v表示参考轨迹,y表示实际轨迹(被控对象输出),x表示状态(当无法得到时需设计观测器)。
| 算法名 | 类名 | 输入 | 输出 | 备注 |
|---|---|---|---|---|
| 先进PID控制 Proportion Integral Differential |
PID | v、y | u | 自带先进PID功能 |
| 增量式PID控制 Increment PID Control |
IncrementPID | v、y | u | 自带先进PID功能 |
| 自抗扰控制 Active Disturbance Rejection Control |
ADRC | v、y | u | 缺点:参数巨多。。。 |
基于模型进行优化控制
| 算法名 | 类名 | 输入 | 输出 | 备注 |
|---|---|---|---|---|
| 模型预测控制 Model Predictive Control |
MPC | v_seq、x | u | 支持非线性系统 缺点:计算慢,且需要知道未来n步的v |
| 线性二次型调节器 Linear Quadratic Regulator |
LQR | v_all、y | u | 支持线性时变系统 缺点:线性,要求能控能观,必须已知v的全部轨迹信息 |
| 迭代线性二次型调节器 Iterative Linear Quadratic Regulator |
ILQR |
模型用来产生训练数据
| 算法名 | 类名 | 输入 | 输出 | 备注 |
|---|---|---|---|---|
| SAC-Auto算法控制 Soft Actor Critic Control |
SAC | v、y | u | 连续控制 |
| DQN算法控制 Deep Q Network Control |
DQN | v、y | u | 离散控制,需将控制量进行编码 |
| QMIX算法控制 QMIX Control |
QMIX | v、y | u | 多维离散控制,将每个维度的控制量看成一个强化学习智能体 |
模型用来评估搜索解的好坏
| 算法名 | 类名 | 输入 | 输出 | 备注 |
|---|---|---|---|---|
| 智能搜索算法控制 AI Search Control |
PSO等小动物算法 | v_seq、x | u | 原理类似MPC,直接搜索u_seq,u_seq带入模型评估搜索结果,利用启发算法优化,执行u_seq[0],下一时刻重新搜索 缺点:速度慢 |
| 算法名 | 类名 | 输入 | 输出 | 备注 |
|---|---|---|---|---|
| 模糊PID控制 Fuzzy PID Control |
FuzzyPID | v、y | u | 模糊规则给PID调参 |
用于跟踪控制或反馈控制,即y信号(真实状态/观测)跟踪v信号(理想状态/观测),控制器输入v(或v_seq)和y(或x),输出控制量u
| 输入 | 定义 | 向量情况(ndarray) | 标量情况(ndarray/float) |
|---|---|---|---|
| v | 参考轨迹点 | shape = (dim, ) | shape = (1, ) / float |
| v_seq | 参考轨迹片段 | shape = (n, dim, ) | shape = (n, ) |
| v_all | 参考轨迹 | shape = (t, dim, ) | shape = (t, ) |
| y | 反馈信号 系统输出 |
shape = (dim, ) | shape = (1, ) / float |
| x | 系统状态 | shape = (dim_x, ) | shape = (1, ) / float |
u为形状为(dim_u, )的向量(一维ndarray),无论v、y是否为标量,输出u都是向量,即使dim_u=1时也不输出float
对于无模型的PID/ADRC控制器:dim==dim_u,对于基于模型的MPC/LQR/AI控制器:dim不一定等于dim_u
超参为(dim, )或(dim_u, )的向量(设置成一维list或ndarray),array长度取决于公式是与v、y相乘的array还是与u相乘的array
超参设置成float时,将自动广播成(dim, )或(dim_u, )的向量
对于MPC/LQR控制器,超参为Qf、Q、R矩阵(设置成二维list或ndarray)
import numpy as np from ctrl import PID # 设置控制器 dim = 2 # 信号维度 cfg = PID.getConfig()(dt=0.1, dim=dim, Kp=[5,6], Ki=0.1, Kd=1) # 调参 pid = PID(cfg) # 实例化控制器 # 生成输入信号 t_list = np.arange(0.0, 10.0, dt=cfg.dt) v_list = np.ones((len(t_list), dim)) # 需要跟踪的信号 v: (dim, ) # 被控对象 def PlantModel(y, u, dt=cfg.dt): ... return y # y: (dim, ), u: (dim, ) # 仿真 y = np.zeros(2) # 被控信号初值 (dim, ) for v in v_list: u = pid(v, y) # 调用控制器 y = PlantModel(y, u) # 更新被控信号 pid.show() # 绘图输出
参数忘了。。。
两组对比图参数分别为Kp=5,Ki=0,Kd=0.2和Kp=5,Ki=0,Kd=0.1
python >= 3.9
numpy >= 1.22.3
matplotlib >= 3.5.1
scipy >= 1.7.3
scikit-fuzzy >= 0.4.2
可选:
pytorch >= 1.10.2