基于量子粒子群算法的非线性模型预测控制方法技术

本发明专利技术涉及无人驾驶汽车控制领域，为提出采用量子粒子群算法并行设计的方案，确保控制输出满足车辆物理限制和人体舒适度要求，使车辆更好地适应当前路况。为此，本发明专利技术采取的技术方案是，基于量子粒子群算法的非线性模型预测控制方法，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。本发明专利技术主要应用于无人驾驶汽车控制场合。

Nonlinear model predictive control based on quantum behaved particle swarm optimization

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，种群向最可能的问题解决点聚集。2)算法硬件实现。现场可编程门阵列(FPGA)的并行特性经常用来加快算法的求解速度。而想利用FPGA的这种并行特性实现硬件加速，基本的要求是算法可以并行展开，并且算法比较容易在FPGA实现。文献表明，粒子群算法满足上述要求，并取得了良好的控制效果。但是传统的粒子群算法，其粒子的运动状态是用位置和速度来描述的，随着时间演化，粒子的运动轨迹是既定的。同时，粒子的移动速度受到一定的限制，使得粒子的搜索空间是一个有限的，并逐渐减小的区域，从而无法覆盖整个解空间。针对粒子群算法的不足，量子力学的相关理论被引入。其中，量子态的叠加效应，使得量子系统具有很高的不确定性，这种强大的不确定性使算法具有更强的全局搜索能力，保证了全局收敛性。而在实际工程应用中，量子粒子群算法也有其优势，因为只有收缩—扩张系数的最大值和最小值需要在实际应用中进行调整。无人驾驶汽车作为一种快速的动态响应系统，其轨迹跟踪性能主要取决于转向和速度的控制。而模型预测控制由于其独特的预见性，已被应用于无人驾驶汽车的轨迹跟踪，包括理论基础的分析、MATLAB与CarSim联合仿真和实车测试。这些都表明了模型预测控制在无人驾驶汽车轨迹跟踪上有着良好的表现。
技术实现思路
为克服现有技术的不足，快速优化求解非线性模型预测控制的代价函数，本专利技术旨在提出采用量子粒子群算法并行设计的方案，将约束问题转化为无约束问题，并确保控制输出满足车辆物理限制和人体舒适度要求。此外，在不同的驾驶环境下，根据当前行驶环境和车辆姿态，实时调整评价函数的权重因子，使车辆更好地适应当前路况。为此，本专利技术采取的技术方案是，基于量子粒子群算法的非线性模型预测控制方法，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。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、车辆偏离给定参考轨迹0.3米和航向角偏离给定参考航向角0.09弧度，其中只要有一部分成立，condition1就成立；代价函数(2)中的第一项代表着预测值与参考值之间的偏差；第二项表示对控制输入变化率的约束，作用是为了防止突然的转向和加速；第三项是惩罚项，作用是为了防止输入超出车辆物理因素和环境因素所决定的约束；第四项是强调一种激励，确保车辆在正常情况下以最大速度行驶。量子粒子群算法的并行设计具体地：并行设计量子粒子群算法，并用其进行无人驾驶汽车轨迹跟踪代价函数的优化求解：第一步是随机初始化粒子位置，由于各个粒子在初始条件时是没有任何关联的，所以所有粒子能够并行初始化；第二步通过代价函数对每个粒子当前状态进行评估，在无人驾驶汽车轨迹跟踪时，每个粒子都可以获得当前参考点信息，从而保证代价函数的计算能够同时进行；第三步是更新局部最优值，将同一个粒子的两个适应度值进行比较，故也进行并行设计；第四步计算全局最优值和平均最佳位置，由于全局最优值是通过对比所有粒子的适应度进行实现的，因此必须将所有粒子聚集在一起进行，同样地，平均最佳位置的计算也需要所有粒子的局部最优位置，不过全局最优值和平均最佳位置能够同时计算；第五步选取平均最佳位置和全局最优值之间的随机值；第六步通过平均最佳位置和随机点更新所有粒子位置，在更新的过程中，因为平均最佳位置和全局最优值已经得到，每个粒子的随机点仍能够进行并行计算；最后，确定更新得到的的控制输出是否满足终止条件，如果满足，则输出控制结果，否则，算法将重复进行，这里的停止条件是满足控制效果或达到最大的迭代次数。本专利技术的特点及有益效果是：本专利技术所提出的基于量子粒子群算法的快速非线性模型预测控制在无人驾驶汽车轨迹跟踪上的并行设计，其优化求解器的设计具有更强的全局搜索能力，更快的计算能力，可以更好的满足无人驾驶汽车在高速运行时对控制器的要求。为了满足车辆本身的物理限制和保证乘客的舒适度，采用广义拉格朗日乘子法构造了具有惩罚项和鼓励项的广义代价函数，并将有约束问题转化为无约束问题，方便优化求解。此外，在不同的驾驶环境下，根据当前行驶环境和车辆姿态，随时调整评价函数的权重因子，使车辆更好地适应当前路况。附图说明：图1、车辆运动学模型。图2、量子粒子群算法的并行设计流程图。具体实施方式为了本文档来自技高网...

【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