手把手教做无人驾驶算法（二十八）--Tube MPC与MPC区别

原创 已于 2022-05-09 11:55:05 修改 · 9.4k 阅读 · 19 ·
CC 4.0 BY-SA版权
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。
文章标签：

#自动驾驶 #算法

于 2022-05-08 22:20:37 首次发布
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。

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

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
12-07 814
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。
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
03-09 849
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。
航天科技基于分布式MPC的航天器交会控制：多无人机编队轨迹跟踪{完整资源下载、分享}与避碰系统设计
最新发布
10-01
内容概要：本文围绕“航天器交会的分布式MPC模型预测控制研究”展开，结合Matlab代码实现，探讨了在航天器交会过程中采用分布式模型预测控制（MPC）的方法。研究重点包括多航天器系统的协同控制、状态估计、动态约束处理以及优化求解过程，通过分布式架构提升系统的可扩展性与鲁棒性。文中详细介绍了MPC的数学建模、目标函数构建、约束条件设定及求解算法实现，并利用Matlab进行仿真验证，展示了该方法在轨迹跟踪、避碰处理和抗干扰能力方面的有效性。; 适合人群：具备自动控制、航天工程或优化控制背景，熟悉Matlab编程，有一定科研基础的研究生、博士生及科研人员；对模型预测控制、分布式协同控制感兴趣的技术人员。; 使用场景及目标：①掌握分布式MPC在航天器交会中的应用原理与实现方法；②学习如何在多智能体系统中设计分布式优化控制策略；③通过Matlab代码复现仿真结果，进一步拓展至无人机、机器人等其他协同控制系统的研究。; 阅读建议：建议结合提供的Matlab代码进行逐模块分析，重点关注状态方程建模、优化问题构建与分布式求解流程，同时可参考文中提及的其他相关案例（如多无人机路径规划、协同控制等）进行横向对比学习，以深化对分布式控制架构的理解。
【基于Tube的非线性系统模型预测控制MPC】基于鲁棒控制不变集的管式模型预测控制方案及其在利普希茨(Lipschitz)非线性系统中的应用(Matlab代码实现)
weixin_46039719的博客
09-27 1086
本文提出了一种基于鲁棒控制不变集的管式模型预测控制（Tube-MPC）方案，并研究了其在利普希茨（Lipschitz）非线性系统中的应用。通过引入鲁棒控制不变集，该方案能够处理系统模型的不确定性，提高控制器的鲁棒性和稳定性。仿真结果表明，该方案在利普希茨非线性系统中表现出良好的控制性能。鲁棒控制不变集是指一个系统在存在外部干扰或参数不确定性的情况下，一旦状态进入该集合，无论干扰如何变化，系统状态将永远停留在该集合内。
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
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
【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 1441
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： - **鲁棒模型预测控制（Tube MPC）**: 通过在系统的状态和输入空间中构建一个“管”，使得系统...
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
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 3469
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...
手把手教做无人驾驶算法（二十六）--基于终端约束的MPC 控制
caokaifa的博客
04-20 6308
关于MPC终端约束问题，其实就是稳定性与可行性的分析，欢迎感兴趣的一起交流探讨。 基于终端约束的MPC控制，理论部分可以参考资料： 【Linear MPC入门】Model Predictive Control Algorithm, Feasibility and Stability - 知乎 这里，终端约束数据可以用数据驱动来代替，这样就可以把MPC与数据驱动相结合起来，但是好处不仅仅是为了与数据驱动联合，终端约束有什么好处呢？上面的参考资料也给出了参考。 对于一般MPC而言，相当于零点为终点，不过
手把手教用matlab做无人驾驶（二十五）--基于控制障碍函数的MPC（MPC-CBF）
caokaifa的博客
04-18 6109
这边博客主要完成论文的内容：Safety-Critical Model Predictive Control with Discrete-Time Control Barrier Function，论文地址：[2007.11718] Safety-Critical Model Predictive Control with Discrete-Time Control Barrier Function (arxiv.org)https://arxiv.org/abs/2007.11718 文章参考地址： .
手把手教你使用Autoware做无人驾驶（二）--数据导入
caokaifa的博客
04-06 2430
使用在线Codingground（https://www.tutorialspoint.com/compile_cpp_online.php）运行如下代码进行熟悉Autoware中的参数是怎么导入的,这是从代码中移植过来的。 #include <iostream> #include <vector> #include <sstream> #include <algorithm> #include <fstream> using...
【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 1644
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许可的开源项目，由HiroIshida开发。它展示...
【亲测免费】 Robust Tube MPC 项目常见问题解决方案
gitblog_00789的博客
12-19 1036
Robust Tube MPC 是一个用于演示管模型预测控制（Tube Model Predictive Control, Tube-MPC）的开源项目。该项目提供了一些使用 MATLAB 编写的示例代码，用于实现管-MPC 以及通用的模型预测控制（MPC）。管-MPC 是一种鲁棒控制方法，它考虑了系统的不确定性，并设计了一个轨迹，使得轨迹及其周围的“管”都能满足系统的约束条件。 主要编程语言：...
《使用robust-tube-mpc开源项目指南》
gitblog_00684的博客
08-08 634
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MPC的示例脚本 ├── src ...
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 1126
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 1195
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...
手把手教用matlab做无人驾驶
03-18
### 使用 MATLAB 实现无人驾驶系统的教程 #### 1. 自动驾驶系统概述 自动驾驶系统（ADS）通过集成多种先进技术来实现在无需人为干预下的自主行驶。这些技术包括但不限于高级传感器融合、实时数据处理以及精确的控制系统设计[^1]。 #### 2. ADS 的核心原理 ADS 的工作流程通常分为几个主要阶段：环境感知、任务决策、路径规划和路径跟踪。其中，环境感知依赖于激光雷达、摄像头和其他传感器获取周围环境的信息；任务决策模块负责制定全局策略；而路径规划则专注于生成局部最优路线；最后由路径跟踪完成实际车辆运动控制[^4]。 #### 3. MATLAB 中的关键工具箱支持 MATLAB 提供了一系列专门针对自动化驾驶开发的功能包，例如 Automated Driving Toolbox 和 Robotics System Toolbox 。它们包含了预定义好的算法库及图形化界面 Simulink ，使得开发者能够快速搭建原型并验证其性能[^5]。 以下是具体实现过程中可能涉及的部分： - **传感器模拟与校准** 利用 Sensor Fusion and Tracking Toolbox 可创建虚拟场景并对不同类型的探测器行为进行仿真实验。 - **目标检测与分类** Computer Vision Toolbox 结合 Deep Learning Toolbox 能够训练神经网络模型识别道路上的各种物体如行人、其他机动车等。 - **动态避障逻辑构建** Stateflow 是一种状态机描述语言，在复杂条件判断场合下非常有用，可用于编写安全可靠的碰撞规避方案[^2]。 - **轨迹优化计算** Optimization Toolbox 配合 Curve Fitting Toolbox 完成平滑曲线拟合并考虑物理约束条件下找到最佳前进方向[^3]。 #### 4. 示例代码片段展示 下面给出一段简单的伪代码用来演示如何初始化一个基本框架来进行初步探索： ```matlab % 初始化参数设置 vehicleSpeed = 10; % m/s lookAheadDistance = 20; % meters ahead to look for obstacles % 加载地图信息 mapData = load('cityMap.mat'); obstaclePositions = mapData.obstacles; % 主循环结构 while ~isDestinationReached() currentPose = getCurrentVehiclePosition(); scanAreaForObstacles(currentPose, obstaclePositions); if hasDetectedObstacle() computeAvoidanceTrajectory(); else followPlannedRoute(); end updateControlSignals(); end ``` 此脚本仅作为概念证明存在，并未包含全部细节部分。 ---
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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