[发明专利]非线性预测控制的FPGA硬件加速控制器及其加速实现方法

摘要

一种非线性预测控制的FPGA硬件加速控制器及其加速实现方法，属于FPGA实现技术领域。本发明的目的是拓展NMPC在快速动态系统中的应用，利用PSO算法求解非线性规划问题的非线性预测控制的FPGA硬件加速控制器及其加速实现方法。本发明硬件加速控制器：建立WMR的预测控制模型，根据式目标模型WMR轨迹跟踪的控制要求，优化问题求解，NMPC‑PSO的算法流程。本发明实现方案代码与底层电路存在一一对应关系，可以很好地结合FPGA的并行计算结构与PSO算法的并行计算特性，提高了NMPC的快速计算能力，很好地满足控制器实时性要求，拓展了NMPC在实际快速动态系统中的应用；同时，该方案能够在线灵活裁减、扩充、升级，适应了目前产品更新速度快的现状，能够对控制器进行快速验证。

主权项

1.一种非线性预测控制的FPGA硬件加速控制器，其特征在于：(1)建立WMR的预测控制模型：式中分别表示WMR的横纵坐标及位姿角，(wl，wr，δ)表示WMR左右轮角速度及前轮转角；(2)根据式(3)目标模型WMR轨迹跟踪的控制要求：保证WMR快速稳定地跟踪上参考轨迹(xre，yre)，控制增量(Δwr，Δwl，Δδ)变化缓慢，要满足最大值的硬约束条件及满足能量低的要求，对控制量(wr，wl，δ)加以约束，将WMR路径跟踪的优化问题描述为：Np为预测时域，Nc为控制时域；(3)优化问题求解：采用PSO对式(4)所描述的非线性约束优化问题进行非线性规划：a、随机初始化N*D维粒子，每个粒子有位置Xj＝(xj1，xj2，…，xjD)与速度Vj＝(vj1，vj2，…，vjD)两个状态，根据目标函数式(4)初始化个体最优pbest(j1，j2，...，jN)及全局最优gbest；b、根据粒子更新公式：更新粒子速度与位置，k是迭代次数，j是各个粒子，c₁、c₂表示对个体最优与全局最优的学习能力的正学习因子，rand()是[0，1]上的随机数，ω是按照随着迭代次数增加而线性减小的变加权因子，其中，ω_Max是最大惯性因子，ω_Min是最小惯性因子，MaxDT是最大迭代次数，ITE是当前迭代次数；c、根据目标函数式(4)大小比较，更新个体最优Pbest(j1，j2……jN)及全局最优gbest；d、返回步骤(2),当达到最大迭代次数MaxDT时，输出全局最优作为优化控制量（wr，wl，δ)，这样就能求解出使式(4)最小的控制量；(4)NMPC‑PSO的算法流程：a、设预测时域Np及控制时域Nc，初始化NMPC与PSO相关参数，包括ΓQ、ΓS、ΓU及c1、c2、N、D；b、给定期望跟踪轨迹，在k≥0时刻，得到测量值c、通过PSO求解非线性规划问题，通过状态更新及粒子更新得到优化控制序列及控制量(wr，wl，δ)，并作用于系统；d、在k+1时刻，令k＝k+1，返回NMPC‑PSO的算法流程中的步骤b；这样经过反复更新计算，最终完成NMPC‑PSO控制器对被控对象的控制；目标函数主要包括三部分：轨迹跟踪、控制量加权与控制增量加权三部分；第一部分保证WMR快速稳定地跟踪上参考轨迹(xre，yre)，第二部分保证(wr，wl，δ)不要太大从而实现能量低的目标，第三部分保证(Δwr，Δwl，Δδ)不要太大从而实现跟踪轨迹平顺性的目标；ΓQ、ΓU与ΓS是加权矩阵，ΓQ越大WMR轨迹跟踪越快，ΓU越大能量越低，ΓS越大控制量变化越平顺，通过调节这三个参数来达到WMR快速稳定跟踪、平顺性与能量低的控制目标，这三部分属于软约束；除此之外还存在机械结构物理约束的数学描述，表示控制动作的最大范围，其中左右轮角速度wl、wr在[0，30]范围内，前轮转角δ在[‑0.5，0.5]范围内，属于硬约束。