一种基于云工作流的实时车辆模型预测控制方法
文献发布时间:2024-04-18 19:58:53
技术领域
本发明属于自动控制技术领域,具体涉及一种基于云工作流的实时车辆模型预测控制方法。
背景技术
近年来,云计算被认为是信息技术领域中最好的计算范式之一,并具有强大的计算能力。随着控制系统复杂度和规模的增加,云计算被应用于控制系统中以处理复杂的控制问题,因此云控制的概念也被提出。为充分利用云端资源,基于工作流的云控制方法利用云计算的分布式处理结构,提高了控制算法的计算速度。
模型预测控制是求解优化问题的控制算法,由于需要进行多步预测,算法的计算量通常较大,通常难以满足实时性的要求。即使使用梯度下降或交替方向乘子法,计算时间也会受到本地设备固定计算资源的限制。虽然现有云控制的方法被广泛用于解决机器人和无人机等系统的控制,尤其是对车辆的动力学控制方面,但是应用的方式一般都是将控制任务直接部署在云平台上,而并没有充分利用云环境中的资源,因此导致现有的控制方法计算速度较慢,实时性较差。
在当前基于云计算的车辆动力学控制中,将原始任务直接部署到云服务中,未能充分利用云计算并行计算能力提升处理速度。有鉴于此,本发明提供了一种基于工作流的实时车辆动力学模型预测控制方法,能够适配云计算分布式环境,极大提升云控制任务的处理效率
发明内容
有鉴于此,本发明提供了一种基于云工作流的实时车辆模型预测控制方法,实现了对无人车辆的预测控制。
本发明提供的一种基于云工作流的实时车辆模型预测控制方法,包括以下步骤:
步骤1、建立基于工作流的无人驾驶车辆动力学轨迹跟踪控制优化问题:
s.t.ξ(k+1)=A
|H
H
|δ
其中,k为采样时刻,
步骤2、对无人驾驶车辆动力学轨迹跟踪控制优化问题进行等价转换,包括等式约束转换、不等式约束转换及目标函数转换,采用u(k)表示u
所述等式约束转换为:
ξ=Φξ(0)+Ψ
ξ(k)=Φ
其中,Φ
所述不等式约束转换为:
其中,Ξ={ξ(·)|||H
所述目标函数转换为:
在此基础上引入新的变量v=u,得到新的优化问题为:
s.t.Φξ(0)+Ψ
u-v=0
新的优化问题对应的增广拉格朗日函数为:
对应的对偶优化问题为:
步骤3、采用交替方向乘子法求解步骤2得到的优化问题,得到各参数的更新表达式,构建无人驾驶车辆轨迹跟踪优化问题的求解方法;
更新表达式如下所示:
y
z
其中,
步骤4、建立求解优化问题的云工作流结构采用所述步骤3得到的求解方法完成控制序列的计算,所述云工作流结构的输入为从被控对象接收的Φ、Ψ
进一步地,所述步骤3中还包括:
将v
进一步地,所述步骤4中所述云工作流结构包括8类任务节点:第一类任务节点Task
第二类任务节点Task
第三类任务节点包括由Task
第四类任务节点为Task
第五类任务节点为Task
第六类任务节点包括由Task
有益效果:
本发明针对无人驾驶车辆动力学特征建立了无人驾驶车辆轨迹跟踪优化问题模型,采用交替方向乘子法求解该优化问题,并利用云计算的分布式处理结构完成求解过程,因此加快了模型预测控制算法的计算速度,保证了控制算法的实时性,实现了对模型更细粒度的离散,有效降低了离散周期,进一步提高了控制品质,与仅针对无人驾驶车辆运动学特征的方法相比进一步提升了模型和控制的保真度。
附图说明
图1为本发明提供的一种基于云工作流的实时车辆模型预测控制方法建立的云工作流结构示意图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明提供的一种基于云工作流的实时车辆模型预测控制方法,主要包括以下步骤:
步骤1、建立无人驾驶车辆动力学模型,通过对无人驾驶车辆动力学模型进行线性化和离散化处理得到无人驾驶车辆模型,基于无人驾驶车辆模型利用模型预测控制方法建立无人驾驶车辆轨迹跟踪优化问题模型。
建立无人驾驶车辆动力学模型,如下公式所示:
其中,v
令
其中,
并且有:
再对该模型使用欧拉公式进行离散化,设置离散周期为T
ξ(k+1)=A
其中,A
该模型的约束分为横摆稳定性约束、侧偏稳定性约束和道路环境及执行器饱和约束。
横摆稳定性约束为:-G
其中,
α
侧偏稳定性约束为:
其中,
T
道路环境及执行器饱和约束为:H
其中,
e
由此得到基于无人驾驶车辆动力学离散时间状态空间方程的模型预测控制优化问题,如下公式所示:
s.t.ξ(k+1)=A
|H
H
|δ
其中,k为采样时刻,
步骤2、对步骤1确定的优化问题进行等价转换,包括等式约束的转换、不等式约束的转换及目标函数的转换。
具体来说,采用u(k)表示u
等式约束的转换为:将ξ和ξ(k)分别改写为ξ=Φξ(0)+Ψ
不等式约束的转换为定义下列示性函数:
其中,Ξ={ξ(·)|||H
目标函数的转换中,由于原目标函数的最后一项不参与优化问题的求解计算,因此可以舍去,本发明定义以下函数:
结合上述定义的等式约束和不等式约束,并且引入新的变量v=u,可得到新的优化问题如下所示:
s.t.Φξ(0)+Ψ
u-v=0
其对应的增广拉格朗日函数为:
其中,ρ
对应的对偶优化问题为:
步骤3、采用交替方向乘子法求解该优化问题得到各参数的更新表达式,完成无人驾驶车辆轨迹跟踪优化问题求解方法的构建。
更新表达式如下所示:
y
z
其中,
通过上式可见,关于v
步骤4、建立求解无人驾驶车辆轨迹跟踪优化问题模型的云工作流结构,结构如图1所示,包括以下任务节点:
云工作流结构中,第一类任务节点为Task
第二类任务节点为Task
第三类任务节点,包括由Task
每个任务节点在预测范围内完成规定时间步长的优化,计算完成后令迭代次数自加1,并将结果发送至Task
第四类任务节点为Task
y
z
完成更新后令迭代次数自加1,然后,将更新结果发送至Task
第五类任务节点为Task
第六类任务节点,包括由Task
每个任务在预测范围内完成规定时间步长的优化,优化完成后令迭代次数自加1,再将优化结果发送至Task
实施例:
本实施例为采用本发明提供的一种基于工作流的车辆动力学轨迹跟踪模型预测控制方法,通过云控制平台实现的无人驾驶车辆的控制,计算过程如图1所示,具体执行步骤如下:
S1、在采样时刻,被控对象无人驾驶车辆将输出数据,包括车辆前轮偏角等信息,发往云控制平台的容器网络上工作流内的Task
S2、Task
S3、Task
S4、Task
S5、Task
S6、Task
S7、Task
S8、Task
S9、Task
S10、迭代终止判别条件设置在Task
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
- 一种基于非线性模型的车辆液电耦合式ISD悬架的预测控制方法
- 一种基于工作流的车辆运动学轨迹跟踪模型预测控制方法
- 云边协同网络中基于代理模型和多种群优化的低成本工作流应用迁移方法