Prediktivní řízení laterální dynamiky automobilu

Abstract

V této práci se zabýváme MPC regulátorem, což je moderní regulátor, kde je regulační úloha převedena na řešení optimalizačního problému, jehož řešení je použito jako vstup do systému. Optimalizační problém se musí vyřešit v každé vzorkovací periodě, proto je nejvýhodnější mít co nejmenší optimalizační problém. V této práci jsme se věnovali dvěma způsobům snížení velikosti optimalizačního problému, prvním je blokování vstupů, kdy redukujeme počet kroků, kdy můžeme měnit vstup do systému. Druhým je snížit počet kroků v predikci, kde kontrolujeme překročení měkkých omezení na výstupu, toto se nazývá redukce měkkých omezení.

Snižování velikosti regulačního problému vede k zhoršování výkonu regulátoru. Zhoršuje se sledování reference a dochází k překročení měkkých omezení.

Cílem této práce je implementovat MPC regulátor a prozkoumat vliv blokování vstupů a redukce měkkých omezení na výkon MPC regulátoru a nalézt vhodnou kombinaci blokování a redukce omezení, které by zmenšilo problém ale zároveň přijatelně sledovalo referenci a plnilo měkké omezení.

Implementovali jsme MPC regulátor, který používá linearizaci podél trajektorie nelineárního systému automobilu, ale pro zjednodušení jsme citlivosti získané v prvním kroku aplikovali po celou dobu predikce. Tento regulátor pracuje s tvrdými omezeními na vstupu systému a měkkými omezeními na výstupu systému.

Poté jsme se věnovali vlivu změn blokování vstupu a redukci měkkých omezení na schopnost regulátoru splnit měkká omezení a sledovat referenci.

Podařilo se nám otestovat a ověřit chování regulátoru a nalézt vhodné nastavení regulátoru.

The focus of this work is on a modern MPC regulator which finds solutions by transformating the regulation problem to an optimization problem. The solutions of these optimazation problem are then used as inputs to the system. The optimization problem has to be computed every sampling period, hence the optimization problem order must be as small as possible. There are two ways to reduce the optimization problem size. The first is to reduce the number of steps in the input to the system (input blocking). The second is to reduce the number of steps in the prediction, using the reduction of the so called soft limitations.

Reducing the regulation problem size worsens the regulator performance in following the reference and in fulfilling the soft limitations.

The purpose of this work is to implement an MPC regulator, to investigate the influence of input blocking and soft limitations reduction on the performance of the regulator and to find an optimal combination of input blocking and soft limitations reduction which would reduce the problem size while still exhibiting a sufficient performance.

We implemented an MPC regulator which is based on linearization along a trajectory of a non-linear automobile system. For simplicity the sensitivities obtained in the first step are applied during the whole process of prediction. This regulator implements hard limits on the system input and soft limits on the system output.

After that we investigated the influence of input blocking and soft limitations reduction. We sucesfully tested the performance of the regulator after implementing proper problem reduction.