nlmpcmove
计算最优控制行动非线性MPC控制器
语法
描述
非线性MPC
例子
计划使用非线性MPC最优轨迹
创建非线性MPC控制器与六个州,六个输出,和四个输入。
nx = 6;纽约= 6;ν= 4;nlobj = nlmpc (nx、纽约、ν);
在标准成本函数、零重量默认应用到一个或多个ov因为有MVs比ov少。
指定控制器样品时间和视野。
t = 0.4;p = 30;c = 4;nlobj。Ts= Ts; nlobj.PredictionHorizon = p; nlobj.ControlHorizon = c;
指定预测模型状态函数和雅可比矩阵的状态函数。对于这个示例,使用模型的飞行机器人。
nlobj.Model。StateFcn =“FlyingRobotStateFcn”;nlobj.Jacobian。StateFcn =“FlyingRobotStateJacobianFcn”;
指定一个自定义代价函数控制器,取代了标准的成本函数。
nlobj.Optimization。CustomCostFcn = @ (X, U, e,数据)Ts *金额(金额(U (1: p)));nlobj.Optimization。ReplaceStandardCost = true;
指定一个自定义的约束函数控制器。
nlobj.Optimization。CustomEqConFcn = @ (X, U,数据)X(最终:)”;
指定线性约束的操纵变量。
为ct = 1:νnlobj.MV (ct)。最小值= 0;nlobj.MV (ct)。Max = 1;结束
验证预测模型和自定义函数在初始状态(x0)和初始输入(情况)的机器人。
x0 =(-10; -10;π/ 2,0,0,0);情况= 0(ν,1);validateFcns (nlobj x0,情况);
Model.StateFcn是OK. Jacobian.StateFcn is OK. No output function specified. Assuming "y = x" in the prediction model. Optimization.CustomCostFcn is OK. Optimization.CustomEqConFcn is OK. Analysis of user-provided model, cost, and constraint functions complete.
计算最优状态轨迹和操纵变量,返回的信息。
[~,~,信息]= nlmpcmove (x0, nlobj情况);
松弛变量未使用或zero-weighted定制成本函数。所有约束将是非常困难的。
情节最优轨迹。
FlyingRobotPlotPlanning(信息)
最佳的燃油消耗= 4.712383
使用非线性MPC控制器模拟闭环控制
创建一个非线性MPC控制器有四个州,两个输出,和一个输入。
nlobj = nlmpc (4 2 1);
在标准成本函数、零重量默认应用到一个或多个ov因为有MVs比ov少。
指定控制器的样品时间和视野。
t = 0.1;nlobj。Ts= Ts; nlobj.PredictionHorizon = 10; nlobj.ControlHorizon = 5;
指定控制器的状态函数,在这个文件中pendulumDT0.m。离散时间模型集成了连续时间模型中定义pendulumCT0.m使用多步向前欧拉方法。
nlobj.Model。StateFcn =“pendulumDT0”;nlobj.Model。IsContinuousTime = false;
预测模型使用一个可选参数,Ts,代表样品时间。指定参数的数量。
nlobj.Model。NumberOfParameters = 1;
指定的输出函数模型,通过样本时间参数作为输入参数。
nlobj.Model。OutputFcn = @ (x, u, Ts) [x (1);x (3)];
控制器定义标准的约束。
nlobj.Weights。OutputVariables = 3 [3];nlobj.Weights。ManipulatedVariablesRate = 0.1;nlobj.OV (1)。最小值= -10;nlobj.OV (1)。Max = 10;nlobj.MV。最小值= -100;nlobj.MV。Max = 100;
验证预测模型的功能。
x0 =[0.1; 0.2; 0.3 -π/ 2,);情况= 0.4;validateFcns (nlobj x0,情况,[],{Ts});
Model.StateFcn是OK. Model.OutputFcn is OK. Analysis of user-provided model, cost, and constraint functions complete.
只有两个植物状态是可衡量的。因此,创建一个扩展卡尔曼滤波估计的四个工厂。其状态转换函数中定义pendulumStateFcn.m和它的测量中定义的函数pendulumMeasurementFcn.m。
EKF = extendedKalmanFilter (@pendulumStateFcn @pendulumMeasurementFcn);
为模拟定义初始条件,初始化扩展卡尔曼滤波器的状态,并指定一个零初始操纵变量值。
x =[0, 0, -π;0];y = x (x (1); (3)];卡尔曼滤波器。国家= x;mv = 0;
指定输出的参考价值。
yref = [0 0];
创建一个nlmpcmoveopt对象,并指定样本的时间参数。
nloptions = nlmpcmoveopt;nloptions。参数= {Ts};
运行仿真10秒。在每个控制周期:
纠正之前的预测使用当前的测量。
计算最优控制移动使用
nlmpcmove。这个函数返回计算最优序列nloptions。通过更新的选择对象nlmpcmove在接下来的控制区间为最优序列提供了最初的猜测。预测模型。
应用第一个计算最优控制移动到工厂,工厂更新状态。
生成与白噪声传感器数据。
保存植物状态。
时间= 10;xHistory = x;为ct = 1(时间/ Ts):%纠正之前的预测xk =正确(卡尔曼滤波器,y);%计算最优控制动作[mv, nloptions] = nlmpcmove (yref nlobj xk, mv, [], nloptions);%为下一次迭代预测模型预测状态预测(卡尔曼滤波器,[mv;Ts]);%实现第一次最优控制移动x = pendulumDT0 (x, mv, Ts);%生成传感器数据3 y = x ([1]) + randn (2, 1) * 0.01;%保存植物状态xHistory = [xHistory x];结束
情节产生的状态轨迹。
图次要情节(2 2 1)情节(0:Ts:持续时间、xHistory(1:))包含(“时间”)ylabel (“z”)标题(“车位置”次要情节(2,2,2)情节(0:Ts:持续时间、xHistory(2:))包含(“时间”)ylabel (“zdot”)标题(“车速度”次要情节(2,2,3)图(0:Ts:持续时间、xHistory(3:))包含(“时间”)ylabel (“θ”)标题(“摆角”次要情节(2,2,4)图(0:Ts:持续时间、xHistory(4:))包含(“时间”)ylabel (“thetadot”)标题(“摆速度”)
创建和模拟多级非线性MPC控制器
这个例子展示了如何创建和模拟一个非常简单的多级闭环MPC控制器。
创建一个多级MPC控制器
创建一个多级mpc对象与地平线5步骤,一个州,一个操纵变量。
nlmsobj = nlmpcMultistage (5、1、1);
指定的状态转换函数预测模型(mystatefcn定义在文件的末尾)。
nlmsobj.Model。StateFcn =@mystatefcn;
为三个阶段(指定成本函数mycostfcn定义在文件的末尾)。
为我= 3:6 nlmsobj.Stages (6)。CostFcn = @mycostfcn;结束
模拟闭环控制器
初始化植物状态和输入。
x = 3;mv = 0;
验证功能。
validateFcns (nlmsobj x, mv);
Model.StateFcn是OK. "CostFcn" of the following stages 6 are OK. Analysis of user-provided model, cost, and constraint functions complete.
模拟控制回路的10个步骤。
为k = 1:10 mv = nlmpcmove (nlmsobj x, mv);%计算移动(没有最初的猜测)x = x + (mv-sqrt (x)) * 1;%更新x: x (t + 1) = x (t) + xdot * Ts结束
显示最后一个值的状态和操作变量。
disp ([“x =最终值”num2str (x)))
x = 0.57118的最终值
disp ([“mv =最终值”num2str (mv)))
最终值的mv = 0.75571
金宝app支持功能
状态转换函数。
函数xdot = mystatefcn (x, u) xdot = u-sqrt (x);结束
阶段成本函数。
函数j = mycostfcn (s, x, u) j = abs (u) / s + s * x ^ 2;结束
模拟多级非线性MPC控制器使用初始猜测
这个例子展示了如何创建和模拟一个非常简单的多级闭环MPC控制器。
创建一个多级MPC控制器
创建一个多级mpc对象7步骤地平线,一个国家,一个操纵变量。
nlmsobj = nlmpcMultistage (7, 1, 1);
指定的状态转换函数预测模型(mystatefcn定义在文件的末尾)。
nlmsobj.Model。StateFcn =@mystatefcn;
最佳实践是使用雅克比时可用,否则解算器必须数值计算。
指定状态转换函数的雅可比矩阵(mystatejacobian定义在文件的末尾)。
nlmsobj.Model。StateJacFcn = @mystatejac;
指定所有阶段的成本函数除了前两个(mycostfcn定义在文件的末尾)。
为i =三nlmsobj.Stages (6)。CostFcn = @mycostfcn;结束
定义初始条件,创建数据结构和验证功能
初始化植物状态和输入。
x = 3;mv = 0;
创建初始模拟数据结构。
simdata = getSimulationData (nlmsobj)
simdata =结构体字段:StateMin: [] StateMax: [] MVMin: [] MVMax: [] InitialGuess: []
验证函数和数据结构。
validateFcns (nlmsobj x, mv, simdata);
Model.StateFcn是OK. Model.StateJacFcn is OK. "CostFcn" of the following stages 6 are OK. Analysis of user-provided model, cost, and constraint functions complete.
模拟闭环控制器
模拟控制回路的10个步骤。
为k = 1:10 [mv, simdata] = nlmpcmove (nlmsobj x, mv, simdata);%计算移动x = x + (mv-sqrt (x)) * 1;%更新x: x (t + 1) = x (t) + xdot * Ts结束
显示最后一个值的状态和操作变量。
disp ([“x =最终值”num2str (x)))
x = 1.6556的最终值
disp ([“mv =最终值”num2str (mv)))
最终值的mv = 1.2816
金宝app支持功能
状态转换函数。
函数xdot = mystatefcn (x, u) xdot = u-sqrt (x);结束
雅可比矩阵的状态转换函数。
函数[A, B] = mystatejac (x ~) = 1 / (2 * x ^ (1/2));B = 1;结束
阶段成本函数。
函数j = mycostfcn (s, x, u) j = abs (u) / s + s * x ^ 2;结束
输入参数
输出参数
提示
在闭环仿真,这是最佳实践温暖的开始非线性解算器通过使用状态和操纵变量轨迹预测从先前的控制区间作为初始猜测当前控制区间。使用这些轨迹作为初始猜测:
返回
选择输出参数时调用nlmpcmove。这nlmpcmoveopt对象包含任何运行时选项你前面调用中指定nlmpcmove与最初的猜测状态(opt.X0)和操纵变量(opt.MV0)轨迹。通过这个对象中
选项输入参数nlmpcmove在接下来的控制区间。
这些步骤是一个最佳实践,即使你不指定任何其他运行时选项。
