The invention relates to the control field of an unmanned vehicle. In order to put forward a scheme of parallel design using quantum particle swarm optimization algorithm, the control output can meet the requirements of vehicle physical limitation and human comfort, and the vehicle can better adapt to the current road conditions. For this reason, the method of the present invention adopts a nonlinear model predictive control method based on quantum particle swarm optimization (QPSO). Firstly, the kinematics model of the unmanned vehicle is established and discretized, and then the generalized Lagrange multiplier method is used to construct the generalized cost function with penalty and encouragement terms. Then, the quantum particle swarm optimization (QPSO) algorithm is used to optimize the cost function of model predictive control (MPC) and a series of control variables are obtained. Finally, the first component of the control variable is applied to the vehicle. The invention is mainly applied to the control occasions of a driverless vehicle.
【技术实现步骤摘要】
基于量子粒子群算法的非线性模型预测控制方法
本专利技术涉及无人驾驶汽车控制领域,尤其是涉及一种并行设计的量子粒子群算法优化求解非线性模型预测控制在无人驾驶汽车轨迹跟踪时的代价函数的方法。
技术介绍
模型预测控制是一种先进的控制算法,由于其独特的预测能力,在许多领域具有良好的控制效果,并在许多生产过程中得到了广泛的应用。然而模型预测控制需要在每一采样时刻,根据当前的测量信息,在线求解一个有限时域开环优化问题,这个过程会消耗很多时间。为了提高算法的快速性,人们引入了控制时域的概念。当预测时域大于控制时域时,将不再进行优化求解,而是把最后一个控制时刻求解出的控制量,作为今后时刻的控制输出。但是这样的处理方式在一定程度上降低了优化的自由度。为了提高模型预测控制的优化求解速度,许多研究者尝试各种快速优化求解的方法,主要分为以下两个方面:1)算法性能优化,包括引入自适应时域和先进算法加速优化求解过程。为了将模型预测控制更好地应用于快速响应系统,基于二叉树的小波变换和多尺度过程模型在自适应预测时域得到应用。在优化算法方面,序列二次规划算法是求解非线性优化问题的常用有效方法。但由于其是一种基于梯度的优化算法,只有在非线性规划是凸的时候,才能保证解的存在,并收敛到全局最优。随着复杂性和规模的不断增加,随机优化方法和智能优化算法开始进入人们的视野,如遗传算法,粒子群优化算法。其中,遗传算法具有较强的全局搜索能力,不依赖于初始值的选取。然而,随着时域的增大,在线计算成本开始成倍增加,使得求解过程变得缓慢。粒子群算法是一种基于种群的模拟鸟类捕食过程的搜索算法,通过个体间信息交互, ...
【技术保护点】
1.一种基于量子粒子群算法的非线性模型预测控制方法,其特征是,首先建立基于无人驾驶汽车的运动学模型,并将其进行离散化;在此基础上采用广义拉格朗日乘子法构造具有惩罚项和鼓励项的广义代价函数,从而将约束问题转化为无约束问题;接下来,进行量子粒子群算法的并行设计,并用其对模型预测控制的代价函数进行优化求解,得到一系列的控制量,最后将控制量的第一个分量作用到汽车上。
【技术特征摘要】
1.一种基于量子粒子群算法的非线性模型预测控制方法,其特征是,首先建立基于无人驾驶汽车的运动学模型,并将其进行离散化;在此基础上采用广义拉格朗日乘子法构造具有惩罚项和鼓励项的广义代价函数,从而将约束问题转化为无约束问题;接下来,进行量子粒子群算法的并行设计,并用其对模型预测控制的代价函数进行优化求解,得到一系列的控制量,最后将控制量的第一个分量作用到汽车上。2.如权利要求1所述的基于量子粒子群算法的非线性模型预测控制方法,其特征是,具体地,基于车辆运动学模型的广义代价函数构造:A.无人驾驶汽车运动学模型:将其进行离散化:其中,(x,y)表示车辆在坐标系中的位置,代表车辆的航向角,v是当前车辆的速度,δ是前轮转向角,L是车辆的轴距,T是采样时间,j为时刻计数变量;B.广义代价函数其中,Hp与Hc分别是预测时域和控制时域,xr|j、yr|j和是在第j时刻上给定的位姿参考值,对应的xp|j、yp|j和是在j时刻的输出预测值,△δj=δj-δ(j-1)是转向角在j时刻的变化量,△vj是车辆速度在j时刻的改变量,Mt是在第t次迭代时的惩罚项,vl1|t和vl2|t是在第t次迭代时的拉格朗日乘子,δmax是前轮的最大转向角,δj是在j时刻的前轮转向角,vmax是在当前环境和物理条件下车辆的最大速度,ω1为x轴方向位置权重因子,ω2为y轴方向位置权重因子,ω3为航向角权重因子,ω4为前轮转角变化量权重因子,ω5为速度变化权重因子,上述权重因子随着车辆的位置和驾驶条件改变,ωv|j是开关量权重因子,其定义为:其中,ωv0是权重因子,condition1由三部分组成:车辆速度在增加并且加速度大于设定值、车辆偏离...
【专利技术属性】
技术研发人员:左志强,代立业,王一晶,杨旭,
申请(专利权)人:天津大学,
类型:发明
国别省市:天津,12
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。