在不同通信拓扑下的异构车辆的分布式预测控制

2021-07-27 21:31:17 阅读：203 来源： 互联网

标签：异构 Temp 拓扑 step Num zeros vehicle Np 分布式

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

文章目录

前言
一、pandas是什么？
二、源码分析
- 1.初始参数设定
- 2.算法流程
总结

前言

文章: Distributed model predictive control for heterogeneous vehicle platoons under unidirectional topologies
作者: Zheng, Yang, Shengbo Eben Li, Keqiang Li, Francesco Borrelli, and J. Karl Hedrick.
Journal: IEEE Transactions on Control Systems Technology 25, no. 3 (2017): 899-910.

一、pandas是什么？

示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。

二、源码分析

1.初始参数设定

文章中设置一辆领航车与七辆跟随车，跟随车的参数在文件PlatoonParameter.mat中。PlatoonParameter.mat中包含时间长度(10)、采样间隔(Time_step=0.1)、总步数(Num_step=100)、异构车辆的数量(7)、各个车的内部参数(质量、车轮半径、惯性滞后常数、摩擦系数、传动效率、空气阻力、物理约束等)、重力加速度等。
载入PlatoonParameter.mat：

clc;clear;close all;
load PlatoonParameter.mat  % This set of parameters was used in the paper

领航车辆参数初始化，理想车距设定为20，参数为位置、速度、加速度：

% Leading vehicle
d  = 20;                                % Desired spacing
a0 = zeros(Num_step,1); 
v0 = zeros(Num_step,1); 
x0 = zeros(Num_step,1);

跟随车辆初始化，参数为位置、速度、扭矩、理想扭矩以及性能指标和优化器停止标志：

%% Initial Virables 
Postion  = zeros(Num_step,Num_veh);     % postion of each vehicle;
Velocity = zeros(Num_step,Num_veh);     % velocity of each vehicle;
Torque   = zeros(Num_step,Num_veh);     % Braking or Tracking Torque of each vehicle;
U        = zeros(Num_step,Num_veh);     % Desired Braking or Tracking Torque of each vehicle;

Cost    = zeros(Num_step,Num_veh);      % Cost function
Exitflg = zeros(Num_step,Num_veh);      % Stop flag - solvers

领航车辆按预期的速度行驶，跟随车辆初始情况设定：

% Transient process of leader, which is given in advance
v0(1) = 20; 
a0(1/Tim_step+1:2/Tim_step) = 2; 
for i = 2:Num_step
    v0(i) = v0(i-1)+a0(i)*Tim_step; 
    x0(i) = x0(i-1)+v0(i)*Tim_step;    
end

% Zero initial error for the followers
for i = 1:Num_veh
    Postion(1,i)  = x0(1)-i*d;
    Velocity(1,i) = 20;             
    Torque(1,i)   = (Mass(i)*g*f + Ca(i)*Velocity(1,i)^2)*R(i)/Eta;
end

2.算法流程

本文采用分布式预测控制算法，预测时域Np = 20。对于每一步的滚动优化，基于上一时刻的预测进行当前的优化：

% Distributed MPC assumed state
Np = 20;                      % Predictive horizon
Pa = zeros(Np,Num_veh);       % Assumed postion of each vehicle;
Va = zeros(Np,Num_veh);       % Assumed velocity of each vehicle;
ua = zeros(Np,Num_veh);       % Assumed Braking or Tracking Torque input of each vehicle;

Pa_next = zeros(Np+1,Num_veh);  % 1(0): Assumed postion of each vehicle at the newt time step;
Va_next = zeros(Np+1,Num_veh);  % Assumed velocity of each vehicle at the newt time step;
ua_next = zeros(Np+1,Num_veh);  % Assumed Braking or Tracking Torque of each vehicle at the newt time step;

首个时刻初始化，第一个坐标代表时刻，第二个坐标代表车辆编号：

% Initialzie the assumed state for the first computation: constant speed
for i = 1:Num_veh
    ua(:,i) = Torque(1,i);
    Pa(1,i) = Postion(1,i);                % The first point should be interpreted as k = 0 (current state)
    Va(1,i) = Velocity(1,i);
    Ta(1,i) = Torque(1,i);
    for j = 1:Np
        [Pa(j+1,i),Va(j+1,i),Ta(j+1,i)] = VehicleDynamic(ua(j,i),Tim_step,Pa(j,i),Va(j,i),Ta(j,i),Mass(i),R(i),g,f,Eta,Ca(i),Tao(i));
    end    
end

tol_opt = 1e-5;
options = optimset('Display','off','TolFun', tol_opt, 'MaxIter', 2000,...
                'LargeScale', 'off', 'RelLineSrchBnd', [], 'RelLineSrchBndDuration', 1);

从第二个时刻开始，对每一步进行优化，程序中?代表车辆编号：


    Vehicle_Type = [Mass(?),R(?),g,f,Eta,Ca(?),Tao(?)];                 % the vehicle parameters ： Mass,R,g,f,Eta,Ca,Tao, 
    X0 = [Postion(i-1,?),Velocity(i-1,?),Torque(i-1,?)];                % the vehicle variable in the last time
    Pd = zeros(Np+1,1);  Vd = zeros(Np+1,1);                      
    Xdes = [Pd,Vd];  
    Xa = [Pa(:,?),Va(:,?)];                                         
    Xnfa = [Pa(:,?) - d, Va(:,?)];                                         
   
    u0 = ua(:,?);   
    A = [];b = []; Aeq = []; beq = [];                                   
    lb = Torquebound(2,1)*ones(Np,1); ub = Torquebound(2,2)*ones(Np,1);         
    Pnp = Xnfa(end,1); Vnp = Xnfa(end,2);  
    Xend(i,?) = Pnp; Vend(i,?) = Vnp; Tnp = (Ca(?)*Vnp.^2 + Mass(?)*g*f)/Eta*R(?);
    % MPC - subporblem for vehicle ?
    [u, Cost(i,?), Exitflg(i,?), output] = fmincon(@(u) Costfunction( Np, Tim_step, X0 ,u, Vehicle_Type,Q,Xdes,R,F,Xa,G,Xnfa), ...
        u0, A, b, Aeq, beq, lb, ub, @(u) Nonlinearconstraints(Np, Tim_step, X0, u, Vehicle_Type,Pnp,Vnp,Tnp),options);

将序列u的第一个值作用到系统中，更新状态：

    % state involves one step
    U(i,?) = u(1);
    [Postion(i,?),Velocity(i,?),Torque(i,?)] = VehicleDynamic(U(i,?),Tim_step,Postion(i-1,?),Velocity(i-1,?),Torque(i-1,?),Mass(?),R(?),g,f,Eta,Ca(?),Tao(?));

根据对优化问题求解得到的u更新下个时刻的控制估计ua，ua前Np-1个值对应于u的后Np-1个结果；对于ua的最后一个元素由预期设定的方式决定，即与当前时刻的终端的最优速度 v ∗ ( N p ) v^*(Np) v∗(Np)有关；得到ua的控制序列之后，可以对下个时刻的Pa和Va的预测序列。

    % Update assumed state
    Temp = zeros(Np+1,3);
    Temp(1,:) = [Postion(i,?),Velocity(i,?),Torque(i,?)]; 
    ua(1:Np-1,?) = u(2:Np);
    for j = 1:Np-1
        [Temp(j+1,1),Temp(j+1,2),Temp(j+1,3)] = VehicleDynamic(ua(j,?),Tim_step,Temp(j,1),Temp(j,2),Temp(j,3),Mass(?),R(?),g,f,Eta,Ca(?),Tao(?));
    end 
    ua(Np,?) = (Ca(?)*Temp(Np,2).^2 + Mass(?)*g*f)/Eta*R(?);
    [Temp(Np+1,1),Temp(Np+1,2),Temp(Np+1,3)] = VehicleDynamic(ua(Np,?),Tim_step,Temp(Np,1),Temp(Np,2),Temp(Np,3),Mass(?),R(?),g,f,Eta,Ca(?),Tao(?));
    Pa_next(:,2) = Temp(:,1);
    Va_next(:,2) = Temp(:,2);
     %% Update assumed data
    Pa = Pa_next;
    Va = Va_next;

其中，fmincon()用于寻找非线性约束最小值，将序列u的第一个值作用到系统中，更新状态；同时

总结

提示：这里对文章进行总结：
例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。

标签：异构,Temp,拓扑,step,Num,zeros,vehicle,Np,分布式
来源： https://blog.csdn.net/JDongChen/article/details/119152476

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9