【自动驾驶】模型预测控制(MPC)实现轨迹跟踪

文章目录

• 参考资料
• 1. 基本概念
• • 1.1 MPC vs optimal control
  • 1.2 MPC优点
• 2. MPC整体流程
• • 2.1 预测区间与控制区间
  • 2.2 约束
  • 2.3 MPC流程
  • 2.4 MPC vs. LQR
• 3. MPC设计
• 4. MPC应用——无人车轨迹跟踪
• • 4.1 MPC建模
  • 4.2 python代码实现
  • • 4.2.1 参数
    • 4.2.2 运动学模型
    • 4.2.3 参考轨迹
    • 4.2.4 矩阵拍平
    • 4.2.5 角度归一化到[-pi，pi]
    • 4.2.6 MPC控制实现
    • 4.2.7 主函数
• 5. MPC开源库/程序

参考资料

• bilibili的DR_CAN讲解的MPC模型预测控制器
• 知乎上一个比较通俗易懂的解释
• 模型预测控制
• 轨迹跟踪模型预测控制(MPC)原理与python实现
• DR_CAN笔记MPC
• MPC控制笔记

1. 基本概念

• 模型预测控制（MPC）的核心思想就是以优化方法求解最优控制器，其中优化方法大多时候采用二次规划（Quadratic Programming）。

• MPC控制器优化得到的控制输出也是系统在未来有限时间步的控制序列。 当然，由于理论构建的模型与系统真实模型都有误差，所以，实际上更远未来的控制输出对系统控制的价值很低，故MPC仅执行输出序列中的第一个控制输出。

模型(Model)

分为机理模型和基于数据的模型（例如用神经网络训练的一个model）使用基于数据的模型的MPC可以结合model based RL使用。

预测(Predict)

模型就是用来预测的，预测的目的是为了更好的决策

控制(Control)

控制即决策，根据预测来作出决策。

MPC利用一个已有的模型、系统当前的状态和未来的控制量，来预测系统未来的输出，然后与我们期望的系统输出做比较，得到一个损失函数（代价函数），即：

损失函数=(未来输出(模型，当前状态，未来控制量)−期望输出 ) 2损失函数 = (未来输出(模型，当前状态，未来控制量)-期望输出)^2 损失函数=(未来输出(模型，当前状态，未来控制量)−期望输出)2

由于上式中模型、当前状态、期望输出都是已知的，因此只有未来控制量一个自变量。采用二次规划的方法求解出某个未来控制量，使得损失函数最小，前面提到，这个未来控制量的第一个元素就是当前控制周期的控制量。

1.1 MPC vs optimal control

最优控制（optimal control）指的是在一定的约束情况下达到最优状态的系统表现，其中约束情况通常是实际环境所带来的限制，例如汽车中的油门不能无限大等。

最优控制强调的是“最优”，一般最优控制需要在整个时间域上进行求优化(从0时刻到正无穷时刻的积分)，这样才能保证最优性，这是一种很贪婪的行为，需要消耗大量算力。同时，系统如果是一个时变系统，或者面临扰动的话，前一时刻得到的最优并不一定是下一时刻的最优值。

J= ∫ 0 ∞ E TQE+ U TRUdtJ=\int_{0}^{\infty} E^{T} Q E+U^{T} R U d t J=∫0∞​ETQE+UTRUdt

最优控制常用解法有： 变分法，极大值原理，动态规划，LQR（LQR可以参考博客）。

MPC仅考虑未来几个时间步，一定程度上牺牲了最优性。

1.2 MPC优点

• MPC善于处理多输入多输出系统（MIMO）；

• MPC可以处理约束，如安全性约束，上下阈值；

• MPC是一种向前考虑未来时间步的有限时域优化方法（一定的预测能力）

  最优控制要求在整个时间优化

  实际上MPC采用了一个折中的策略，既不是像最优控制那样考虑整个时域，也不是仅仅考虑当前，而是考虑未来的有限时间域。

2. MPC整体流程

2.1 预测区间与控制区间

对于一般的离散化系统（因为实际计算机实现的控制系统都是离散的系统，连续系统可以进行离散化操作），在k时刻，我们可以测量出系统的当前状态$y(k)$，再通过计算得到的$u(k),u(k+1),u(k+2)\dots u(k+j)$得到系统未来状态的估计值$y(k+1),y(k+2)\dots y(k+j)$；

将预测状态估计的部分称为预测区间（Predictive Horizon）,指的是一次优化后预测未来输出的时间步的个数。

将控制估计的部分称为控制区间（Control Horizon），在得到最优输入之后，我们只施加当前时刻的输入u(k)，即控制区间的第一位控制输入。

如下图 $[k,k+m]$范围为控制区间，之后的红色部分称为 held constant，其中控制区间是要通过优化器来进行优化的参数。

过小的控制区间，可能无法做到较好的控制，而较大的控制区间，比如与预测区间相等，则会导致只有前一部分的控制范围才会有较好的效果，而后一部分的控制范围则收效甚微，而且将带来大量的计算开销。

2.2 约束

对于约束，一般分为Hard约束和Soft约束，Hard约束是不可违背必须遵守的，在控制系统中，输入输出都可能会有约束限制，但是在设计时不建议将输入输出都给予Hard约束，因为这两部的约束有可能是有重叠的，导致优化器会产生不可行解。

Hard约束不能违反，Soft约束可以；比如Hard约束是刹车踩的幅度；Soft约束是速度

建议输出采用Soft约束，而输入的话建议输入和输入参数变化率二者之间不要同时为Hard约束，可以一个Hard一个Soft。

2.3 MPC流程

模型预测控制在k时刻共需三步；

• 第一步：获取系统的当前状态；

• 第二步：基于$u(k),u(k+1),u(k+2)\dots u(k+m)$进行最优化处理；

  离散系统的代价函数可以参考

  J= ∑ k m−1E k TQ E k+ u k TR u k+ E N TF E NJ=\sum_{k}^{m-1}E_k^TQE_k+u_k^TRu_k+E_N^TFE_N J=k∑m−1​EkT​QEk​+ukT​Ruk​+ENT​FEN​

  其中 EN E_NEN​表示误差的终值，也是衡量优劣的一种标准。

• 第三步：只取$u(k)$作为控制输入施加在系统上。

在下一时刻重复以上三步，在下一步进行预测时使用的就是下一步的状态值，我们将这样的方案称为滚动优化控制（Receding Horizon Control）。

预测控制的优化不是一次离线进行，而是随着采样时刻的前进反复地在线进行，故称为滚动优化。这种滚动优化虽然得不到理想的全局最优解，但是反复对每一采样时刻的偏差进行优化计算，将可及时地校正控制过程中出现的各种复杂情况。

2.4 MPC vs. LQR

从以下几个方面进行阐述：

• 研究对象：是否线性化
• 状态方程：是否离散化
• 目标函数：误差和控制量的极小值
• 工作时域：预测时域，控制时域，滚动优化，求解一次
• 求解方法：QP求解器，变分法求解黎卡提方程
• LQR和MPC的优缺点：滚动优化，求解时域，实时性，算力，工程常用方法

具体可参考博客

3. MPC设计

当模型是线性的时候（非线性系统可以线性化），MPC的设计求解一般使用二次规划方法。

设线性模型为以下形式：
x k + 1= A xk+ B uk+ C(1) x_{k+1}=Ax_k+Bu_k+C \tag{1} xk+1​=Axk​+Buk​+C(1)

假定未来 $m$步的控制输入已知，为 uk, u k + 1, u k + 2, . . . , u k + m u_k, u_{k+1}, u_{k+2}, …, u_{k+m}uk​,uk+1​,uk+2​,…,uk+m​​，根据以上模型与输入，我们可以计算未来 $m$步的状态：

x k + 1 =A x k+B u k+Cx k + 2 =A x k+1 +B u k+1 +C=A(A x k+B u k+C)+B u k+1 +C= A 2 x k+AB u k+B u k+1 +AC+Cx k + 3 = A 3 x k+ A 2B u k+A B k+1 +B u k+2 + A 2C+AC+C…x k + m = A m x k+ A m−1 B u k+ A m−2 B u k+1 +…+ A m−i B u k+i−1 +…+B u k+m−1 + A m−1 C+ A m−2 C+…+C\begin{aligned} x_{k+1}&=Ax_k+Bu_k+C \\ x_{k+2}&=Ax_{k+1}+Bu_{k+1}+C=A(Ax_k+Bu_k+C)+Bu_{k+1}+C=A^2x_{k}+ABu_k+Bu_{k+1}+AC+C \\ x_{k+3}&=A^3x_k+A^2Bu_{k}+AB_{k+1}+Bu_{k+2}+A^2C+AC+C\\ …\\ x_{k+m}&=A^{m}x_{k}+A^{m-1}Bu_k+A^{m-2}Bu_{k+1}+…+A^{m-i}Bu_{k+i-1}+…+Bu_{k+m-1}+A^{m-1}C+A^{m-2}C+…+C \end{aligned} xk+1​xk+2​xk+3​…xk+m​​=Axk​+Buk​+C=Axk+1​+Buk+1​+C=A(Axk​+Buk​+C)+Buk+1​+C=A2xk​+ABuk​+Buk+1​+AC+C=A3xk​+A2Buk​+ABk+1​+Buk+2​+A2C+AC+C=Amxk​+Am−1Buk​+Am−2Buk+1​+…+Am−iBuk+i−1​+…+Buk+m−1​+Am−1C+Am−2C+…+C​

将上面$m$步写成矩阵向量形式：

X = A xk+ B u + C(2) \mathcal{X}=\mathcal{A}x_k+\mathcal{B}\mathbf{u}+\mathcal{C} \tag{2} X=Axk​+Bu+C(2)

其中，
X= [ x k+1 , x k+2 , x k+3 ,… x k+m ]T\mathcal{X}=\left[x_{k+1}, x_{k+2}, x_{k+3},…x_{k+m}\right]^T X=[xk+1​,xk+2​,xk+3​,…xk+m​]T
u= [ u k, u k+1 , u k+2 ,…, u k+m−1 ]T\mathbf{u}=\left[u_k,u_{k+1},u_{k+2},…,u_{k+m-1}\right]^T u=[uk​,uk+1​,uk+2​,…,uk+m−1​]T
A= [A, A 2, A 3,…, A m]T\mathcal{A}=\left[A, A^2 ,A^3 ,… ,A^m\right]^T A=[A,A2,A3,…,Am]T

B= ( 0 0 …0 B 0 …0 ABB …0 ………… A m−1 B A m−2 B…B )\mathcal{B}=\begin{pmatrix}0&0&…&0\\ B&0&…&0\\ AB&B&…&0\\ …&…&…&…\\ A^{m-1}B&A^{m-2}B&…&B\end{pmatrix} B=⎝ ⎛​0BAB…Am−1B​00B…Am−2B​……………​000…B​⎠ ⎞​

C= [ C AC+C A 2C+AC+C…A k+m−1 C+…+C]\mathcal{C}=\left[\begin{array}{c} C \\ A C+C \\ A^{2} C+A C+C \\ \ldots \\ A^{k+m-1} C+\ldots+C \end{array}\right] C=⎣ ⎡​CAC+CA2C+AC+C…Ak+m−1C+…+C​⎦ ⎤​

上式$\mathcal{B}$中的下三角形式，直接反映了系统在时间上的因果关系，即$k+1$时刻的输入对$k$ 时刻的输出没有影响， $k+2$ 时刻的输入对 $k$ 和 $k+1$ 时刻没有影响。

假定参考轨迹为 X‾=[x ˉ k + 1 x ˉ k + 2 x ˉ k + 3…x ˉ k + m]T \overline{\mathcal{X}}=\left[\begin{array}{lllll}\bar{x}_{k+1} & \bar{x}_{k+2} & \bar{x}_{k+3} & \ldots & \bar{x}_{k+m}\end{array}\right]^{T}X=[xˉk+1​​xˉk+2​​xˉk+3​​…​xˉk+m​​]T,则MPC的一个简单的目标代价函数如下：
min ⁡ J = ETQ E + uTR u s.t. u m i n≤ u ≤ u m a x (3) \min \mathcal{J}=\mathcal{E}^T Q \mathcal{E}+\mathbf{u}^T R \mathbf{u} \\ \text{s.t. } u_{min}\leq \mathbf{u}\leq u_{max} \tag{3} minJ=ETQE+uTRus.t.umin​≤u≤umax​(3)

其中， E = X − X‾=[x k+1 − xˉk+1x k+2 − xˉk+2 …x k+m − xˉk+m ]T \mathcal{E}=\mathcal{X}-\overline{\mathcal{X}}=\left[\begin{array}{llll}x_{k+1}-\bar{x}_{k+1} & x_{k+2}-\bar{x}_{k+2} & \ldots & x_{k+m}-\bar{x}_{k+m}\end{array}\right]^{T}E=X−X=[xk+1​−xˉk+1​​xk+2​−xˉk+2​​…​xk+m​−xˉk+m​​]T

uTR u\mathbf{u}^T R \mathbf{u}uTRu这一项是为了让控制输入不会太大，因此代价函数中添加了一项对控制量的约束。

将式(2)代入式(3)，则优化变量仅剩 $\mathbf{u}$。以上最优化问题可用二次规划方法求解，得到满足目标代价函数的最优控制序列 u = { u k,​​ u k+1 ,​​ u k+2 ​​…​ u k+m−1 } \mathbf{u}=\left\{u_k,​​u_{k+1},​​u_{k+2}​​…​u_{k+m−1}\right\}u={uk​,​​uk+1​,​​uk+2​​​…​uk+m−1​}。

当转换成式（3）后，可以利用凸优化库进行二次规划求解，例如python的cvxopt，OSQP: An Operator Splitting Solver for Quadratic Programs，Casdi等。

4. MPC应用——无人车轨迹跟踪

4.1 MPC建模

设车辆的状态量偏差和控制量偏差如式 ( 4 ) 所示：
x~= [ x˙−x ˙ry˙−y ˙rφ˙−φ ˙r ], u~= [ v − vrδ − δr ] (4) \tag{4} \tilde{\boldsymbol{x}}=\left[\begin{array}{c} \dot{x}-\dot{x}_{r} \\ \dot{y}-\dot{y}_{r} \\ \dot{\varphi}-\dot{\varphi}_{r} \end{array}\right], \tilde{\boldsymbol{u}}=\left[\begin{array}{c} v-v_{r} \\ \delta-\delta_{r} \end{array}\right] x~=⎣ ⎡​x˙−x˙r​y˙​−y˙​r​φ˙​−φ˙​r​​⎦ ⎤​,u~=[v−vr​δ−δr​​](4)
基于先前的运动学模型的离散状态空间方程如下，
x~( k + 1 ) = [10 − T vrsin ⁡ φr 01 T vrcos ⁡ φr 001]x~( k ) + [ T cos ⁡ φr 0 T sin ⁡ φr 0 Ttan ⁡ δr lTv r lcos ⁡2δr]u~( k ) = A x~( k ) + B u~( k )(5) \tag{5} \tilde{\boldsymbol{x}}(k+1)=\left[\begin{array}{ccc} 1 & 0 & -T v_{r} \sin \varphi_{r} \\ 0 & 1 & T v_{r} \cos \varphi_{r} \\ 0 & 0 & 1 \end{array}\right] \tilde{\boldsymbol{x}}(k)+\left[\begin{array}{cc} T \cos \varphi_{r} & 0 \\ T \sin \varphi_{r} & 0 \\ T \frac{\tan \delta_{r}}{l} & T \frac{v_{r}}{l \cos ^{2} \delta_{r}} \end{array}\right] \tilde{\boldsymbol{u}}(k)=\boldsymbol{A} \tilde{\boldsymbol{x}}(k)+\boldsymbol{B} \tilde{\boldsymbol{u}}(k) x~(k+1)=⎣ ⎡​100​010​−Tvr​sinφr​Tvr​cosφr​1​⎦ ⎤​x~(k)+⎣ ⎡​Tcosφr​Tsinφr​Tltanδr​​​00Tlcos2δr​vr​​​⎦ ⎤​u~(k)=Ax~(k)+Bu~(k)(5)

为了表示控制系统达到稳定控制所付出的代价，MPC控制的代价函数定义如下：
min ⁡ J ( U ) = ∑ k = 0 N − 1( x ~(k ) TQ x ~(k)+ u ~(k ) TR u ~(k))+ x~( N )TQfx~( N )(6) \tag{6} \min J(\boldsymbol{U})=\sum_{k=0}^{N-1}\left(\tilde{\boldsymbol{x}}(k)^{T} Q \tilde{\boldsymbol{x}}(k)+\tilde{\boldsymbol{u}}(k)^{T} R \tilde{\boldsymbol{u}}(k)\right)+\tilde{\boldsymbol{x}}(N)^{T} Q_{f} \tilde{\boldsymbol{x}}(N) minJ(U)=k=0∑N−1​(x~(k)TQx~(k)+u~(k)TRu~(k))+x~(N)TQf​x~(N)(6)
其中函数参数 U = ( u 0, u 1,…, u N) U=\left(u_{0}, u_{1}, \ldots, u_{N}\right)U=(u0​,u1​,…,uN​) ，并且矩阵 Q , Qf, RQ, Q_{f}, RQ,Qf​,R 为正定矩阵，即
Q= Q T≥0,Q f= Q f T≥0, R= R T>0Q=Q^{T} \geq 0, \quad Q_{f}=Q_{f}^{T} \geq 0, \quad R=R^{T}>0 Q=QT≥0,Qf​=QfT​≥0,R=RT>0

• $N$ : 时间范围(Time Horizon)
• $Q，R$ : 分别设定状态偏差和输入的相对权重
• $R>0$ : 意味着任何非零输入都增加 $J$ 的代价
• x ~(k ) TQ x ~(k)\tilde{\boldsymbol{x}}(k)^{T} Q \tilde{\boldsymbol{x}}(k) x~(k)TQx~(k) : 衡量状态偏差
• u ~(k ) TR u ~(k)\tilde{\boldsymbol{u}}(k)^{T} R \tilde{\boldsymbol{u}}(k) u~(k)TRu~(k) : 衡量输入大小
• x ~(N ) T Q f x ~(N)\tilde{\boldsymbol{x}}(N)^{T} Q_{f} \tilde{\boldsymbol{x}}(N) x~(N)TQf​x~(N) : 衡量最终状态偏差

对于公式(6)，它需要服从的约束条件包括
{运动学模型约束—— x ~(k+1)=A x ~(k)+B u ~(k) 控制量约束—— ∣ u~( k ) ∣≤ u~max初始状态—— x ~(0)= x~0 (7) \tag{7} \left\{ \begin{aligned} &\text{运动学模型约束——}&\tilde{\boldsymbol{x}}(k+1)=\boldsymbol{A} \tilde{\boldsymbol{x}}(k)+\boldsymbol{B} \tilde{\boldsymbol{u}}(k)\\ &\text{控制量约束——}&\left|\tilde{\boldsymbol{u}}(k)\right| \leq \tilde{\boldsymbol{u}}_{max}\\ &\text{初始状态——}&\tilde{\boldsymbol{x}}(0)=\tilde{\boldsymbol{x}}_0 \end{aligned} \right. ⎩ ⎨ ⎧​​运动学模型约束——控制量约束——初始状态——​x~(k+1)=Ax~(k)+Bu~(k)∣u~(k)∣≤u~max​x~(0)=x~0​​(7)

4.2 python代码实现

完整程序见GitHub仓库

4.2.1 参数

# mpc parametersNX = 3# x = x, y, yawNU = 2# u = [v,delta]T = 8# horizon lengthR = np.diag([0.1, 0.1])# input cost matrixRd = np.diag([0.1, 0.1])# input difference cost matrixQ = np.diag([1, 1, 1])# state cost matrixQf = Q# state final matrix#车辆dt=0.1 # 时间间隔，单位：sL=2 # 车辆轴距，单位：mv = 2 # 初始速度x_0=0 # 初始xy_0=-3 #初始ypsi_0=0 # 初始航向角MAX_STEER = np.deg2rad(45.0)# maximum steering angle [rad]MAX_DSTEER = np.deg2rad(45.0)# maximum steering speed [rad/s]MAX_VEL = 2.0# maximum accel [m/s]

4.2.2 运动学模型

import mathclass KinematicModel_3:"""假设控制量为转向角delta_f和加速度a"""def __init__(self, x, y, psi, v, L, dt):self.x = xself.y = yself.psi = psiself.v = vself.L = L# 实现是离散的模型self.dt = dtdef update_state(self, a, delta_f):self.x = self.x+self.v*math.cos(self.psi)*self.dtself.y = self.y+self.v*math.sin(self.psi)*self.dtself.psi = self.psi+self.v/self.L*math.tan(delta_f)*self.dtself.v = self.v+a*self.dtdef get_state(self):return self.x, self.y, self.psi, self.vdef state_space(self, ref_delta, ref_yaw):"""将模型离散化后的状态空间表达Args:ref_delta (_type_): 参考的转角控制量ref_yaw (_type_): 参考的偏航角Returns:_type_: _description_"""A = np.matrix([[1.0, 0.0, -self.v*self.dt*math.sin(ref_yaw)],[0.0, 1.0, self.v*self.dt*math.cos(ref_yaw)],[0.0, 0.0, 1.0]])B = np.matrix([[self.dt*math.cos(ref_yaw), 0],[self.dt*math.sin(ref_yaw), 0],[self.dt*math.tan(ref_delta)/self.L, self.v*self.dt /(self.L*math.cos(ref_delta)*math.cos(ref_delta))]])C = np.eye(3)return A, B, C

4.2.3 参考轨迹

class MyReferencePath:def __init__(self):# set reference trajectory# refer_path包括4维：位置x, 位置y， 轨迹点的切线方向, 曲率k self.refer_path = np.zeros((1000, 4))self.refer_path[:,0] = np.linspace(0, 100, 1000) # xself.refer_path[:,1] = 2*np.sin(self.refer_path[:,0]/3.0)+2.5*np.cos(self.refer_path[:,0]/2.0) # y# 使用差分的方式计算路径点的一阶导和二阶导，从而得到切线方向和曲率for i in range(len(self.refer_path)):if i == 0:dx = self.refer_path[i+1,0] - self.refer_path[i,0]dy = self.refer_path[i+1,1] - self.refer_path[i,1]ddx = self.refer_path[2,0] + self.refer_path[0,0] - 2*self.refer_path[1,0]ddy = self.refer_path[2,1] + self.refer_path[0,1] - 2*self.refer_path[1,1]elif i == (len(self.refer_path)-1):dx = self.refer_path[i,0] - self.refer_path[i-1,0]dy = self.refer_path[i,1] - self.refer_path[i-1,1]ddx = self.refer_path[i,0] + self.refer_path[i-2,0] - 2*self.refer_path[i-1,0]ddy = self.refer_path[i,1] + self.refer_path[i-2,1] - 2*self.refer_path[i-1,1]else:dx = self.refer_path[i+1,0] - self.refer_path[i,0]dy = self.refer_path[i+1,1] - self.refer_path[i,1]ddx = self.refer_path[i+1,0] + self.refer_path[i-1,0] - 2*self.refer_path[i,0]ddy = self.refer_path[i+1,1] + self.refer_path[i-1,1] - 2*self.refer_path[i,1]self.refer_path[i,2]=math.atan2(dy,dx) # yaw# 计算曲率:设曲线r(t) =(x(t),y(t)),则曲率k=(x'y" - x"y')/((x')^2 + (y')^2)^(3/2).# 参考：https://blog.csdn.net/weixin_46627433/article/details/123403726self.refer_path[i,3]=(ddy * dx - ddx * dy) / ((dx ** 2 + dy ** 2)**(3 / 2)) # 曲率k计算def calc_track_error(self, x, y):"""计算跟踪误差Args:x (_type_): 当前车辆的位置xy (_type_): 当前车辆的位置yReturns:_type_: _description_"""# 寻找参考轨迹最近目标点d_x = [self.refer_path[i,0]-x for i in range(len(self.refer_path))] d_y = [self.refer_path[i,1]-y for i in range(len(self.refer_path))] d = [np.sqrt(d_x[i]**2+d_y[i]**2) for i in range(len(d_x))]s = np.argmin(d) # 最近目标点索引yaw = self.refer_path[s, 2]k = self.refer_path[s, 3]angle = normalize_angle(yaw - math.atan2(d_y[s], d_x[s]))e = d[s]# 误差if angle < 0:e *= -1return e, k, yaw, sdef calc_ref_trajectory(self, robot_state, dl=1.0):"""计算参考轨迹点，统一化变量数组，便于后面MPC优化使用参考自https://github.com/AtsushiSakai/PythonRobotics/blob/eb6d1cbe6fc90c7be9210bf153b3a04f177cc138/PathTracking/model_predictive_speed_and_steer_control/model_predictive_speed_and_steer_control.pyArgs:robot_state (_type_): 车辆的状态(x,y,yaw,v)dl (float, optional): _description_. Defaults to 1.0.Returns:_type_: _description_"""e, k, ref_yaw, ind = self.calc_track_error(robot_state[0], robot_state[1])xref = np.zeros((NX, T + 1))dref = np.zeros((NU, T)) # 参考控制量ncourse = len(self.refer_path)xref[0, 0] = self.refer_path[ind,0]xref[1, 0] = self.refer_path[ind, 1]xref[2, 0] = self.refer_path[ind, 2]# 参考控制量[v,delta]ref_delta = math.atan2(L*k, 1)dref[0, :] = robot_state[3]dref[1, :] = ref_deltatravel = 0.0for i in range(T + 1):travel += abs(robot_state[3]) * dtdind = int(round(travel / dl))if (ind + dind) < ncourse:xref[0, i] = self.refer_path[ind + dind,0]xref[1, i] = self.refer_path[ind + dind,1]xref[2, i] = self.refer_path[ind + dind,2]else:xref[0, i] = self.refer_path[ncourse - 1,0]xref[1, i] = self.refer_path[ncourse - 1,1]xref[2, i] = self.refer_path[ncourse - 1,2]return xref, ind, dref

4.2.4 矩阵拍平

def get_nparray_from_matrix(x):return np.array(x).flatten()

4.2.5 角度归一化到[-pi，pi]

def normalize_angle(angle):"""Normalize an angle to [-pi, pi].:param angle: (float):return: (float) Angle in radian in [-pi, pi]copied from https://atsushisakai.github.io/PythonRobotics/modules/path_tracking/stanley_control/stanley_control.html"""while angle > np.pi:angle -= 2.0 * np.piwhile angle < -np.pi:angle += 2.0 * np.pireturn angle

4.2.6 MPC控制实现

def linear_mpc_control(xref, x0, delta_ref,ugv):"""linear mpc controlxref: reference pointx0: initial statedelta_ref: reference steer angleugv:车辆对象"""x = cvxpy.Variable((NX, T + 1))u = cvxpy.Variable((NU, T)) cost = 0.0# 代价函数constraints = []# 约束条件for t in range(T):cost += cvxpy.quad_form(u[:, t]-delta_ref[:,t], R)if t != 0:cost += cvxpy.quad_form(x[:, t] - xref[:, t], Q)A, B, C = ugv.state_space(delta_ref[1,t], xref[2,t])constraints += [x[:, t + 1]-xref[:, t+1] == A @ (x[:, t]-xref[:, t]) + B @ (u[:, t]-delta_ref[:,t]) ]cost += cvxpy.quad_form(x[:, T] - xref[:, T], Qf)constraints += [(x[:, 0]) == x0]constraints += [cvxpy.abs(u[0, :]) <= MAX_VEL]constraints += [cvxpy.abs(u[1, :]) <= MAX_STEER]prob = cvxpy.Problem(cvxpy.Minimize(cost), constraints)prob.solve(solver=cvxpy.ECOS, verbose=False)if prob.status == cvxpy.OPTIMAL or prob.status == cvxpy.OPTIMAL_INACCURATE:opt_x = get_nparray_from_matrix(x.value[0, :])opt_y = get_nparray_from_matrix(x.value[1, :])opt_yaw = get_nparray_from_matrix(x.value[2, :])opt_v = get_nparray_from_matrix(u.value[0, :])opt_delta = get_nparray_from_matrix(u.value[1, :])else:print("Error: Cannot solve mpc..")opt_v, opt_delta, opt_x, opt_y, opt_yaw = None, None, None, None, None, return opt_v, opt_delta, opt_x, opt_y, opt_yaw

4.2.7 主函数

from celluloid import Camera # 保存动图时用，pip install celluloid# 使用随便生成的轨迹def main():reference_path = MyReferencePath()goal = reference_path.refer_path[-1,0:2]# 运动学模型ugv = KinematicModel_3(x_0, y_0, psi_0, v, L, dt)x_ = []y_ = []fig = plt.figure(1)# 保存动图用camera = Camera(fig)# plt.ylim([-3,3])for i in range(500):robot_state = np.zeros(4)robot_state[0] = ugv.xrobot_state[1] = ugv.yrobot_state[2]=ugv.psirobot_state[3]=ugv.vx0 = robot_state[0:3]xref, target_ind, dref = reference_path.calc_ref_trajectory(robot_state)opt_v, opt_delta, opt_x, opt_y, opt_yaw = linear_mpc_control(xref, x0, dref, ugv)ugv.update_state(0, opt_delta[0])# 加速度设为0，恒速x_.append(ugv.x)y_.append(ugv.y)# 显示动图plt.cla()plt.plot(reference_path.refer_path[:,0], reference_path.refer_path[:,1], "-.b",linewidth=1.0, label="course")plt.plot(x_, y_, "-r", label="trajectory")plt.plot(reference_path.refer_path[target_ind,0], reference_path.refer_path[target_ind,1], "go", label="target")# plt.axis("equal")plt.grid(True)plt.pause(0.001)# camera.snap()# 判断是否到达最后一个点if np.linalg.norm(robot_state[0:2]-goal)<=0.1:print("reach goal")break# animation = camera.animate()# animation.save('trajectory.gif')if __name__=='__main__':main()

跟踪效果如下：

（跟踪效果不是很好，我并没有进一步调整，就先这样吧···。）

5. MPC开源库/程序

• do-mpc
• mpc.pytorch