本发明涉及农业车辆自主行驶技术领域,尤其是一种基于自适应模型预测控制的收获机路径跟踪控制器的设计方法。
背景技术:
随着导航和控制技术的快速发展,农业机械的自动化和智能化程度不断提高,是实现精准农业的前提。自主式农业机械通过提高效率、可靠性和精确性,以及减少对人为干预的需求,大大提高生产力,降低生产成本和能源消耗,利于环境保护。路径跟踪控制是自主化技术的关键技术,它使车辆能够有效跟踪一个期望的路径,完成农作业需求。
纯跟踪控制方法在这一领域得到了广泛应用,该方法基于几何方式,通过在期望路径的前视距离处选择一个点来计算所需的转向角。然而,前视距离的选取与行驶速度、跟踪轨迹、位置误差和航向偏差等因素有关,选取较为困难。为了提高鲁棒性,模型控制器、鲁棒h∞输出反馈控制器、基于神经网络的自适应控制、滑模控制等方法被用于路径跟踪控制。但是,这些方法不适用于联合收获机质量大、惯性大造成的控制滞后问题。并且,没有考虑约束条件。而模型预测控制能够基于当前的输入预测未来时刻的控制量,有效抑制滞后性,且可充分考虑状态量和控制量的约束条件。因此,模型预测控制是实现收获机路径跟踪控制的有效方式。为了提高其环境适应性,根据跟踪路径和运动速度自适应调整预测时间,实现自适应模型预测控制。
技术实现要素:
本发明所要解决的技术问题在于,提供一种基于自适应模型预测控制的收获机路径跟踪控制器的设计方法,能够有效解决由于收获机滞后性大引起的延迟问题,改善预测时域的选取进而提高路径跟踪效果。
为解决上述技术问题,本发明提供一种基于自适应模型预测控制的收获机路径跟踪控制器的设计方法,包括如下步骤:
(1)建立收获机三自由度运动学模型;
(2)以转向角为控制变量,设计模型预测控制算法;
(3)采用改进粒子群算法对不同路径和速度情况下的预测时域进行参数整定;
(4)根据路径和行驶速度选定工作模式进而得到相应的预测时域。
优选的,步骤(1)中,建立收获机三自由度运动学模型具体为:在导航坐标系下,建立以双后轮支撑转向、双前轮驱动的三自由度运动学模型:
式中,(x,y)为收获机前轴中心坐标,
对上式进行线性化和离散化处理,可得到该系统的状态空间方程
其中,
优选的,步骤(2)中,以转向角为控制变量,设计模型预测控制算法具体为:构造新的状态量
ζ(k+1)=aζ(k)+bδu(k)
η(k)=hζ(k)
其中,δu(k)=u(k)-u(k-1),u为控制量δ,
假设预测时域为p,控制时域为c,δu(k+c-1)=δu(k+c)=…=δu(k+p-1),则根据上式可得时刻k的预测输出为
令时刻k的控制序列为δu(k),输出序列为y(k+1),则
模型预测控制的评价函数为
其中,j为目标函数,q为预测时域的权重矩阵,r为控制时域的权重矩阵;
构建系统控制量和控制增量的约束条件为
其中,umin和umax为控制量约束最值,δumin和umax为控制增量约束最值;
通过最优求解,得控制时域内时刻k的控制输入增量δu(k),将控制输入增量第一个因素作用于系统,实施控制输入量
u(k)=u(k-1)+δu(k)
在k+1时刻,系统重新预测控制时域内的控制输入增量,从而实现滚动最优控制。
优选的,步骤(3)中,采用改进粒子群算法对不同路径和速度情况下的预测时域进行参数整定具体为:设搜索空间为d维,群体规模为m,粒子的运动轨迹简化为一维运动方程
式中,v为粒子速度;x为粒子位置;w为惯性权重;c1、c2是加速度常数;r1、r2是随机数;xp为该粒子经过的最优位置;xg是整个种群中粒子经过的最优位置;
对惯性权重的线性变化过程分为两个部分,引入参数wλ,则第k次迭代的惯性权重值wk为
式中,iλ为转折迭代次数;imax为最大迭代次数;wmax和wmin分别为最大惯性权重值和最小惯性权重值;
根据不同路径和不同作业速度将收获机的工作模式分为9种,分别基于改进的粒子群算法得到对应的预测时域。
优选的,步骤(4)中,根据路径和行驶速度选定工作模式进而得到相应的预测时域具体为:根据当前期望的路径和速度值,选取对应的工作模式,进而得到当前的最优预测时域。
本发明的有益效果为:本发明提供一种基于自适应模型预测控制的收获机路径跟踪控制器,能够有效解决由于收获机滞后性大引起的延迟问题,改善预测时域的选取进而提高路径跟踪效果。
附图说明
图1为本发明收获机路径跟踪控制器的结构示意图。
图2为本发明基于粒子群算法的预测时域整定流程示意图。
具体实施方式
一种基于自适应模型预测控制的收获机路径跟踪控制器的设计方法,包括如下步骤:
步骤一,建立收获机三自由度运动学模型,具体方法如下:
模型预测控制的数学模型包括动力学模型和运动学模型两种。运动学模型适用于低速场合,由于收获机的作业速度通常低于3.5m/s,故本发明建立了以双后轮支撑转向、双前轮驱动的三自由度运动学模型。在导航坐标系下,收获机的运动学模型表示为
式中,(x,y)为收获机前轴中心坐标;
对上式进行线性化和离散化处理,可得到该系统的状态空间方程
其中,
步骤二,以转向角为控制变量,设计模型预测控制算法,具体方法如下:
模型预测控制器基于运动学模型、当前状态和未来控制量来预测未来时刻的输出。由于未来控制量未知,需要根据一定的约束条件进行优化,得到未来控制量。
构造新的状态量
ζ(k+1)=aζ(k)+bδu(k)
η(k)=hζ(k)
其中,δu(k)=u(k)-u(k-1),
假设预测时域为p,控制时域为c,δu(k+c-1)=δu(k+c)=…=δu(k+p-1),则根据上式可得时刻k的预测输出为
令时刻k的控制序列为δu(k),输出序列为y(k+1),则
模型预测控制的评价函数为
其中,j为目标函数,q为预测时域的权重矩阵,r为控制时域的权重矩阵。
构建系统控制量和控制增量的约束条件为
其中,umin和umax为控制量约束最值,δumin和umax为控制增量约束最值。
通过最优求解,得控制时域内时刻k的控制输入增量δu(k),将控制输入增量第一个因素作用于系统,实施控制输入量
u(k)=u(k-1)+δu(k)
在k+1时刻,系统重新预测控制时域内的控制输入增量,从而实现最优控制。
步骤三,采用优化粒子群算法对不同路径和速度情况下的预测时域进行参数整定,具体方法如下:
在模型预测控制中预测时域p的选取至关重要,不同的选取结果将直接影响控制效果。本方法利用粒子群算法(pso)强大的寻优能力对其进行选定,以模型预测控制的误差性能作为适应度值,从而将参数的选取问题转化成了算法的寻优问题。
pso根据其特有的记忆功能可以动态跟踪当前的搜索情况并作出相应的调整,每一次迭代过程,所有个体均能记忆当前最佳位置,且通过跟踪两个极值来更新自己。一个是局部最优值,另一个为全局最优值。设搜索空间为d维,群体规模为m,粒子的运动轨迹简化为一维运动方程
式中,v为粒子速度;x为粒子位置;w为惯性权重;c1、c2是加速度常数;r1、r2是随机数;xp为该粒子经过的最优位置;xg是整个种群中粒子经过的最优位置。
惯性权重系数w是平衡全局搜索和局部搜索的因子,一个较大的惯性权重值侧重于全局搜索能力,反之一个较小的惯性权重值偏向与局部搜索能力。适当的惯性权重值搜索到最优解,迭代次数是最少的。shi认为在运行初期应当具有较大的惯性权重值,在算法后期,具有较小的惯性权重值。为了在少数几次迭代后,快速减小权值使算法进入局部搜索阶段,对惯性权重的线性变化过程分为两个部分,引入参数wλ,则第k次迭代的惯性权重值wk为
式中,iλ为转折迭代次数;imax为最大迭代次数;wmax和wmin分别为最大惯性权重值和最小惯性权重值。
根据不同路径(直线,圆形,掉头)和不同作业速度(低速、中速和高速)将收获机的工作模式分为9种,分别基于改进的粒子群算法得到对应的预测时域。
步骤四,根据路径和行驶速度选定工作模式进而得到相应的预测时域,具体方法如下:
根据当前期望的路径和速度值,选取对应的工作模式,进而得到当前的最优预测时域。
如图1和图2所示,本发明建立了三自由度运动学模型,设计了自适应模型预测控制器,并对粒子群算法进行了改进。该方法针对不同的路径和行驶速度对预测时域进行自适应调整,有效避免人为主观因素的影响。
本发明提出的一种基于自适应模型预测的收获机路径跟踪控制器设计方法,可有效抑制收获机控制的延迟性,鲁棒性好,能够实现高精度的路径跟踪效果。