Controle MPC
O controle preditivo de modelo (MPC) evoluiu desde suas origens como um algoritmo de controle heurístico aplicado em processos industriais na década de 1970 para uma nova disciplina acadêmica com rico conteúdo teórico e prático.
O controle preditivo aborda problemas de controle com requisitos de otimização. Nos últimos 30 anos, o sucesso do controle preditivo em processos industriais complexos demonstrou plenamente o seu enorme potencial para lidar com problemas complexos de controle de otimização restritos.
O controle MPC é um método de controle de otimização de loop-fechado-em tempo real. A principal vantagem deste algoritmo é a sua operação iterativa online, que obtém continuamente as quantidades de controle ótimas atuais. Além disso, pode estabelecer funções objetivo para satisfazer múltiplas restrições, como atuadores de veículos, derrapagem e dinâmica.
No entanto, o seu desempenho de rastreamento é altamente sensível à precisão do modelo preditivo. Além disso, devido aos altos requisitos computacionais do controle preditivo de modelo não linear, ele é inadequado para ambientes de condução em alta-velocidade.
Atualmente, muitos pesquisadores linearizaram modelos de veículos não lineares, mas isso apenas garante a precisão do rastreamento dentro das regiões lineares do veículo e dos pneus.
Os controladores MPC, também conhecidos como controladores-de domínio de tempo contínuo, consideram o modelo dinâmico não linear do sistema de controle e prevêem o comportamento de saída do sistema em um intervalo de tempo futuro. Ao resolver o problema de controle ótimo restrito, o sistema minimiza o erro de rastreamento no intervalo de tempo futuro, tornando este método robusto.
Os algoritmos de controle preditivo de modelo possuem os recursos básicos de modelagem preditiva, otimização de rolamento e correção de feedback. Os métodos tradicionais de pesquisa muitas vezes ignoram ou simplificam as restrições cinemáticas e dinâmicas, mas tais restrições impactam significativamente o desempenho do controle.
Os métodos de controle preditivo do modelo podem incorporar explicitamente restrições cinemáticas e dinâmicas do veículo na função objetivo de otimização.
Ao aproveitar os recursos de otimização contínua e correção de feedback do MPC, o impacto dos atrasos do sistema de{0}loop fechado pode ser efetivamente reduzido ou até mesmo eliminado. Além disso, as informações de trajetória futura fornecidas pelo processo de planejamento podem ser utilizadas para otimizar o controle de movimento, melhorando assim o desempenho do controle.
Wang Weiran et al. projetou um método de controle preditivo adaptativo baseado em funções de Laguerre.
Este método consiste em duas partes: um módulo MPC adaptativo para rastreamento preciso da trajetória e um módulo de função Laguerre para reduzir significativamente a computação.
No módulo MPC adaptativo, um algoritmo recursivo de mínimos quadrados é introduzido para identificar os parâmetros do modelo do sistema, melhorando assim a precisão e robustez do sistema. Porém, quando o AUV opera em ambientes complexos, este método pode resultar em um aumento significativo na carga computacional.
Portanto, na função de Laguerre, a reconstrução das variáveis de entrada do controlador é introduzida para reduzir a ordem matricial da função objetivo. Os resultados mostram que este método demonstra excelente desempenho em termos de dinâmica, resistência a interferências e robustez ao rastrear trajetórias de AUV com carga computacional reduzida.
Diagrama de blocos MPC adaptativo
Paden resumiu algoritmos de rastreamento puro, controle de feedback da roda dianteira, controle de feedback da roda traseira, controle baseado na função Lyapunov, controle de linearização de feedback de saída e controle MOC em termos de estabilidade, complexidade de tempo, uso do modelo e suposições.
Resumo de vários controladores Legenda*: Estabilidade exponencial local (LES)