Was ist MPC-Steuerung?

MPC-Steuerung

Die modellprädiktive Regelung (MPC) hat sich von ihren Anfängen als heuristischer Regelungsalgorithmus, der in den 1970er Jahren in industriellen Prozessen eingesetzt wurde, zu einer neuen akademischen Disziplin mit reichhaltigem theoretischen und praktischen Inhalt entwickelt.

Prädiktive Regelung befasst sich mit Regelungsproblemen mit Optimierungsanforderungen. In den letzten 30 Jahren hat der Erfolg der prädiktiven Steuerung in komplexen Industrieprozessen ihr enormes Potenzial für die Bewältigung komplexer, eingeschränkter Optimierungssteuerungsprobleme voll unter Beweis gestellt.

Die MPC-Steuerung ist eine Echtzeit--Regelungsmethode mit geschlossenem-Loop. Der Hauptvorteil dieses Algorithmus ist sein iterativer Online-Betrieb, der kontinuierlich die aktuell optimalen Kontrollgrößen erhält. Darüber hinaus können objektive Funktionen erstellt werden, um mehrere Randbedingungen wie Fahrzeugaktuatoren, Schlupf und Dynamik zu erfüllen.

Allerdings hängt seine Tracking-Leistung stark von der Genauigkeit des Vorhersagemodells ab. Darüber hinaus ist die nichtlineare modellprädiktive Steuerung aufgrund der hohen Rechenanforderungen für Fahrumgebungen mit hoher Geschwindigkeit ungeeignet.

Derzeit haben viele Forscher nichtlineare Fahrzeugmodelle linearisiert, was jedoch nur die Verfolgungsgenauigkeit innerhalb der linearen Bereiche des Fahrzeugs und der Reifen gewährleistet.

MPC-Controller, auch als Rolling--Time-Domain-Controller bekannt, berücksichtigen das nichtlineare dynamische Modell des Steuerungssystems und sagen das Ausgabeverhalten des Systems über ein zukünftiges Zeitintervall voraus. Durch die Lösung des Problems der eingeschränkten optimalen Steuerung minimiert das System den Trackingfehler im zukünftigen Zeitintervall und macht diese Methode robust.

Modellprädiktive Steuerungsalgorithmen verfügen über die Grundfunktionen der prädiktiven Modellierung, der rollierenden Optimierung und der Rückkopplungskorrektur. Herkömmliche Forschungsmethoden ignorieren oder vereinfachen häufig kinematische und dynamische Einschränkungen, dennoch wirken sich solche Einschränkungen erheblich auf die Steuerungsleistung aus.

Modellprädiktive Steuerungsmethoden können explizit kinematische und dynamische Einschränkungen des Fahrzeugs in die Optimierungszielfunktion integrieren.

Durch die Nutzung der fortlaufenden Optimierungs- und Feedback-Korrekturfunktionen von MPC können die Auswirkungen von Zeitverzögerungen im Closed-Loop-System effektiv reduziert oder sogar beseitigt werden. Darüber hinaus können durch den Planungsprozess bereitgestellte zukünftige Flugbahninformationen zur Optimierung der Bewegungssteuerung und damit zur Verbesserung der Steuerungsleistung genutzt werden.

Wang Weiran et al. entwarf eine adaptive prädiktive Steuerungsmethode basierend auf Laguerre-Funktionen.

Diese Methode besteht aus zwei Teilen: einem adaptiven MPC-Modul zur präzisen Trajektorienverfolgung und einem Laguerre-Funktionsmodul zur deutlichen Reduzierung des Rechenaufwands.

Im adaptiven MPC-Modul wird ein rekursiver Algorithmus der kleinsten Quadrate eingeführt, um die Modellparameter des Systems zu identifizieren und dadurch die Genauigkeit und Robustheit des Systems zu verbessern. Wenn das AUV jedoch in komplexen Umgebungen betrieben wird, kann diese Methode zu einem erheblichen Anstieg der Rechenlast führen.