MPC模型预测控制（二）-MATLAB代码实现
update：MPC的QQ群
第一个群已经满500人(贫穷使我充不起鹅厂会员)，这是第二个群。
https://blog.csdn.net/tingfenghanlei/article/details/85046120在这篇文章里主要讲了下MPC的原理和C++实现的一个简单例子。
这篇文章里主要写MPC的MATLAB实现。许多做控制的同学还是很喜欢用MATLAB的，可以先用MATLAB跑跑看自己的代码效果怎么样。
我看MPC的MATLAB代码实现，主要看的是《无人驾驶车辆模型预测控制》这本书，书里的代码也比较完备。这里实现的代码基本上都是这本书中的，CSDN也有下载链接，大家可以去下载观看。
在实现MPC的代码之前，书中讲了LQR的代码实现。
LQR和MPC的区别：
LQR solves an optimization,
MPC solves a constrained optimization
In practice, optimization could lead to over-voltage, ovre-current, excessive force etc. You want a motor starts very quickly? The optimizer tells you give it an infinite electric current. So you use a saturation which destroys the optimality. MPC solves an optimization without excessing the limits.
In addition, LQR can be solved offline for an LTI system. However, MPC is not a linear controller. Typically, it must be solved online at each sample time. It requires higher computational load. MPC has toolbox in MATLAB. You can use it before you learn its theory in deep.
参考链接https://www.quora.com/Whats-the-difference-between-constrained-LQR-and-MPC
function LQR_1()
%这里先从简单开始，给定一个直线车道和车辆位置偏差。
%参考轨迹的生成方法有两种：
%1.车辆在Path上投影，然后在PATH上选取一系列的点作参考点
%*现在遇到的问题是Q R的参数怎么设置。而且通用性怎么办？*%
clear all;
close all;
clc;
%% 给定参数：
vel = 6; % 纵向车速,单位：m/s
L=2.85;%轴距
T=0.05;% sample time， control period
% 给定圆形参考轨迹
CEN=[0,0]; % 圆心
Radius=20; % 半径
%% 设置参数
Hp =10;%predictive horizion, control horizon
N_l=200;% 设置迭代次数
Nx=3;%状态变量参数的个数
Nu=1;%控制变量参数的个数
FWA=zeros(N_l,1);%前轮偏角
FWA(1,1)= 0; %初始状态的前轮偏角
x_real=zeros(Nx,N_l);%实际状态
x_real(:,1)= [22 0 pi/2]; %x0=车辆初始状态X_init初始状态
% x_piao=zeros(N_l,Nx);%实际状态与参考轨迹的误差
%
% u_real=zeros(N_l,Nu);%实际的控制量
% u_piao=zeros(N_l,Nu);%实际控制量与参考控制量的误差
% X_PIAO=zeros(N_l,3*Hp);%通过DR估计的状态
%
% XXX=zeros(N_l,3*Hp);%用于保持每个时刻预测的所有状态值
RefTraj=zeros(3,1);
Delta_x = zeros(3,1);
Q=[10 0 0; 0 10 0; 0 0 100];
R=[10];%r是对控制量误差的weighting matrice
Pk=[1 0 0; 0 1 0; 0 0 1]; %人为给定,相当于QN
Vk=[0 0 0]'; %人为给定,相当于QN
%% 算法实现
u_feedBackward=0;
u_feedForward=0;
%*首先生成参考轨迹，画出图来作参考*%
[RefTraj_x,RefTraj_y,RefTraj_theta,RefTraj_delta]=Func_CircularReferenceTrajGenerate(x_real(1,1),x_real(1,2),CEN(1),CEN(2),Radius,250,vel,T,L);
figure(1) %绘制参考路径
plot(RefTraj_x,RefTraj_y,'k')
xlabel('x','fontsize',14)
ylabel('y','fontsize',14)
title('Plot of x vs y - Ref. Trajectory');
legend('reference traj');
axis equal
grid on
hold on
for i=1:1:N_l
G_Test = 3;
%先确定参考点和确定矩阵A,B.这里姑且认为A和B是不变的
[RefTraj_x,RefTraj_y,RefTraj_theta,RefTraj_delta]=Func_CircularReferenceTrajGenerate(x_real(1,i),x_real(2,i),CEN(1),CEN(2),Radius,Hp,vel,T,L);
u_feedForward = RefTraj_delta(G_Test);%前馈控制量
% u_feedForward=0;
RefTraj_x(G_Test)
RefTraj_y(G_Test)
RefTraj_theta(G_Test)
Delta_x(1,1) = x_real(1,i) - RefTraj_x(G_Test);
Delta_x(2,1) = x_real(2,i) - RefTraj_y(G_Test);
Delta_x(3,1) = x_real(3,i) - RefTraj_theta(G_Test);
if Delta_x(3,1) > pi
Delta_x(3,1) = Delta_x(3,1)-2*pi;
else if Delta_x(3,1) < -1*pi
Delta_x(3,1) = Delta_x(3,1) +2*pi;
else
Delta_x(3,1) = Delta_x(3,1);
end
end
% 通过Backward recursion 求K
for j=Hp:-1:2
Pk_1 = Pk;
Vk_1 = Vk;
A=[1 0 -vel*sin(RefTraj_theta(j-1))*T; 0 1 vel*cos(RefTraj_theta(j-1))*T; 0 0 1;];
% B=[cos(RefTraj_theta(j-1))*T 0; sin(RefTraj_theta(j-1))*T 0; 0 vel*T/L;];
COS2 = cos(RefTraj_delta(j-1))^2;
B=[ 0 0 vel*T/(L*COS2)]';
K = (B'*Pk_1*A)/(B'*Pk_1*B+R);
Ku = R/(B'*Pk_1*B+R);
Kv = B'/(B'*Pk_1*B+R);
Pk=A'*Pk_1*(A-B*K)+Q;
Vk=(A-B*K)'*Vk_1 - K'*R*RefTraj_delta(j-1);
end
u_feedBackward = -K*(Delta_x)-Ku*u_feedForward-Kv*Vk_1;
FWA(i+1,1)=u_feedForward+u_feedBackward;
[x_real(1,i+1),x_real(2,i+1),x_real(3,i+1)]=Func_VehicleKineticModule_Euler(x_real(1,i),x_real(2,i),x_real(3,i),vel,FWA(i,1),FWA(i+1,1),T,L);
end
%% 绘图
% figure(1);
% plot(RefTraj_x,RefTraj_y,'b')
% hold on;
plot(x_real(1,:),x_real(2,:),'r*');
title('跟踪结果对比');
xlabel('横向位置X');
% axis([-1 5 -1 3]);
ylabel('纵向位置Y');
end还有4个子函数
function K=Func_Alpha_Pos(Xb,Yb,Xn,Yn)
AngleY=Yn-Yb;
AngleX=Xn-Xb;
%***求Angle*******%
if Xb==Xn
if Yn>Yb
K=pi/2;
else
K=3*pi/2;
end
else
if Yb==Yn
if Xn>Xb
K=0;
else
K=pi;
end
else
K=atan(AngleY/AngleX);
end
end
%****修正K,使之在0~360°之间*****%
if (AngleY>0&&AngleX>0)%第一象限
K=K;
elseif (AngleY>0&&AngleX<0)||(AngleY<0&&AngleX<0)%第二、三象限
K=K+pi;
else if (AngleY<0&&AngleX>0)%第四象限
K=K+2*pi;
else
K=K;
end
end
endfunction Theta=Func_Theta_Pos(Alpha)
if Alpha >= 3*pi/2
Theta = Alpha-3*pi/2;
else
Theta = Alpha+pi/2;
end
endfunction [RefTraj_x,RefTraj_y,RefTraj_theta,RefTraj_delta]=Func_CircularReferenceTrajGenerate(Pos_x,Pos_y,CEN_x,CEN_y,Radius,N,Velo,Ts,L)
%RefTraj为要生成的参考路径
%Pos_x,Pos_y为车辆坐标
%CEN_x,CEN_y,Radius圆心与半径
%N要生成几个参考点，即预测空间。
%Velo,Ts车速与采样时间
%L汽车的轴距
RefTraj=zeros(N,4);%生成的参考路径
Alpha_init=Func_Alpha_Pos(CEN_x,CEN_y,Pos_x,Pos_y);%首先根据车辆位置和圆心确定alpha
Omega=Velo/Radius%已知车速和半径，可以求得角速度。
DFWA=atan(L/Radius);
for k=1:1:N
Alpha(k)=Alpha_init+Omega*Ts*(k-1);
RefTraj(k,1)=Radius*cos(Alpha(k))+CEN_x;%x
RefTraj(k,2)=Radius*sin(Alpha(k))+CEN_y;%y
RefTraj(k,3)=Func_Theta_Pos(Alpha(k));%theta
RefTraj(k,4)=DFWA;%前轮偏角，可以当做前馈量
end
RefTraj_x= RefTraj(:,1);
RefTraj_y= RefTraj(:,2);
RefTraj_theta= RefTraj(:,3);
RefTraj_delta= RefTraj(:,4);
endfunction [X,Y,H]=Func_VehicleKineticModule_Euler(x,y,heading,vel,FWA,DFWA,T,L)
%车辆运动学模型，状态量，x,y,heading;控制量：vel=constant，FWA
%固定的步数，来求得数值解
%%
%initial the status of the vehicle
num=100;
Xmc=zeros(1,num);
Ymc=zeros(1,num);
Headingmc=zeros(1,num);
Xmc(1)=x;
Ymc(1)=y;%x,y初始坐标
Headingmc(1)=heading;%航向,
Headingrate=zeros(1,num);
FrontWheelAngle=zeros(1,num);
t=T/num;
%%
FrontWheelAngle=linspace(FWA,DFWA,num);%前轮偏角
Headingrate=vel*tan(FrontWheelAngle)/L;
for i=2:num
Headingmc(i)=Headingmc(i-1)+Headingrate(i)*t;
Xmc(i)=Xmc(i-1)+vel*t*cos(Headingmc(i-1));
Ymc(i)=Ymc(i-1)+vel*t*sin(Headingmc(i-1));
end
%%
X=Xmc(num);
Y=Ymc(num);
H=Headingmc(num);
end
%% test
% [X,Y,H]=VehicleKineticModule_Euler(0,0,0,10,0,3,0.1,2.85)
%plot(X,Y,'b');
现在再看看MPC的代码实现
clc;
close all;
clear all;
%% 参考轨迹生成
N=100;%参考轨迹点数量
T=0.05;%采样时间，控制周期
% Xout=zeros(2*N,3);
% Tout=zeros(2*N,1);
Xout=zeros(N,3);
Tout=zeros(N,1);
for k=1:1:N
Xout(k,1)=k*T;
Xout(k,2)=2;
Xout(k,3)=0;
Tout(k,1)=(k-1)*T;
end
%% Tracking a constant reference trajectory
Nx=3;%状态量个数
Nu =2;%控制量个数
Tsim =20;%仿真时间
X0 = [0 0 pi/3];%初始状态
[Nr,Nc] = size(Xout); % Nr is the number of rows of Xout，100*3
% Mobile Robot Parameters
c = [1 0 0 0;0 1 0 0;0 0 1 0;0 0 0 1];
L = 1;%车辆轴距
Rr = 1;
w = 1;
% Mobile Robot variable Model
vd1 = Rr*w; % For circular trajectory，参考系统的纵向速度
vd2 = 0;%参考系统的前轮偏角
%根据控制系统的维度信息，提前定义好相关矩阵并赋值
x_real=zeros(Nr,Nc);%X的真实状态
x_piao=zeros(Nr,Nc);%X的误差状态
u_real=zeros(Nr,2);%真实控制量
u_piao=zeros(Nr,2);%误差控制量
x_real(1,:)=X0;%初始状态
x_piao(1,:)=x_real(1,:)-Xout(1,:);%与预期的误差值
X_PIAO=zeros(Nr,Nx*Tsim);
XXX=zeros(Nr,Nx*Tsim);%用于保持每个时刻预测的所有状态值
q=[1 0 0;0 1 0;0 0 0.5];
Q_cell=cell(Tsim,Tsim);
for i=1:1:Tsim
for j=1:1:Tsim
if i==j
Q_cell{i,j}=q;
else
Q_cell{i,j}=zeros(Nx,Nx);
end
end
end
Q=cell2mat(Q_cell);%权重矩阵
R=0.1*eye(Nu*Tsim,Nu*Tsim);%权重矩阵
%模型预测控制主体
for i=1:1:Nr
t_d =Xout(i,3);
a=[1 0 -vd1*sin(t_d)*T;
0 1 vd1*cos(t_d)*T;
0 0 1;];
b=[cos(t_d)*T 0;
sin(t_d)*T 0;
0 T;];
A_cell=cell(Tsim,1);
B_cell=cell(Tsim,Tsim);
for j=1:1:Tsim
A_cell{j,1}=a^j;
for k=1:1:Tsim
if k<=j
B_cell{j,k}=(a^(j-k))*b;
else
B_cell{j,k}=zeros(Nx,Nu);
end
end
end
A=cell2mat(A_cell);
B=cell2mat(B_cell);
H=2*(B'*Q*B+R);
f=2*B'*Q*A*x_piao(i,:)';
A_cons=[];
b_cons=[];
lb=[-1;-1];
ub=[1;1];
tic
[X,fval(i,1),exitflag(i,1),output(i,1)]=quadprog(H,f,A_cons,b_cons,[],[],lb,ub);%二次规划求解
toc
X_PIAO(i,:)=(A*x_piao(i,:)'+B*X)';
if i+j添加了一些注释，但是感觉这个代码写的不是很好。
下次看到好的MPC代码我会放上来。