簡(jiǎn)介本資源面向車(chē)輛控制算法工程師、智能駕駛方向研究生及MATLAB/Simulink仿真開(kāi)發(fā)者聚焦MPC在整車(chē)動(dòng)力學(xué)控制中的工程落地問(wèn)題涵蓋模型預(yù)測(cè)控制原理、多子系統(tǒng)協(xié)同優(yōu)化設(shè)計(jì)及CarSim-MATLAB聯(lián)合仿真驗(yàn)證全流程。壓縮包共4個(gè)文件2個(gè)MATLAB腳本、1個(gè)Simulink模型、1個(gè)說(shuō)明文檔總大小僅17KB輕量但結(jié)構(gòu)完整.m文件實(shí)現(xiàn)MPC控制器核心邏輯與參數(shù)配置.mdl模型封裝車(chē)輛動(dòng)力學(xué)與控制器閉環(huán)結(jié)構(gòu).txt提供關(guān)鍵變量定義、運(yùn)行步驟與約束條件說(shuō)明便于快速?gòu)?fù)現(xiàn)與二次開(kāi)發(fā)。已有2662人學(xué)習(xí)下載資源內(nèi)容緊扣第六章典型教學(xué)案例覆蓋車(chē)輛縱向/橫向耦合控制建模、預(yù)測(cè)時(shí)域設(shè)定、硬約束如輪胎側(cè)偏角、執(zhí)行器飽和處理及性能指標(biāo)權(quán)衡等實(shí)戰(zhàn)要點(diǎn)可直接用于課程設(shè)計(jì)、畢業(yè)課題或自動(dòng)駕駛控制算法原型驗(yàn)證。 做整車(chē)控制這些年我最常被問(wèn)到的一個(gè)問(wèn)題是PID明明已經(jīng)夠用了為什么還要折騰MPC每次遇到這種問(wèn)題我都會(huì)反問(wèn)一句如果你的目標(biāo)是讓車(chē)速在約束范圍內(nèi)快速響應(yīng)、同時(shí)把能耗壓到最低還得應(yīng)付前車(chē)突然減速這類(lèi)突發(fā)工況PID還能輕松搞定嗎大概率不能。MPC模型預(yù)測(cè)控制Model Predictive Control在整車(chē)控制里的價(jià)值恰恰就體現(xiàn)在這種“多目標(biāo)、帶約束、能預(yù)判未來(lái)”的場(chǎng)景中。這篇博文就圍繞整車(chē)控制中的MPC算法從原理講到MATLAB實(shí)現(xiàn)再聊一聊我實(shí)際調(diào)試時(shí)踩過(guò)的坑和一些排查方法希望能給正在入門(mén)或者已經(jīng)在項(xiàng)目中用MPC的朋友一些參考。先說(shuō)說(shuō)適合誰(shuí)來(lái)讀。如果你剛接觸MPC想搞明白它到底是怎么工作的這篇能幫你把原理部分啃下來(lái)如果你已經(jīng)在整車(chē)縱向控制、能量管理或者路徑跟蹤這類(lèi)方向干活這篇里的MATLAB實(shí)現(xiàn)細(xì)節(jié)和參數(shù)整定經(jīng)驗(yàn)可以讓你少走不少?gòu)澛?。我默認(rèn)你對(duì)車(chē)輛動(dòng)力學(xué)有一點(diǎn)基礎(chǔ)也用過(guò)MATLAB/Simulink但不要求你有多深的控制理論功底只要會(huì)基本的矩陣運(yùn)算MPC的推導(dǎo)和代碼都能跟得上。1. 整車(chē)控制里的MPC到底解決什么問(wèn)題1.1 為什么整車(chē)控制場(chǎng)景天然適合MPC先不聊公式咱們從需求倒推。整車(chē)控制范疇很廣縱向車(chē)速控制、ACC自適應(yīng)巡航、能量管理策略、底盤(pán)集成控制、路徑跟蹤這些場(chǎng)景有一個(gè)共同特點(diǎn)它們都帶有約束而且是硬約束。車(chē)速不能超過(guò)物理極限電機(jī)輸出扭矩有上下限電池SOC不能過(guò)充過(guò)放制動(dòng)力不能超過(guò)路面附著系數(shù)如果你用傳統(tǒng)PID這些約束基本靠“限幅”處理也就是先算出一個(gè)控制量再把它硬截?cái)嘣诩s束范圍內(nèi)。這種粗暴的截?cái)喾绞綆?lái)的問(wèn)題是你可能在最需要加速的時(shí)候恰恰踩了剎車(chē)或者為了滿(mǎn)足約束而犧牲了本來(lái)可以更好的舒適性和經(jīng)濟(jì)性。MPC的處理方式不一樣。它在每一步優(yōu)化時(shí)就把約束寫(xiě)進(jìn)優(yōu)化問(wèn)題里算出來(lái)的控制量天然滿(mǎn)足約束而不是算完再截?cái)?。而且MPC有一個(gè)“預(yù)測(cè)”能力它可以根據(jù)當(dāng)前狀態(tài)和模型往前看未來(lái)一段時(shí)間預(yù)測(cè)時(shí)域的系統(tǒng)行為然后在這段時(shí)間內(nèi)做整體優(yōu)化。這就好比開(kāi)車(chē)時(shí)你不僅看眼前這一點(diǎn)而是看到前方三百米的路況再?zèng)Q定怎么踩油門(mén)剎車(chē)效果自然比“眼前有什么反應(yīng)什么”要好。拿ACC自適應(yīng)巡航舉例。前車(chē)突然減速傳統(tǒng)PID只能檢測(cè)到距離誤差變大了才做出反應(yīng)多少有點(diǎn)滯后MPC因?yàn)樵谇耙徊絻?yōu)化時(shí)已經(jīng)把“預(yù)測(cè)到的前車(chē)軌跡”代入模型可以在前車(chē)真正減速之前就開(kāi)始協(xié)調(diào)發(fā)動(dòng)機(jī)和制動(dòng)系統(tǒng)整個(gè)過(guò)程更平滑、更接近人類(lèi)駕駛員的預(yù)判行為。這就是整車(chē)控制選MPC的核心原因多目標(biāo)、多約束、可預(yù)測(cè)三個(gè)需求正好是MPC的主場(chǎng)。1.2 MPC和PID、LQR的差異在哪很多人會(huì)有疑惑既然LQR也是最優(yōu)控制為什么不用LQRLQR確實(shí)能處理多目標(biāo)優(yōu)化而且求解快但它的約束處理能力比較弱需要在設(shè)計(jì)時(shí)把約束“軟化”成懲罰項(xiàng)這在實(shí)際工程里很難做到精確。PID就更不用說(shuō)它本質(zhì)上是偏差驅(qū)動(dòng)的沒(méi)有預(yù)測(cè)能力也沒(méi)有約束概念。我做一個(gè)直觀的對(duì)比。控制方法約束處理預(yù)測(cè)能力多目標(biāo)優(yōu)化計(jì)算量工程落地難度PID靠限幅嚴(yán)格說(shuō)不算約束無(wú)弱需要加權(quán)合并極低低LQR弱需軟約束化無(wú)強(qiáng)但難處理硬約束低中MPC強(qiáng)直接寫(xiě)進(jìn)優(yōu)化問(wèn)題有強(qiáng)可靈活調(diào)節(jié)權(quán)重高中高從表里能看出來(lái)MPC的強(qiáng)項(xiàng)正是整車(chē)控制最看重的點(diǎn)。但它的代價(jià)也很明顯計(jì)算量大需要在線(xiàn)求解一個(gè)帶約束的優(yōu)化問(wèn)題。所以在早期MPC主要用在對(duì)算力要求不苛刻的慢過(guò)程上比如化工過(guò)程控制。近些年隨著車(chē)載控制器算力提升以及一些高效QP求解器的出現(xiàn)MPC在整車(chē)上的實(shí)時(shí)應(yīng)用才真正變得可行。這也是為什么現(xiàn)在很多OEM和Tier1都在往MPC方向轉(zhuǎn)型。2. MPC算法原理從預(yù)測(cè)模型到滾動(dòng)優(yōu)化2.1 預(yù)測(cè)模型先把車(chē)輛行為寫(xiě)成狀態(tài)空間方程MPC一切的地基是預(yù)測(cè)模型。你不把被控對(duì)象的行為描述出來(lái)后面的“預(yù)測(cè)”就是空中樓閣。對(duì)整車(chē)縱向控制來(lái)說(shuō)最常用的是簡(jiǎn)化縱向動(dòng)力學(xué)模型我直接給一個(gè)經(jīng)典形式x(k1) A x(k) B u(k)這里的x是狀態(tài)量通常包含車(chē)速v和加速度au是控制輸入一般是期望加速度或者電機(jī)扭矩請(qǐng)求。如果你只做單純的縱向速度控制一階慣性模型也能用如果做ACC狀態(tài)量里再加上相對(duì)距離Δd和相對(duì)速度Δv模型維度會(huì)高一些。我給你一個(gè)我在MATLAB里用得比較順手的縱向控制狀態(tài)空間模型例子% 車(chē)輛縱向動(dòng)力學(xué)簡(jiǎn)化模型 % 狀態(tài): x [v; a] 車(chē)速(m/s), 加速度(m/s^2) % 輸入: u acc_des 期望加速度(m/s^2) % 假設(shè): 一階慣性環(huán)節(jié)近似動(dòng)力總成響應(yīng), 時(shí)間常數(shù)為 tao tao 0.5; % 動(dòng)力總成響應(yīng)時(shí)間常數(shù)根據(jù)實(shí)際整車(chē)標(biāo)定 Ts 0.05; % 控制周期50ms A_cont [0 1; 0 -1/tao]; B_cont [0; 1/tao]; C_cont [1 0]; % 離散化 sys_cont ss(A_cont, B_cont, C_cont, 0); sys_disc c2d(sys_cont, Ts, zoh); A sys_disc.A; B sys_disc.B; C sys_disc.C;這個(gè)模型里有個(gè)關(guān)鍵參數(shù)tao時(shí)間常數(shù)它代表了從你發(fā)出期望加速度指令到車(chē)輛實(shí)際加速度變化之間的延遲和慣性。這個(gè)數(shù)值不是拍腦袋定的而是通過(guò)實(shí)車(chē)標(biāo)定的比如你做階躍響應(yīng)測(cè)試記錄期望加速度和實(shí)際加速度擬合出一階慣性模型的tao。不同車(chē)型、不同動(dòng)力總成形式純電、混動(dòng)、燃油差異很大純電車(chē)響應(yīng)快tao可能在0.2到0.3左右燃油車(chē)帶渦輪增壓的可能到0.8以上。2.2 滾動(dòng)優(yōu)化核心思想就一句話(huà)反復(fù)做MPC區(qū)別于“一次性算完就不管”的控制方法在于它每步都在做優(yōu)化而且只執(zhí)行第一步的結(jié)果。我把它拆成三步在當(dāng)前時(shí)刻k讀取系統(tǒng)當(dāng)前狀態(tài)x(k)?；陬A(yù)測(cè)模型向前滾動(dòng)預(yù)測(cè)未來(lái)Np步的狀態(tài)然后求解一個(gè)優(yōu)化問(wèn)題得到未來(lái)Nc步最優(yōu)控制序列。只把控制序列的第一步u(k)作用到系統(tǒng)上。到k1時(shí)刻重新采樣狀態(tài)重復(fù)以上過(guò)程。這就是“滾動(dòng)優(yōu)化”或“滾動(dòng)時(shí)域控制”的本質(zhì)。為什么要這么麻煩因?yàn)槟Ｐ陀姓`差、外部有擾動(dòng)你一次性算出來(lái)的未來(lái)控制序列在實(shí)際情況中根本不準(zhǔn)確。每步重新優(yōu)化相當(dāng)于用最新的反饋信息去修正預(yù)測(cè)誤差這也是MPC魯棒性的來(lái)源之一。我舉個(gè)例子。假設(shè)你在高速上跑ACC預(yù)測(cè)模型認(rèn)為前方車(chē)輛會(huì)勻速行駛所以MPC算出未來(lái)十步的控制序列但你只執(zhí)行當(dāng)前這一步的加速度。過(guò)了50毫秒你發(fā)現(xiàn)前車(chē)踩剎車(chē)了此時(shí)MPC重新采樣到新的相對(duì)距離和相對(duì)速度再重新優(yōu)化輸出新的控制量。這種“走一步看一步、看一步算一步”的策略保證控制始終基于最新信息。2.3 代價(jià)函數(shù)MPC怎么表達(dá)“我想要什么”MPC優(yōu)化問(wèn)題里核心是代價(jià)函數(shù)。整車(chē)控制里最常用的代價(jià)函數(shù)可以寫(xiě)成J Σ(i1..Np) ||y(ki) - y_ref(ki)||2_Q Σ(i0..Nc-1) ||u(ki)||2_R看著有點(diǎn)嚇人說(shuō)白了就是“跟蹤誤差越小越好控制量越平穩(wěn)越好”。第一項(xiàng)是預(yù)測(cè)輸出和目標(biāo)參考軌跡的誤差平方和相當(dāng)于司機(jī)眼里“車(chē)速和設(shè)定值的偏差”第二項(xiàng)是控制量大小的懲罰相當(dāng)于司機(jī)踩油門(mén)的平順性考量。Q和R就是這兩者之間的權(quán)重平衡。Q大代表你更在意跟蹤精度系統(tǒng)響應(yīng)偏激進(jìn)R大代表你更在意控制動(dòng)作平緩系統(tǒng)響應(yīng)偏保守。除了代價(jià)函數(shù)約束條件也是MPC的精髓。整車(chē)控制里最常見(jiàn)的約束有控制量約束u_min ≤ u(ki) ≤ u_max對(duì)應(yīng)電機(jī)/發(fā)動(dòng)機(jī)最大和最小輸出能力?？刂圃隽考s束Δu_min ≤ Δu(ki) ≤ Δu_max對(duì)應(yīng)加速度變化率限制直接關(guān)系到平順性。狀態(tài)約束a_min ≤ a(ki) ≤ a_max保證乘客舒適性和車(chē)輛穩(wěn)定性。最終MPC每一步要解的是一個(gè)帶約束的二次規(guī)劃QP問(wèn)題。它的標(biāo)準(zhǔn)形式是min 1/2 x H x f x s.t. Ax ≤ bMATLAB里只要把模型和代價(jià)函數(shù)寫(xiě)出來(lái)工具箱會(huì)自動(dòng)幫你拼裝這個(gè)QP然后調(diào)用求解器解出來(lái)。但如果你想真正理解MPC最好自己手推一遍QP的構(gòu)造過(guò)程后面講MATLAB實(shí)現(xiàn)的時(shí)候我會(huì)展示怎么一步步拼裝。3. MATLAB/Simulink實(shí)現(xiàn)MPC的完整流程3.1 搭模型用Simulink搭一個(gè)被控車(chē)輛MATLAB/Simulink是整車(chē)控制開(kāi)發(fā)最常用的平臺(tái)沒(méi)有之一。我一般把MPC實(shí)現(xiàn)分成三個(gè)模塊被控對(duì)象模型、控制器、以及可視化分析模塊。被控對(duì)象模型有兩種選擇一是用Simscape搭物理模型二是用數(shù)學(xué)方程搭簡(jiǎn)化模型。對(duì)于MPC算法的驗(yàn)證階段我建議先用簡(jiǎn)化模型因?yàn)檎{(diào)試方便、算得快邏輯和結(jié)果對(duì)上了再往Simscape或者Simulink自帶的車(chē)輛動(dòng)力學(xué)庫(kù)里換。我分享一個(gè)最簡(jiǎn)單的縱向車(chē)速控制Simulink搭建思路被控對(duì)象第二章里的離散狀態(tài)空間模型用State-Space模塊封裝。MPC控制器可以用MPC Toolbox的MPC Controller模塊也可以后面我講的手寫(xiě)代碼方式。輸出顯示用Scope查看車(chē)速跟蹤曲線(xiàn)、控制量曲線(xiàn)用Display實(shí)時(shí)看數(shù)值。這里有個(gè)容易踩的坑MPC Controller模塊默認(rèn)輸入是“被控對(duì)象輸出y”和“參考輸入ref”很多新手會(huì)把狀態(tài)x直接接進(jìn)去結(jié)果老是報(bào)維度不匹配。你需要先用Measurements端口給控制器反饋可測(cè)量的輸出一般是車(chē)速v然后MPC內(nèi)部會(huì)通過(guò)狀態(tài)觀測(cè)器Kalman濾波估計(jì)完整狀態(tài)。如果你直接把狀態(tài)都測(cè)到了比如Simulink模型里狀態(tài)很容易拿到可以在MPC Controller模塊里配置“所有狀態(tài)可測(cè)”這樣反而更穩(wěn)定。3.2 用MPC Toolbox快速實(shí)現(xiàn)MPC Toolbox是最省事的方式適合走整體流程驗(yàn)證。它的使用路徑很清晰先在MATLAB工作區(qū)創(chuàng)建MPC對(duì)象然后配置預(yù)測(cè)模型、采樣時(shí)間、預(yù)測(cè)時(shí)域、控制時(shí)域、權(quán)重和約束最后丟到Simulink里仿真。我寫(xiě)一段典型的MPC對(duì)象創(chuàng)建代碼% 假設(shè)已經(jīng)有離散模型 sys_disc % 創(chuàng)建MPC控制器 mpc_obj mpc(sys_disc, Ts); % 設(shè)置預(yù)測(cè)時(shí)域和控制時(shí)域 mpc_obj.PredictionHorizon 20; mpc_obj.ControlHorizon 3; % 權(quán)重設(shè)置: 輸出(車(chē)速)權(quán)重高, 控制量權(quán)重適中 mpc_obj.Weights.OutputVariables 1; mpc_obj.Weights.ManipulatedVariables 0.1; mpc_obj.Weights.ManipulatedVariablesRate 0.5; % 約束設(shè)置: 期望加速度范圍 mpc_obj.ManipulatedVariables.Min -3; % m/s^2 最大制動(dòng)減速度 mpc_obj.ManipulatedVariables.Max 2; % m/s^2 最大加速度 mpc_obj.ManipulatedVariables.RateMin -1; % 加速度變化率 mpc_obj.ManipulatedVariables.RateMax 1;這里的關(guān)鍵參數(shù)含義我先點(diǎn)一下PredictionHorizon預(yù)測(cè)時(shí)域Np是20代表預(yù)測(cè)未來(lái)20步也就是1秒20 × 50ms。這個(gè)長(zhǎng)度要覆蓋系統(tǒng)主要?jiǎng)討B(tài)過(guò)程。如果太短MPC“看不到”更遠(yuǎn)的影響約束可能壓不住如果太長(zhǎng)計(jì)算量增大而且遠(yuǎn)處的預(yù)測(cè)權(quán)重小實(shí)際意義不大。ControlHorizon控制時(shí)域Nc是3代表未來(lái)只允許3步控制量自由變化后面的控制量保持不變。Nc小可以減少優(yōu)化變量數(shù)量顯著降低計(jì)算量是實(shí)車(chē)部署時(shí)常用的壓縮手段。Weights里三個(gè)權(quán)重分別對(duì)應(yīng)輸出跟蹤、控制量大小和控制量變化率。我把控制量變化率權(quán)重設(shè)成0.5是為了讓加速度請(qǐng)求變化平緩避免頓挫感。設(shè)置完對(duì)象后你可以在MATLAB里用sim函數(shù)離線(xiàn)仿真也可以在Simulink里拖MPC Controller模塊。我建議先跑離線(xiàn)仿真打開(kāi)mpcobj的仿真結(jié)果圖看看跟蹤效果和約束滿(mǎn)足情況再進(jìn)Simulink閉環(huán)驗(yàn)證。3.3 手寫(xiě)MPC代碼繞過(guò)工具箱真正吃透原理工具箱雖好但有一個(gè)問(wèn)題你很難真正理解內(nèi)部發(fā)生了什么。我強(qiáng)烈建議每個(gè)想深入MPC的人至少手寫(xiě)一遍無(wú)約束或簡(jiǎn)單約束的MPC這樣才能在遇到問(wèn)題時(shí)不至于整個(gè)就是黑盒。這里我給一個(gè)基于Yalmip封裝的MPC求解代碼框架方便理解問(wèn)題定義和求解過(guò)程% 手寫(xiě)MPC: 基于Yalmip求解QP % 狀態(tài)方程: x(k1) A*x(k) B*u(k) % 代價(jià): 跟蹤車(chē)速v_ref, 懲罰控制量變化 Np 20; Nc 3; % 定義優(yōu)化變量 u sdpvar(1, Nc); % 控制序列 x sdpvar(2, Np1); % 狀態(tài)序列 % 約束和代價(jià)初始化 constraints []; cost 0; % 初始狀態(tài)約束 constraints [constraints, x(:,1) x0]; % 預(yù)測(cè)循環(huán) for i 1:Np if i Nc u_i u(i); else u_i u(Nc); % 控制時(shí)域之后保持不變 end % 狀態(tài)更新方程 constraints [constraints, x(:,i1) A*x(:,i) B*u_i]; % 約束: 控制量限幅 constraints [constraints, -3 u_i 2]; % 代價(jià): 輸出跟蹤誤差 控制量懲罰 cost cost (x(1,i) - v_ref(i)) * Q_out * (x(1,i) - v_ref(i)); cost cost u_i * R_in * u_i; end % 配置求解器 options sdpsettings(solver, quadprog, verbose, 0); % 求解 optimize(constraints, cost, options); % 取第一個(gè)控制量 u_first value(u(1));這段代碼的風(fēng)格是把MPC問(wèn)題“直接寫(xiě)出來(lái)”讓求解器去解。Yalmip的優(yōu)點(diǎn)是代碼接近數(shù)學(xué)描述適合學(xué)習(xí)和驗(yàn)證。實(shí)際工程部署時(shí)一般不會(huì)用Yalmip而是用QP求解器比如OSQP、qpOASES、MATLAB自帶的quadprog配合C代碼生成但理解思路是完全一致的。我自己帶團(tuán)隊(duì)時(shí)要求每個(gè)工程師先用這段代碼跑通一個(gè)簡(jiǎn)單縱向控制再允許用工具箱就是怕大家只會(huì)填參數(shù)、不會(huì)看本質(zhì)。實(shí)際過(guò)程中一旦你手寫(xiě)一遍后面的參數(shù)整定、問(wèn)題分析效率會(huì)明顯高一個(gè)臺(tái)階。3.4 完整閉環(huán)驗(yàn)證從仿真代碼到Simulink光有控制器代碼還不夠你得把它放進(jìn)閉環(huán)里驗(yàn)證。我一般是這樣操作的第一步先用純MATLAB腳本做閉環(huán)仿真不拖Simulink。這一步能快速驗(yàn)證算法邏輯排除模型問(wèn)題。我把被控對(duì)象也寫(xiě)進(jìn)去用for循環(huán)模擬每個(gè)采樣周期的控制過(guò)程% 閉環(huán)仿真 simTime 10; % 秒 steps simTime / Ts; x [0; 0]; % 初始車(chē)速為0 logV zeros(steps, 1); logU zeros(steps, 1); time 0:Ts:simTime-Ts; % 參考車(chē)速: 從0加速到20m/s v_ref_profile min(20, time * 2); for k 1:steps x0 x; v_ref v_ref_profile(min(k, length(v_ref_profile))); % 調(diào)用MPC求解得到控制量 % (這里以手寫(xiě)MPC函數(shù)為例) u_k run_mpc_controller(A, B, x0, v_ref, Np, Nc); % 施加到被控對(duì)象 x A * x B * u_k; % 記錄數(shù)據(jù) logV(k) x(1); logU(k) u_k; end第二步驗(yàn)證通過(guò)之后再進(jìn)Simulink把MPC Controller替換成手寫(xiě)MPC模塊用MATLAB Function 或者 S-Function 封裝接上更精細(xì)的車(chē)輛模型看看在模型復(fù)雜度升高后MPC還能不能保持性能。這一步能暴露很多純腳本階段發(fā)現(xiàn)不了的問(wèn)題比如模型失配、數(shù)值穩(wěn)定性、求解器收斂等。我踩過(guò)的一個(gè)很典型的坑是純腳本仿真里被控對(duì)象也是簡(jiǎn)單的線(xiàn)性模型MPC控制效果完美但一進(jìn)Simulink換成Simscape高保真模型參數(shù)完全沒(méi)調(diào)結(jié)果車(chē)速震蕩甚至發(fā)散。原因就是MPC內(nèi)部的預(yù)測(cè)模型和實(shí)際被控對(duì)象失配太嚴(yán)重。后面我會(huì)專(zhuān)門(mén)講這個(gè)問(wèn)題怎么處理。4. 參數(shù)整定與實(shí)操經(jīng)驗(yàn)4.1 預(yù)測(cè)時(shí)域和控制時(shí)域的選擇邏輯參數(shù)整定是MPC落地的關(guān)鍵一環(huán)。很多新手一上來(lái)就問(wèn)Np取多少合適Nc取多少合適我沒(méi)法給一個(gè)放之四海而皆準(zhǔn)的數(shù)值但可以給一套判斷邏輯。預(yù)測(cè)時(shí)域Np的選擇要覆蓋系統(tǒng)的主要瞬態(tài)過(guò)程。你可以先對(duì)被控對(duì)象做一個(gè)開(kāi)環(huán)階躍響應(yīng)觀察它從初始狀態(tài)到穩(wěn)定大約需要多長(zhǎng)時(shí)間然后把這段時(shí)間除以采樣周期Ts就得到一個(gè)粗略的Np基準(zhǔn)值。比如車(chē)輛從0加速到20m/s可能需要2到3秒采樣周期50ms那Np至少應(yīng)該做到40到60步。但Np也不是越大越好Np過(guò)大時(shí)遠(yuǎn)處的預(yù)測(cè)誤差累積QP規(guī)模變大而且遠(yuǎn)期目標(biāo)對(duì)當(dāng)前決策的貢獻(xiàn)逐漸變小容易造成數(shù)值病態(tài)。我的經(jīng)驗(yàn)是Np覆蓋主要?jiǎng)討B(tài)過(guò)程的1到1.5倍就夠了?？刂茣r(shí)域Nc的選擇邏輯不同。Nc本質(zhì)上決定了優(yōu)化問(wèn)題的自由度Nc越大控制序列的可變性越強(qiáng)性能理論上越好但計(jì)算量成比例增加。整車(chē)控制實(shí)時(shí)性要求高我通常把Nc控制在3到5之間。如果你用Np20、Nc3優(yōu)化變量就是3個(gè)求解速度非?？烊绻惆袾c提到20優(yōu)化變量就變成20個(gè)實(shí)時(shí)性可能就頂不住了。這里有個(gè)工程技巧Nc不需要等于Np因?yàn)镸PC的控制特點(diǎn)是“未來(lái)的控制動(dòng)作會(huì)逐步修正”你只需要給近期足夠的自由度遠(yuǎn)期由約束保持穩(wěn)定即可。4.2 權(quán)重Q和R怎么調(diào)才不會(huì)“翻車(chē)”權(quán)重整定是MPC最玄學(xué)也最有規(guī)律的部分。我的方法分三步走。第一步先把權(quán)重拉到“只關(guān)注跟蹤”的狀態(tài)也就是Q取較大值、R取較小值看系統(tǒng)在滿(mǎn)足約束的前提下能跑到多快。這個(gè)過(guò)程通常會(huì)看到控制量快速抖動(dòng)、接近約束邊界甚至出現(xiàn)小幅超調(diào)。這不要緊目的是找到系統(tǒng)的性能上限。第二步逐步增大R和控制量變化率權(quán)重看跟蹤性能下降的趨勢(shì)找到“性能和平順性”的折中點(diǎn)。我一般會(huì)觀察兩個(gè)指標(biāo)一個(gè)是車(chē)速跟蹤的上升時(shí)間和穩(wěn)態(tài)誤差另一個(gè)是控制量變化的最大速率。如果控制量變化太激進(jìn)乘客會(huì)感覺(jué)到頓挫即使在仿真里不體現(xiàn)實(shí)車(chē)也會(huì)被標(biāo)定工程師斃掉。第三步把權(quán)重固定下來(lái)后做一次極端工況掃描比如急加速到目標(biāo)車(chē)速、高速情況下制動(dòng)減速、連續(xù)坡道巡航看權(quán)重參數(shù)在所有工況下是否都能保持合理。如果某個(gè)工況下出現(xiàn)較大振蕩優(yōu)先增大控制量變化率權(quán)重而不是增大Q。因?yàn)檎袷幍母词强刂苿?dòng)作太激進(jìn)通過(guò)R來(lái)抑制往往比通過(guò)Q來(lái)強(qiáng)壓更有效。這里有一組我常用的初始參考值你可以作為起點(diǎn)輸出權(quán)重Q車(chē)速誤差權(quán)重取1左右。控制量權(quán)重R取0.1到0.5之間具體看平順性需求?？刂屏孔兓蕶?quán)重取0.2到0.8之間這是平順性的主力調(diào)節(jié)旋鈕。這組初始值大概率不會(huì)讓你一上來(lái)就失控但最終還是要根據(jù)實(shí)際工況微調(diào)沒(méi)有捷徑。4.3 約束設(shè)置的一些經(jīng)驗(yàn)教訓(xùn)約束是MPC的核心優(yōu)勢(shì)也是最容易出問(wèn)題的地方。我總結(jié)三個(gè)常見(jiàn)教訓(xùn)。第一約束上下限不要貼死物理極限。比如電機(jī)的最大加速度是3m/s2你如果真把約束設(shè)成3MPC在優(yōu)化時(shí)會(huì)頻繁碰到邊界一旦模型誤差或者噪聲讓實(shí)際車(chē)輛越過(guò)約束你根本沒(méi)留緩沖空間。我習(xí)慣留5%到10%的裕量比如設(shè)成2.7到2.8。第二約束之間要協(xié)調(diào)。比如你對(duì)控制量限幅的同時(shí)又對(duì)控制量變化率限幅這兩個(gè)約束可能互相沖突導(dǎo)致QP無(wú)解。遇到這種情況MPC會(huì)報(bào)infeasible problem仿真直接中斷。解決方法是給約束加“軟約束”的松弛變量slack variable允許約束在極端情況下被輕微違反同時(shí)在代價(jià)函數(shù)里加上對(duì)松弛量的懲罰。用工具箱時(shí)可以通過(guò)設(shè)置OutputVariables的Soft Constraint來(lái)實(shí)現(xiàn)手寫(xiě)代碼時(shí)則需要在QP里顯式加入松弛變量。第三不要忽視狀態(tài)約束對(duì)可解性的影響。例如你加入加速度上限約束但參考車(chē)速本身變化太快導(dǎo)致系統(tǒng)為了跟蹤參考而必須請(qǐng)求超出約束的加速度此時(shí)QP也會(huì)無(wú)解。你需要檢查參考軌跡的物理可實(shí)現(xiàn)性或者把參考軌跡生成模塊也納入MPC的預(yù)測(cè)框架里讓MPC知道未來(lái)參考的變化趨勢(shì)提前調(diào)整輸出。5. 常見(jiàn)問(wèn)題與排查技巧實(shí)錄5.1 QP求解失敗、系統(tǒng)發(fā)散怎么查在實(shí)際仿真和實(shí)車(chē)調(diào)試中最讓人頭疼的就是“上一秒還好好的下一秒控制器突然罷工”。我按經(jīng)驗(yàn)列一個(gè)排查順序按這個(gè)順序查能省不少時(shí)間。第一確認(rèn)模型離散化是否正確。很多新手用c2d離散化之后直接把連續(xù)模型的A、B矩陣拿來(lái)當(dāng)離散模型用這會(huì)導(dǎo)致預(yù)測(cè)完全錯(cuò)誤。務(wù)必檢查sys_disc的極點(diǎn)是否在單位圓內(nèi)A矩陣是否符合離散模型的特征。第二確認(rèn)QP求解器是否收斂。用工具箱時(shí)打開(kāi)仿真診斷觀察是否有“The QP solver failed to find a solution”之類(lèi)的提示。如果頻繁出現(xiàn)多半是約束太緊或者權(quán)重病態(tài)?？梢韵确潘杉s束或者改求解器比如從默認(rèn)的KWIK算法換成QP算法。第三確認(rèn)采樣時(shí)間是否與實(shí)際控制器周期一致。MPC內(nèi)部的模型離散化基于Ts如果你的Simulink仿真步長(zhǎng)和MPC的Ts不匹配會(huì)導(dǎo)致控制量輸出與實(shí)際系統(tǒng)狀態(tài)不同步嚴(yán)重時(shí)出現(xiàn)震蕩。我推薦在Simulink里用固定步長(zhǎng)求解器并且步長(zhǎng)等于MPC的Ts或者更小比如Ts/2這樣能減少這種問(wèn)題。5.2 關(guān)于模型失配問(wèn)題的一些經(jīng)驗(yàn)MPC的性能上限取決于預(yù)測(cè)模型的準(zhǔn)確度這是一個(gè)繞不開(kāi)的事實(shí)。純車(chē)仿真里模型匹配度高效果好看實(shí)車(chē)跑起來(lái)輪胎打滑、路面坡度、風(fēng)阻、電池SOC變化導(dǎo)致的動(dòng)力響應(yīng)差異都會(huì)讓預(yù)測(cè)模型失真。我常用三種手段應(yīng)對(duì)模型失配。第一種在預(yù)測(cè)模型里增加擾動(dòng)項(xiàng)。就是在狀態(tài)方程里加一個(gè)常數(shù)項(xiàng)或者可估計(jì)的擾動(dòng)比如x(k1) A x(k) B u(k) d(k)這個(gè)d(k)可以在線(xiàn)估計(jì)比如用擴(kuò)展Kalman濾波把坡度阻力、風(fēng)阻等未建模擾動(dòng)統(tǒng)一估計(jì)出來(lái)代入MPC預(yù)測(cè)。這是最實(shí)用也見(jiàn)效最快的方法Model Adaptive MPC或者說(shuō)帶擾動(dòng)補(bǔ)償?shù)腗PC就是干這個(gè)的。第二種把模型參數(shù)做成調(diào)度表。比如tao動(dòng)力總成時(shí)間常數(shù)隨車(chē)速和擋位變化你可以做一個(gè)二維查表供MPC模型查取當(dāng)前工況的參數(shù)。這種方法不需要復(fù)雜的在線(xiàn)辨識(shí)工程實(shí)現(xiàn)簡(jiǎn)單穩(wěn)定性好。第三種采用魯棒MPC或者Tube-based MPC。這類(lèi)方法把模型不確定性顯式考慮進(jìn)優(yōu)化里代價(jià)是計(jì)算量增加不少?，F(xiàn)階段在整車(chē)控制器上量產(chǎn)應(yīng)用還不多但對(duì)復(fù)雜工況的前期研究很有價(jià)值。如果你想往深了做這是個(gè)很好的方向。5.3 計(jì)算實(shí)時(shí)性不夠怎么優(yōu)化MPC上實(shí)車(chē)最大的攔路虎就是實(shí)時(shí)性。我見(jiàn)過(guò)有些控制器的CPU主頻不算低但一跑MPC一個(gè)控制周期內(nèi)算不完整個(gè)控制節(jié)奏就亂了。優(yōu)化思路可以從三個(gè)層面入手。算法層面第一條路是減小Nc這是立竿見(jiàn)影的。Nc從10降到3優(yōu)化變量減少到原來(lái)的三分之一單步求解時(shí)間幾乎線(xiàn)性下降。第二條路是簡(jiǎn)化預(yù)測(cè)模型比如把二階模型簡(jiǎn)化成一階預(yù)測(cè)精度損失不大但QP規(guī)模明顯縮小。第三條路是采用顯式MPCExplicit MPC它把在線(xiàn)QP求解轉(zhuǎn)化為查表計(jì)算時(shí)間基本可以忽略不計(jì)代價(jià)是需要離線(xiàn)生成一個(gè)龐大的分區(qū)查找表適合小狀態(tài)維度的場(chǎng)景。工程層面你可以把MPC控制器放到獨(dú)立的核或者獨(dú)立MCU上跑與整車(chē)其他功能隔離避免其他任務(wù)搶占CPU。另外用MATLAB Coder把MPC算法生成C代碼后編譯優(yōu)化比如使用-O2甚至-O3對(duì)實(shí)時(shí)性提升很明顯。數(shù)值層面注意避免大數(shù)小數(shù)的病態(tài)矩陣。比如你狀態(tài)量是車(chē)速幾十的量級(jí)控制量是加速度個(gè)位數(shù)量級(jí)代價(jià)函數(shù)里的權(quán)重矩陣如果量級(jí)差距太大QP求解器收斂會(huì)很慢。解決方法是先對(duì)狀態(tài)和控制量做歸一化讓它們都在0到1或-1到1的范圍內(nèi)再進(jìn)入MPC計(jì)算。這個(gè)技巧我在多個(gè)項(xiàng)目里驗(yàn)證過(guò)對(duì)求解時(shí)間和穩(wěn)定性都有明顯改善。6. 后續(xù)擴(kuò)展方向MPC在整車(chē)控制上遠(yuǎn)不止縱向車(chē)速控制這一個(gè)應(yīng)用。我現(xiàn)在看到比較熱的幾個(gè)方向包括電池?zé)峁芾砗湍芰抗芾韰f(xié)同的MPC、四輪獨(dú)立驅(qū)動(dòng)車(chē)輛轉(zhuǎn)矩分配的MPC、智能駕駛場(chǎng)景下軌跡規(guī)劃和跟蹤一體化的MPC還有面向整車(chē)執(zhí)行器冗余容錯(cuò)控制的MPC。每個(gè)方向本質(zhì)上都是把MPC預(yù)測(cè)和約束的優(yōu)勢(shì)疊加到更復(fù)雜的系統(tǒng)模型和控制目標(biāo)上。如果你想把MPC往應(yīng)用層面進(jìn)一步做實(shí)我個(gè)人建議往能量管理層走一走。因?yàn)槟芰抗芾硖烊皇且粋€(gè)強(qiáng)約束、多目標(biāo)、存在未來(lái)信息比如導(dǎo)航工況預(yù)測(cè)的問(wèn)題和MPC的特性非常契合。而且能量管理對(duì)算力的要求不如底盤(pán)子系統(tǒng)那么苛刻是MPC量產(chǎn)落地比較務(wù)實(shí)的切入點(diǎn)。另外我個(gè)人在實(shí)際操作中的一個(gè)體會(huì)是MPC這門(mén)技術(shù)原理說(shuō)實(shí)話(huà)三天能講完但真正要讓它在一臺(tái)車(chē)上穩(wěn)定跑起來(lái)靠的是接下來(lái)三個(gè)月甚至更長(zhǎng)時(shí)間的調(diào)參、試錯(cuò)和模型打磨。你可以把MPC看作一個(gè)好用的工具箱它給你提供了強(qiáng)大的框架但最終效果還得看你對(duì)被控對(duì)象的理解程度。工程師的功夫往往不在公式推導(dǎo)上而在面對(duì)一堆仿真曲線(xiàn)時(shí)能快速判斷出“是模型不對(duì)、權(quán)重不當(dāng)還是約束設(shè)置失衡”的那種感覺(jué)。這種東西沒(méi)法速成啃過(guò)幾個(gè)實(shí)際項(xiàng)目自然就有了。最后再分享一個(gè)小技巧不管你在什么項(xiàng)目里用MPC前期一定先把數(shù)據(jù)記錄和可視化做全。把狀態(tài)軌跡、控制輸入、約束邊界、參考軌跡全部存下來(lái)出問(wèn)題時(shí)一條條曲線(xiàn)翻比看任何日志都管用。MPC調(diào)試的絕大多數(shù)問(wèn)題都是通過(guò)“看曲線(xiàn)不對(duì)勁”這個(gè)直覺(jué)誘因才一步步定位到根因的。這個(gè)習(xí)慣建議從你第一個(gè)MATLAB仿真就開(kāi)始養(yǎng)成。本文還有配套的精品資源點(diǎn)擊獲取