学习笔记：MPC控制小车，问题解决办法。

本文仅作为自己的学习记录。

https://github.com/tonyxxq/MPC-Control的记录如下：

问题1： 车辆可能在其中的某个位置停止。

解决：方法1.把速度加入成本函数。

           方法2. 把当前位置距离终点的距离加入成本函数。

问题2. 车辆的行驶线路可能是很不平滑的。

解决：把车辆控制参数加入成本函数,两次控制的变化不能太大。

问题3 使用多项式拟合规划路径

解决：一般三次多项式就能满足要求

问题4 选择N  （时间步长）和 dt （时间步长之间的经过时间）值。

T = dt**N，*N要尽量大，  dt 要尽量小。

• N 决定了MPC优化的变量个数，因此过多的点会增加计算成本。

• dt 值越大，  驱动频率越低，因此更难准确近似连续参考轨迹。

• 实现处理 100 毫秒延迟的模型预测控制 N = 20，dt = 0.05，所以T=100ms

基于经典进化策略的移动小车模型预测控制 Model Predictive Control for Mobile Cart Based on Canonical Evolution Strategies

Real-time Model Predictive Control (MPC) with ACADO and Python | Work-is-Playing

ACADO 工具包将生成非常快的 MPC 控制器,可用于实时 MPC 控制。

MPC 控制器的目标是自主驾驶机器人汽车沿着参考路线（参考轨迹）行驶