目标是求解一组最优控制序列，使得以下代价函数最小：
其中，xk是系统在时刻k的状态向量，uk是时刻k的控制输入，xref,k是时刻k的参考状态，N是预测时域，Q、R和P分别是状态、控制输入和终端状态的加权矩阵。代价函数的第一项考虑了系统状态与参考状态之间的偏差，第二项考虑了控制输入的大小，通过合理选择加权矩阵，可以平衡跟踪精度和控制输入的平滑性。终端代价项的引入有助于提高系统的稳定性和鲁棒性。
3.3 参考轨迹生成
参考轨迹由双曲正切函数tanh给出，其表达式可以根据具体需求进行设计。例如，对于换道场景，可以设计如下形式的参考轨迹：
四、约束条件
在车辆横向动力学控制中，存在多种物理约束，如前轮转角的限制、车辆侧向加速度的限制等。为了确保车辆行为在物理可行域内，将这些约束条件硬编码到QP问题中。具体来说，约束条件可以表示为以下形式：
五、线性优化（QP）实现
5.1 QP问题构建
每一步建立标准二次规划问题：
5.2 qpOASES求解器与CasADi接口
qpOASES是一种专门用于求解二次规划问题的开源求解器，具有高效、稳定的特点。CasADi提供了与qpOASES的接口，使得在CasADi环境中可以方便地调用qpOASES求解器来求解QP问题。通过CasADi的符号计算功能，可以自动生成QP问题的系数矩阵和向量，然后将其传递给qpOASES求解器进行求解。这种结合方式充分发挥了CasADi在模型构建和符号计算方面的优势以及qpOASES在求解QP问题方面的高效性，提高了整个控制系统的开发效率和性能。
六、仿真流程
6.1 初始化参数
设置车辆模型的参数，如车辆质量、轴距、转动惯量等；确定MPC控制器的参数，如预测时域N、加权矩阵Q、R和P等；定义参考轨迹的参数，如换道宽度L、换道起始点纵向位置x0和参数d等；设置约束条件的参数，如前轮转角的最小值和最大值、侧向加速度的最小值和最大值等。
6.2 初始状态设置
给定车辆的初始状态，包括初始横向位移、初始横摆角、初始横向速度和初始横摆角速度等。
6.3 循环求解
在每个采样时刻，根据当前车辆状态和参考轨迹，构建QP问题，并利用qpOASES求解器通过CasADi接口求解该问题，得到最优控制序列。实施该序列的第一个控制作用，更新车辆状态，然后进入下一个采样时刻，重复上述过程，直到仿真结束。
七、输出结果
程序运行后自动弹出两张图，分别展示车辆的轨迹跟踪效果和前轮转角的变化情况。
7.1 轨迹跟踪效果图
该图以车辆纵向位置为横轴，横向位置为纵轴，绘制出车辆的实际行驶轨迹和参考轨迹。通过观察两条轨迹的吻合程度，可以直观地评估控制器对参考轨迹的跟踪性能。如果两条轨迹基本重合，说明控制器能够很好地跟踪参考轨迹，实现了预期的轨迹跟踪任务；如果存在较大偏差，则需要进一步分析原因，调整控制器参数或改进控制策略。
7.2 前轮转角变化图
该图以时间为横轴，前轮转角为纵轴，展示前轮转角随时间的变化情况。通过观察前轮转角的变化曲线，可以了解控制器的控制输入特性。理想情况下，前轮转角的变化应该平滑，没有突变，并且能够在满足约束条件的前提下，根据参考轨迹的要求进行合理调整。如果前轮转角出现频繁的突变或超出约束范围，说明控制器可能存在问题，需要进行优化和改进。
八、结论
本文提出了一种基于CasADi的线性MPC控制器用于车辆横向动力学控制，实现了轨迹跟踪任务。通过将车辆简化为4状态系统，设计合理的代价函数和参考轨迹，并将约束条件硬编码到QP问题中，利用qpOASES求解器通过CasADi接口高效求解QP问题，最终通过仿真验证了控制器的有效性。仿真结果表明，该控制器能够使车辆较好地跟踪由双曲正切函数生成的参考轨迹，同时满足各项约束条件，为车辆横向动力学控制提供了一种可行的解决方案。未来的研究可以进一步考虑车辆模型的非线性特性，优化控制器参数，提高控制系统的鲁棒性和适应性，以应对更复杂的行驶工况。
📚第二部分——运行结果
部分代码：
obj = 0; % Objective function
g = []; % constraints vector
Q1 = 1000;
Q2 = 100;
R=1;
% compute objective
for k=1:Np
obj = obj+(X(4,k+1)-P(n_states+k))'*Q1*(X(4,k+1)-P(n_states+k))/1.75^2;
obj = obj+(X(2,k+1)-P(n_states+Np+k))'*Q2*(X(2,k+1)-P(n_states+Np+k))/(pi/18)^2;
if k<Nc
obj = obj+(U(1,k))'*R*(U(1,k))/(pi/18)^2;
end
end
% compute constraints
for k = 1:Np+1
g = [g ; X(2,k)]; %state psi
g = [g ; X(4,k)]; %state Y
if k>1 && k<=Nc
g = [g ; (U(k)-U(k-1))];
end
end
% make the decision variables one column vector
OPT_variables = reshape(U,Nc,1);
% nlp_prob = struct('f', obj, 'x', OPT_variables, 'g', g, 'p', P);
qp = struct('f', obj, 'x', OPT_variables, 'g', g, 'p', P);
% solver = nlpsol('solver', 'ipopt', nlp_prob,opts);
% opts = struct;
% opts.qpoases.printLevel ='PL_NONE';
solver = qpsol('solver', 'qpoases', qp);
args = struct;
ubg=[];
lbg=[];
for k=1:Np+1
lbg=[lbg;-pi/6];
lbg=[lbg;-4];
ubg=[ubg;pi/6];
ubg=[ubg;4];
if k>1 && k<=Nc
lbg=[lbg;-pi/36*Ts_p];
ubg=[ubg;pi/36*Ts_p];
end
end
args.ubg=ubg;
args.lbg=lbg;
ubx=[];
lbx=[];
for k=1:Nc
ubx=[ubx;pi/18];
lbx=[lbx;-pi/18];
end
args.ubx=ubx;
args.lbx=lbx;
%% THE SIMULATION LOOP SHOULD START FROM HERE
t = 0;
x=[0;0;0;0];
xp = 0;
% xs = 1.75; % Reference posture.
u=0;
th=[t];
xh=[x];
xph=[xp];
uh=[u];
d_x1=25;
d_x2=21.95;
d_y1=4.05;
d_y2=5.7;
z1 = 2.4/25*(xp-27.19)-1.2;
z2 = 2.4/21.95*(xp-56.46)-1.2;
Y_r=d_y1/2*(1+tanh(z1))-d_y2/2*(1+tanh(z2));
psi_r=atan(d_y1*(1/cosh(z1))^2*(1.2/d_x1)-d_y2*(1/cosh(z2))^2*(1.2/d_x2));
Y_rh=[Y_r];
psi_rh=[psi_r];
simtime=15;
Ts=0.05;
u0 = zeros(Nc,1);
for i=1:(simtime/Ts)
tic;
% z1 = 2.4/25*(xp-27.19)-1.2;
% z2 = 2.4/21.95*(xp-56.46)-1.2;
Y_r_pre=zeros(Np,1);
psi_r_pre=zeros(Np,1);
for j=1:Np
xp_pre(j)=xp+vx*(j-1)*Ts;
z1_pre(j) = 2.4/25*(xp_pre(j)-27.19)-1.2;
z2_pre(j) = 2.4/21.95*(xp_pre(j)-56.46)-1.2;
Y_r_pre(j)=d_y1/2*(1+tanh(z1_pre(j)))-d_y2/2*(1+tanh(z2_pre(j)));
psi_r_pre(j)=atan(d_y1*(1/cosh(z1_pre(j)))^2*(1.2/d_x1)-d_y2*(1/cosh(z2_pre(j)))^2*(1.2/d_x2));
end
xs=[Y_r_pre;psi_r_pre];
args.p = [x;xs];
args.x0 = reshape(u0',Nc,1);
sol = solver('x0', args.x0, 'lbx', args.lbx, 'ubx', args.ubx,...
'lbg', args.lbg, 'ubg', args.ubg,'p',args.p);
uout = reshape(full(sol.x)',1,Nc)';
u=uout(1);
xup=vehicle_lateral_dynamics(x,u,Ts,vx);
x = xup;
xp=xp+vx*Ts;
t=t+Ts;
u0 = [uout(2:Nc);uout(Nc)];
th=[th,t];
xh=[xh,x];
uh=[uh,u];
Y_rh=[Y_rh,Y_r_pre(1)];
psi_rh=[psi_rh,psi_r_pre(1)];
xph=[xph,xp];
sample_time(i)=toc;
end
Simulation_run_time=sum(sample_time)
figure
plot(xph,xh(4,:),'LineWidth',2);
hold on;
plot(xph,Y_rh,'--','LineWidth',2);
xlabel('$X$','Interpreter','latex','FontSize',15);
ylabel('$Y$','Interpreter','latex','FontSize',15);
legend('$Y$','$Y^{r}$','Interpreter','latex','FontSize',15);
figure
plot(xph,xh(2,:),'LineWidth',2);
hold on;
plot(xph,psi_rh,'--','LineWidth',2);
xlabel('$X$','Interpreter','latex','FontSize',15);
ylabel('$\psi$','Interpreter','latex','FontSize',15);
legend('$\psi$','$\psi^{r}$','Interpreter','latex','FontSize',15);
🎉第三部分——参考文献
文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。(文章内容仅供参考，具体效果以运行结果为准)
🌈第四部分——Matlab代码实现
资料获取，更多粉丝福利，MATLAB|Simulink|Python资源获取
扫一扫
3639
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
