【模糊预测控制】基于matlab无人机圆轨迹MPC控制器设计【含Matlab源码 3701期】

💥💥💥💥💥💥💞💞💞💞💞💞💞💞欢迎来到海神之光博客之家💞💞💞💞💞💞💞💞💥💥💥💥💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进；
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式

⛳️座右铭：行百里者，半于九十。
更多Matlab物理应用仿真内容点击👇
①Matlab物理应用 （进阶版）
②付费专栏Matlab物理应用（初级版）

⛳️关注优快云海神之光，更多资源等你来！！

⛄一、无人机圆轨迹MPC控制器设计简介

1 MPC简介
模型预测控制（以下简称 MPC）是一种依赖于系统模型进行数学优化的复杂控制器。它利用优化算法计算有限时间范围内一系列的控制输入序列，并优化该序列，但控制器仅执行序列中的第一组控制输入，然后再次重复该循环。MPC 主要分为 3 个关键步骤：模型预测、滚动优化、反馈校正。

2 MPC在轨迹跟踪过程中的应用
在轨迹跟踪应用领域，通常 MPC 建模可根据机器人的控制方式选择基于运动学运动状态方程建模或者基于动力学运动状态方程建模。前者是根据车辆转向的几何学角度关系和速度位置关系来建立描述车辆的运动的预测模型，一般只适用于低速运动场景；后者是对被控对象进行综合受力分析，从受力平衡的角度建模，一般应用在高速运动场景，如汽车无人驾驶。本文基于双轮差速运动学模型，推导实现差速运动的MPC轨迹跟踪控制。 双轮差速运动学线性 MPC 轨迹跟踪实现的基本思路是状态方程–线性化–离散化–预测方程–约束线性化–非线性目标函数转为二次规划–求解最优问题。其中线性化可采用泰勒级数展开忽略高次项的方式，离散化可采用后向差分法，这两个部分都有一定的模型精度丢失。

3 作用机理
MPC作用机理描述为：在每一个采用时刻，根据获得的当前测量信息，在线求解一个有限时间开环优化问题，并将得到的控制序列的第一个元素作用于被控对象。在下一个采样时刻，重复上述过程：用新的测量值作为此时预测系统未来动态的初始条件，刷新优化问题并重新求解 。
即MPC算法包括三个步骤：
（1）预测系统未来动态；
（2）（数值）求解开环优化问题；
（3）将优化解的第一个元素（或者说第一部分）作用于系统
这三步是在每个采样时刻重复进行的，且无论采用什么样的模型，每个采样时刻得到的测量值都作为当前时刻预测系统未来动态的初始条件
在线求解开环优化问题获得开环优化序列是MPC和传统控制方法的主要区别，因为后者通常是离线求解一个反馈控制律，并将得到的反馈控制律一直作用于系统。

⛄二、部分源代码

clear all
close all
clc

% Define the parameters
g = 9.81; % Acceleration due to gravity (m/s^2)
m = 1; % Mass (kg)
Ixx = 9.3e-3; % Moment of inertia about x-axis (kgm^2)
Iyy = 9.2e-3; % Moment of inertia about y-axis (kgm^2)
Izz = 15.1e-3; % Moment of inertia about z-axis (kg*m^2)
w = 0.1; % Angular velocity (rad/s)
radius = 5; % Radius (m)
height = 5; % Height (m)

% MPC controller
dt = 0.1; % sample time (sec)
Np = 40; % prediction horizon
Nc = 10; % control horizon
T_sim = 80; % Total simulation time (sec)

% Simulation time
t = 0:dt:T_sim;
Nt = length(t);

% State Matrix
A = [0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0;
0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0;
0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0;
0, 0, 0, 0, 0, 0, 0, -g, 0, 0, 0, 0;
0, 0, 0, 0, 0, 0, g, 0, 0, 0, 0, 0;
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0;
0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0;
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0;
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1;
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0;
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0;
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0];

% Control Matrix
B = [0, 0, 0, 0;
0, 0, 0, 0;
0, 0, 0, 0;
0, 0, 0, 0;
0, 0, 0, 0;
1/m, 0, 0, 0;
0, 0, 0, 0;
0, 0, 0, 0;
0, 0, 0, 0;
0, 1/Ixx, 0, 0;
0, 0, 1/Iyy, 0;
0, 0, 0, 1/Izz];

% Output Matrix
C=eye(12);

% Feed-forward Matrix
D = zeros(12,4);

% UAV State Space Model
quad_model = ss(A, B, C, D);

% I/O names
quad_model.OutputName = {‘x’,‘y’,‘z’,‘u’,‘v’,‘w’,…
‘phi’,‘theta’,‘psi’,‘p’,‘q’,‘r’};

quad_model.InputName = {‘T’,‘t_phi’,‘t_theta’,‘t_psi’};

quad_model.StateName = {‘x’,‘y’,‘z’,‘u’,‘v’,‘w’,…
‘phi’,‘theta’,‘psi’,‘p’,‘q’,‘r’};

% number of states & inputs
Nx = size(A,1);
Nu = size(B,2);

% MPC controller
mpcobj = mpc(quad_model, dt, Np, Nc);
% Initial conditions
mpcobj.Model.Nominal.X = [zeros(1,12)];
% Controller Weights
mpcobj.Weights = struct(‘MV’,[1 1 1 1],…
‘MVRate’,[1 1 1 1],‘OV’,[1 1 1 1 1 zeros(1,3) 1 zeros(1,3)]);

% UAV states used in simulation
xc = mpcstate(mpcobj);

% Set constraints to controller outputs
F = [0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0; % Yaw angle
0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0]; % Altitude

% Constraint constant for I/O
G = [0;height];

% MV constraint constant
E = zeros(4);

% Set constraints
V=[0;0.4];

% Apply constraints
setconstraint(mpcobj,E,F,G,V)

% I/O simulation states
y = zeros(Nt,Nx);
u = zeros(Nt,Nu);

% Distance of UAV from origin
d_centre=zeros(1,Nt);

% Generate circle for refrence
[circle_x,circle_y] = create_circle(10000,radius);

% Generate random number to choose starting point
rng(fix(sum(clock)));
random_index = randi([1, numel(circle_x)], 1);

% Initial angular position
theta = atan2(circle_y(random_index),circle_x(random_index));

for i = 1:Nt

% Update model states
y(i,:) = xc.Plant';

% Distance from origin
dx_centre = 0-y(i,1);
dy_centre = 0-y(i,2);
d_centre(i) = sqrt((dx_centre)^2 + (dy_centre)^2);

% Distance from circle
d1 = sqrt((y(i,1)-circle_x(random_index))^2 + ((y(i,2)-circle_y(random_index))^2));

% Calculate x and y coordinates of next position
x_r = radius*cos(theta);
y_r = radius*sin(theta);

% Calculate x and y speed vectors to guide point to next position
vx = (x_r - y(i,1))/dt;
vy = (y_r - y(i,2))/dt;

theta = theta + w*dt;

% Refrence
r = [x_r y_r height vx vy 0 0 0 0 0 0 0]; 
    
% Compute optimal control action and update controller states
[u(i,:),info(i)] = mpcmove(mpcobj,xc,y(i,:),r,[]);

end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]季冬冬.MPC控制器的FPGA实现及其应用[J].吉林大学学报（信息科学版）. 2013,21(11)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合