手把手教做无人驾驶算法（二十八）--Tube MPC与MPC区别

已于 2022-05-09 11:55:05 修改
阅读量8.9k 收藏 15
点赞数 2
CC 4.0 BY-SA版权
分类专栏： MPC 文章标签： 自动驾驶 算法
于 2022-05-08 22:20:37 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/caokaifa/article/details/124655837
传统的Model Predictive Control (MPC)算法在面对扰动时可能失去鲁棒性，导致解不可行。Tube MPC通过引入终端不变集约束来确保稳定性。这种技术旨在通过优化控制策略，使系统即使在存在不确定性的情况下也能保持在预定的安全区域内。GitHub上的'robust-tube-mpc'项目提供了实现Robust MPC的代码示例，特别关注于使用Tube MPC来增强系统的鲁棒性能。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一般的MPC算法并没有保障鲁棒性。

常规MPC算法求解一般都是保证可行解在边界附件，想象一下如果这个时候加一个扰动，这个解很容易出现在边界外面，从而这个优化解也不是可行解。这里就引入了Tube MPC。

MPC稳定性可以通过三种方法保证：

1.终端代价约束

2.终端条件约束

3.终端不变集约束

这里的Tube MPC属于终端不变集约束。

具体代码参考：GitHub - HiroIshida/robust-tube-mpc: Robust model predictive control using tube

matlab基于模型的 MPC 与机器学习 MPC 的比较，如何使用Model-Based MPC对一个简单的系统进行控制
code2day的博客
03-09 784
模型预测控制 (MPC)，也称为移动时域控制或后退时域控制，是一种广泛使用的控制策略，已应用于许多领域，包括过程控制、机器人和自治系统。MPC 的中心原则是使用系统的数学模型预测未来的行为，然后利用该知识产生控制动作以最大化某些性能目标。由于多年的不断改进和改进，MPC 现在可以处理日益复杂的系统和困难的控制问题。如下图所示，在每个控制区间，MPC 算法计算控制范围的开环序列，以优化预测范围内的对象行为。MPC 的最新发展之一是机器学习技术的集成，导致基于机器学习的 MPC (ML-MPC) 的发展。
手把手教你学simulink（26.9）--控制算法场景示例：基于模型预测控制（MPC）的智能温控系统
MHD0815的博客
12-07 631
首先，我们需要定义MPC对象，指定系统的状态空间模型、预测时间范围、控制时间范围以及约束条件。matlab深色版本% 定义状态空间模型0, 0, 0;0, 0, 0];B = [1/C;0;0];D = 0;% 创建LTI模型% 定义MPC对象Ts = 1;% 采样时间 (秒)p = 10;% 预测时间范围 (步数)m = 3;% 控制时间范围 (步数)% 设置输出权重% 设置约束条件% 最小加热/冷却功率% 最大加热/冷却功率。
【免费下载】 Robust Tube MPC: 一种基于管的鲁棒模型预测控制实现
gitblog_00400的博客
12-26 1136
Robust Tube MPC: 一种基于管的鲁棒模型预测控制实现 1. 项目基础介绍与主要编程语言 本项目是一个开源的模型预测控制（MPC）的MATLAB实现，专注于鲁棒控制领域。通过使用“管”的概念来确保在存在不确定性和扰动的情况下，系统的行为依然能够满足预定的约束条件。主要编程语言为MATLAB，同时也使用了部分TeX语言编写文档。 2. 核心功能 该项目实现了以下核心功能： 鲁棒模型预测...
手把手教做无人驾驶算法（二十七）--关于MPC扰动不变集的分析
caokaifa的博客
05-08 3410
Disturbance invariant set I think one may get stuck at computation of what paper [1] called "disturbance invariant set". The disturbance invariant set is an infiniteMinkowski additionZ = W ⨁ Ak*W ⨁ Ak^2*W..., where ⨁ denotes Minkowski addition. Obtaini...
无人驾驶车辆MPC控制算法程序完整实现
weixin_32535825的博客
04-29 1613
无人驾驶汽车的硬件系统集成是将多个复杂的硬件组件整合成一个高效协同工作的整体。这包括但不限于感知系统（如雷达、摄像头、激光雷达等），控制系统（如ECU、线控转向、线控制动等），计算平台（如GPU、FPGA、专用AI处理器等），以及通信模块（如V2X通信系统）。每一个组件都必须精确地执行其功能，并且与其他组件无缝集成，以确保整个系统的响应速度、精确度和可靠性符合安全标准。
robust-tube-mpc_鲁棒_MPC_tubempc_tube预测控制_鲁棒tube
09-11
24这个库包含示例管模型预测控制(tube-MPC)[1
matlab矩形序列代码-robust-tube-mpc:使用管的鲁棒模型预测控制
05-23
matlab矩形序列代码使用管的鲁棒模型预测控制 该存储库包含管模型预测控制（tube-MPC）[1]以及用MATLAB编写的通用模型预测控制（MPC）的示例。 要求 Optimization_Toolbox（matlab） control_toolbox（matlab） 多参数工具箱3（开源，可从以下网址免费获得） 反馈，错误报告，贡献 如果您觉得此软件包有帮助，给此存储库加一个“星号”将对我来说是一个愉快的反馈！ 如果您发现错误，或者对试管MPC有更广泛的疑问，请在中发布。 我将尽力通过电子邮件回答问题，但我强烈建议在问题页面上这样做。 对我而言，保持自己的步调容易得多。 用法 对于tube-MPC和通用MPC，请分别参见example/example_tubeMPC.m和example/example_MPC.m 。 注意，这里的每个不等式约束都表示为凸集。 例如，状态Xc的约束条件指定为矩形，该矩形由4个顶点构成。 当考虑一维输入Uc ， Uc将由最小值和最大值（即u∊[u_min, u_max] ）指定，因此将由2个顶点构造。 有关更多详细信息，请参见示例代码。 管MPC的简
【亲测免费】 仓库简介：基于管状模型预测控制（Robust Tube-MPC）的实现
gitblog_00550的博客
08-08 1423
仓库简介：基于管状模型预测控制（Robust Tube-MPC）的实现 本教程将引导您了解并应用 robust-tube-mpc 开源项目，这是一个利用管状模型预测控制（Tube Model Predictive Control, 简称Tube MPC）方法来处理高精度路径跟踪控制问题的实例代码，特别适用于高速驾驶场景下的车辆控制。 1. 项目介绍 robust-tube-mpc 是一个基于MIT...
《使用robust-tube-mpc开源项目指南》
gitblog_00684的博客
08-08 513
《使用robust-tube-mpc开源项目指南》 1. 项目目录结构及介绍 在HiroIshida/robust-tube-mpc这个开源项目中，目录结构主要如下： . ├── example # 示例代码所在目录 │ ├── example_tubeMPC.m # 使用Tube-MPC的示例脚本 │ └── example_MPC.m # 使用常规...
手把手教你学51单片机-C语言版
07-22
资源名称：手把手教你学51单片机-C语言版资源截图： 资源太大，传百度网盘了，链接在附件中，有需要的同学自取。
手把手教你区分Dijkstra算法和veterbi算法--图解
qq_41744697的博客
09-17 1650
无论是Viterbi算法，还是Dijsktra算法，都是处理边权重图的最优路径问题。 Viterbi算法属于动态规划算法，Dijsktra算法属于贪心算法。Viterbi算法是广度优先，Dijsktra算法是深度优先。 一、Dijkstra算法 Dijkstra算法是典型的贪心算法，每次都寻找局部最优解最后达到全局最优！（不是所有的贪心算法都可以达到最优，看每种算法的设计） 我们需要一个辅助数组dist[]来存储最短路径长度，集合S来存储已经访问过的节点。 Diljstar的算法的步骤如下（这里使用*代替无
mpc5748g_spi_demo.zip
05-27
基于MPC5748G的spi例程，包含轮询和中断两种模式，官方例程比较少，有需要的可以下载
基于鲁棒一步集的Tube不变集鲁棒模型预测控制
03-30
基于鲁棒一步集的Tube不变集鲁棒模型预测控制
Python源码-数据分析-原理+代码｜手把手教你用K-Means算法实现银行客户聚类.zip
最新发布
05-25
接着，我们将使用Python编程语言，借助于其丰富的数据分析库如NumPy、Pandas、Matplotlib等，手把手地指导用户编写代码来实现K-Means算法。 整个学习过程将从准备银行客户数据开始，包括数据的预处理、特征选择和...
《手把手教你学DSP-基于TMS320X281x》配套资料
10-07
《手把手教你学DSP-基于TMS320X281x》配套资料主要为学习DSP（数字信号处理）技术提供了丰富的资源，这些资源聚焦于德州仪器（Texas Instruments，简称TI）推出的TMS320X281x系列DSP芯片。这些芯片广泛应用于需要...
深蓝motion planning，L6MPC学习记录（4线性时变MPC、非线性MPC、Tube MPC、Hybrid MPC、MPCC）
qq_65880173的博客
10-22 945
把一个上层的MPC和一个底层的控制器串起来，这个上层的MPC使用的是一个名义模型，解出来的也是名义模型的最优的输入，它并不会直接输入到系统，实际上这个时候的MPC与其说是一个控制器，更不如说把它看做是一个规划器，我们在它后面接一个反应式控制器，使得真实的状态保持在规划出来的名义状态附近的tube内，这就叫tube MPC。图中蓝色轨迹是参考轨迹，我们要跟踪这条轨迹，我们假想有一个小球在这个轨迹上运动，而我们的无人机要跟踪这个小球，如果小球按照参考轨迹上的速度去运动，那么就变成了纯粹的参考轨迹跟踪的问题。
MPC
lazy storm
11-05 1127
YOUTUBE MPC优势： MIMO 系统，输入输出相互作用 handle constraints preview capability MPC计算频率的建议 开环上升时间里有10~20个sample prediction horizon 建议 开环上升时间的20~30个sample。 太短无法及时控制，太长不利于处理突发情况，也会浪费计算力。 control horizon 建议 10...
【源码】基于管道的鲁棒模型预测控制
weixin_42825609的博客
06-09 1696
Robust Model Predictive Control Using Tube 该代码包括管道模型预测控制（tube MPC）[1]的示例以及用MATLAB编写的通用模型预测控制（MPC）。This repository includes examples for the tube model predictive control (tube-MPC)[1] as well as the generic model predictive control (MPC) written in MATLAB.
tube mpc的求解
02-19
### Tube MPC 求解方法及实现 #### 什么是Tube MPC？ Tube MPC 是一种改进型的模型预测控制策略，旨在提高系统的鲁棒性和稳定性。传统MPC算法通常假设系统模型精确已知并忽略外界干扰的影响；然而，在实际应用场景中，这些假设往往难以满足。因此，当存在不确定因素或外部扰动时，标准MPC可能会导致性能下降甚至不稳定的情况发生[^2]。 #### Tube MPC 的核心思想 为了应对上述挑战，Tube MPC通过引入一个围绕着由上层名义模型计算得到的最佳轨迹构建的安全区域——即所谓的“管子”(tube)，来确保即使面对不确定性也能维持良好的跟踪效果。具体来说： - **名义模型**：用于生成理想状态下应遵循的理想路径； - **反应式控制器**：负责调整实际输出使之尽可能贴近这条理想的轨道，并始终保持在其预设范围内运动[^4]。 这种设计不仅增强了对未知变化环境下的适应能力，同时也简化了在线优化问题求解难度，因为只需要考虑如何让当前时刻的状态回到目标区域内即可。 #### 数学描述与求解流程 对于给定的时间步\( k \)，令 \( x_k \in X \) 表示受控对象的真实状态向量，而 \( r_k \in R^n\) 则代表基于名义模型所期望达到的位置。定义偏差变量 \( e_k = x_k - r_k \)，则整个过程可以被表述如下： \[ min_{u_0,..., u_N} J(e,u)=\sum^{N}_{i=0}\left \|e_i \right \|^2_Q+\lambda\cdot\Delta u^T_R\Delta u \] 其中， - \( N \)表示预测范围内的总时间间隔数； - \( Q,R,\lambda \)均为正定矩阵/标量参数用来权衡不同项的重要性程度； - \( Δu := u_t-u_{t−1} \) 约束条件包括但不限于： - 状态空间限制：\( e_k ∈ E \); - 输入信号界限：\( u_k ∈ U \)[^3]. 针对此非线性规划(NLP)任务，常用数值迭代法如序列二次规划(SQP)或者内点法(IPM)来进行近似求解。值得注意的是，由于每次只关注局部修正而非全局最优解，所以整体运算负担相对较小，适合实时控制系统部署需求. ```matlab % MATLAB伪代码展示Tube MPC框架的一部分功能 function [U_optimal] = tube_mpc(x_current, ref_trajectory) % 初始化参数设置... for t = 1:length(ref_trajectory)-1 % 构建误差动态方程组 % 定义成本函数及其梯度信息 % 设置边界及其他附加限制 % 调用合适的最优化库执行搜索操作 % 更新反馈增益K以增强收敛速度 % 记录下一轮次所需的初始猜测值作为起点 end end ```
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值