MPC 제어
모델 예측 제어(MPC)는 1970년대 산업 공정에 적용된 경험적 제어 알고리즘에서 출발하여 풍부한 이론 및 실무 내용을 갖춘 새로운 학문 분야로 발전했습니다.
예측 제어는 최적화 요구 사항과 관련된 제어 문제를 해결합니다. 지난 30년 동안 복잡한 산업 프로세스에서 예측 제어의 성공은 복잡하고 제한된 최적화 제어 문제를 처리할 수 있는 엄청난 잠재력을 충분히 보여주었습니다.
MPC 제어는 실시간-폐루프-최적화 제어 방법입니다. 이 알고리즘의 주요 장점은 현재 최적의 제어 수량을 지속적으로 얻는 반복적인 온라인 작업입니다. 또한 차량 액츄에이터, 스키드, 동역학 등 여러 제약 조건을 충족하는 객관적인 기능을 설정할 수 있습니다.
그러나 추적 성능은 예측 모델의 정확성에 매우 민감합니다. 또한, 비선형 모델 예측 제어의 높은 계산 요구 사항으로 인해 고속 주행 환경에는 적합하지 않습니다.-
현재 많은 연구자들이 비선형 차량 모델을 선형화했지만 이는 차량과 타이어의 선형 영역 내에서만 추적 정확도를 보장합니다.
롤링-시간 도메인 컨트롤러라고도 알려진 MPC 컨트롤러는 제어 시스템의 비선형 동적 모델을 고려하고 향후 시간 간격에 걸쳐 시스템의 출력 동작을 예측합니다. 제한된 최적 제어 문제를 해결함으로써 시스템은 향후 시간 간격에 대한 추적 오류를 최소화하여 이 방법을 강력하게 만듭니다.
모델 예측 제어 알고리즘은 예측 모델링, 롤링 최적화, 피드백 수정의 기본 기능을 갖추고 있습니다. 전통적인 연구 방법은 운동학적 및 동적 제약 조건을 무시하거나 단순화하는 경우가 많지만 이러한 제약 조건은 제어 성능에 큰 영향을 미칩니다.
모델 예측 제어 방법은 차량 운동학 및 동적 제약 조건을 최적화 목적 함수에 명시적으로 통합할 수 있습니다.
MPC의 롤링 최적화 및 피드백 수정 기능을 활용하면 폐쇄 루프 시스템 시간 지연의 영향을 효과적으로 줄이거나 제거할 수 있습니다. 또한 계획 프로세스에서 제공되는 미래 궤적 정보를 활용하여 모션 제어를 최적화함으로써 제어 성능을 향상시킬 수 있습니다.
Wang Weiranet al. Laguerre 함수를 기반으로 적응형 예측 제어 방법을 설계했습니다.
이 방법은 정확한 궤적 추적을 위한 적응형 MPC 모듈과 계산을 크게 줄이는 Laguerre 함수 모듈의 두 부분으로 구성됩니다.
적응형 MPC 모듈에서는 시스템의 모델 매개변수를 식별하기 위해 반복적 최소 자승 알고리즘이 도입되어 시스템의 정확성과 견고성이 향상됩니다. 그러나 AUV가 복잡한 환경에서 작동하는 경우 이 방법은 계산 부하를 크게 증가시킬 수 있습니다.
따라서 Laguerre 함수에서는 목적 함수의 행렬 차수를 줄이기 위해 컨트롤러 입력 변수의 재구성이 도입되었습니다. 결과는 이 방법이 감소된 계산 부하로 AUV 궤적을 추적할 때 역학, 간섭 저항 및 견고성 측면에서 탁월한 성능을 입증한다는 것을 보여줍니다.
적응형 MPC 블록 다이어그램
Paden은 안정성, 시간 복잡도, 모델 사용 및 가정 측면에서 순수 추적 알고리즘, 앞바퀴 피드백 제어, 뒷바퀴 피드백 제어, Lyapunov 함수{0}} 기반 제어, 출력 피드백 선형화 제어 및 MOC 제어를 요약했습니다.
다양한 컨트롤러 요약 범례*: 국소 지수 안정성(LES)