Apollo学习笔记(11)MPC
关于MPC控制算法,在控制部分,已经有详细的MPC算法的详细解释和说明,这里就不再多说了,可以自行查阅。
这里主要针对Apollo中,现有的部分进行一下相关的说明。
MPC使用的模型
Apollo中使用的是车辆动力学模型,具体内容请参考这里。
横纵向的综合动力学模型,其控制的状态量就是在单横向的基础上,加上了 station_error,speed_error两个量。
具体这六个状态量,在纵向控制和横向控制的代码里面均有详细的说明,可以自行查阅下。
控制变量有2个:
其中,为前轮转角,为车辆加速度。
加上之前的,动力学模型,结合Apollo中的相关代码可知:
式中,分别为前、后轮的侧偏刚度,分别为前、后悬长度,为车身质量,为车身速度,为车辆绕z轴的转动惯量,为车辆角度的变化率,也就是横摆角速度。
Apollo中使用的车身坐标系为,车辆右侧为x轴正向,车头前向为y轴正向,z轴垂直向上。
将式(1)化为线性形式
式中,
代码中线性化系数(双线性变换离散法):
matrix_ad_ = (matrix_i - ts_ * 0.5 * matrix_a_).inverse() * (matrix_i + ts_ * 0.5 * matrix_a_);
matrix_bd_ = matrix_b_ * ts_;
另一种离散化方法连续系统离散化方法,我没有仔细看,后期再说吧。
模型预测控制模型的部分大体上就这些。
增益系数的插值
由于车辆运行时速不是按照一个固定值,所以在不同的车速情况下,会选择不同的系数,Apollo中主要对四个参数进行了插值补偿:
- 侧向误差
- 朝向误差
- 方向盘前馈
- 方向盘控制矩阵权重
见代码
matrix_q_updated_(0, 0) =
matrix_q_(0, 0) *
lat_err_interpolation_->Interpolate(VehicleStateProvider::Instance()->linear_velocity());
matrix_q_updated_(2, 2) =
matrix_q_(2, 2) *
heading_err_interpolation_->Interpolate(VehicleStateProvider::Instance()->linear_velocity());
steer_angle_feedforwardterm_updated_ =
steer_angle_feedforwardterm_ *
feedforwardterm_interpolation_->Interpolate(VehicleStateProvider::Instance()->linear_velocity());
matrix_r_updated_(0, 0) =
matrix_r_(0, 0) *
steer_weight_interpolation_->Interpolate(VehicleStateProvider::Instance()->linear_velocity());
个人也很认同这种思路,但是Apollo中control_conf.pb.txt文件中的增益系数,设置的感觉有点不太好,还是需要自己根据实际工程情况去进行相关标定的。
求解器
目前用的比较多的求解器,
- qpOASES
- OSQP
- ceres
- Ipopt
之前用过Ipopt,感觉挺好使的,按照给定的接口就可以很快的求解,Apollo中现在使用的是OSQP,代码如下:
MpcOsqp::MpcOsqp(const Eigen::MatrixXd &matrix_a,
const Eigen::MatrixXd &matrix_b,
const Eigen::MatrixXd &matrix_q,
const Eigen::MatrixXd &matrix_r,
const Eigen::MatrixXd &matrix_initial_x,
const Eigen::MatrixXd &matrix_u_lower,
const Eigen::MatrixXd &matrix_u_upper,
const Eigen::MatrixXd &matrix_x_lower,
const Eigen::MatrixXd &matrix_x_upper,
const Eigen::MatrixXd &matrix_x_ref, const int max_iter,
const int horizon, const double eps_abs)
: matrix_a_(matrix_a),
matrix_b_(matrix_b),
matrix_q_(matrix_q),
matrix_r_(matrix_r),
matrix_initial_x_(matrix_initial_x),
matrix_u_lower_(matrix_u_lower),
matrix_u_upper_(matrix_u_upper),
matrix_x_lower_(matrix_x_lower),
matrix_x_upper_(matrix_x_upper),
matrix_x_ref_(matrix_x_ref),
max_iteration_(max_iter),
horizon_(horizon),
eps_abs_(eps_abs) {
state_dim_ = matrix_b.rows();
control_dim_ = matrix_b.cols();
ADEBUG << "state_dim" << state_dim_;
ADEBUG << "control_dim_" << control_dim_;
num_param_ = state_dim_ * (horizon_ + 1) + control_dim_ * horizon_;
}
在求解MPC时,Apollo封装好了OSQP的类,这里直接调用就行,具体的用法
apollo::common::math::MpcOsqp mpc_osqp(
matrix_ad_, matrix_bd_, matrix_q_updated_, matrix_r_updated_,
matrix_state_, lower_bound, upper_bound, lower_state_bound,
upper_state_bound, reference_state, mpc_max_iteration_, horizon_,
mpc_eps_);
if (!mpc_osqp.Solve(&control_cmd))
{
AERROR << "MPC OSQP solver failed";
}
else
{
ADEBUG << "MPC OSQP problem solved! ";
control[0](0, 0) = control_cmd.at(0);
control[0](1, 0) = control_cmd.at(1);
}
我们需要做的就是计算好对应的参数,把值付给求解器即可,
- matrix_ad_ – 离散化后的系数A
- matrix_bd_ – 离散化后的系数B
- matrix_q_updated_ – 权重q矩阵
- matrix_r_updated_ – 权重r矩阵
- matrix_state_ – 当前时刻的状态矩阵
- lower_bound – 控制量下限
- upper_bound – 控制量上限
- lower_state_bound – 状态量下限
- upper_state_bound – 状态量上限
- reference_state – 参考状态量
- mpc_max_iteration_ – 求解器最大求解迭代次数
- horizon_ – 预测步长
- mpc_eps_ – 预测周期
这里对reference_state为零做一下说明,我们选取的模型是误差模型,所以当然希望最终的误差为零。
具体的OSQP网上资料有很多,搜一下就好。
下一篇: 小程序-未读消息
推荐阅读
-
ES6学习笔记(11)----Proxy
-
笔记-JavaWeb学习之旅11
-
携程 Apollo 配置中心 | 学习笔记(十一)| 如何引入Apollo配置中心改造老Web项目?
-
CoreJava学习笔记11
-
SpringBoot学习笔记11-SpringBoot 中使用 Servlet
-
DirectX 11 学习笔记(4)- 创建渲染目标视图、创建深度缓冲区以及相关的深度视图并绑定到渲染管线的输出合并阶段
-
学习 笔记第11章(Python篇)
-
Beginning Spring学习笔记——第11章 使用Spring开发REST风格的Web服务
-
Mule ESB 学习笔记(11)Web Service Proxy
-
Apollo学习笔记(11)MPC