Model Predictive Control Pelacakan Lintasan Robot Beroda Diferensial dengan Batas Aktuator

Info proyek

• Bidang studiRobotika dan Mekatronika
• JenjangDisertasi (S3)
• Jenis metodeSistem Kendali
• Perkiraan pengerjaan± 7 hari kerja
• Perangkatquadprog, optimoptions (Optimization Toolbox); c2d (Control System Toolbox) opsional
• HargaRp 550.000 - Rp 3.350.000

Tujuan analisis

Merancang dan mensimulasikan MPC agar galat lintasan lateral mengikuti target melalui kecepatan linear dengan kecepatan sudut diperhitungkan.

Variabel

Contoh hasil

• 12Prediction horizon
• 0.211Tracking RMSE
• 1.099IAE
• 1.858Max |u|
• 1.429Saturated steps (%)
• 4.212Overshoot (%)

MPC dengan horizon 12 langkah menjaga Lateral tracking error mengikuti acuan dengan RMSE 0.211 dan overshoot 4.2% sambil mematuhi batas Linear velocity (1% langkah jenuh); horizon lebih panjang menurunkan RMSE hingga 0.210.

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang Model Predictive Control Dasar

Model Predictive Control dasar memecahkan masalah optimasi pada tiap langkah untuk menentukan urutan kendali terbaik dalam horizon prediksi sambil menghormati batasan. Cocok untuk sistem dengan batas aktuator atau keadaan yang tidak bisa diabaikan.

Langkah pengerjaan

1. 1Tentukan model ruang keadaan diskret
2. 2Pilih horizon prediksi, bobot Q dan R, serta batas kendali
3. 3Bentuk matriks prediksi (Phi dan Gamma)
4. 4Selesaikan masalah kuadratik dengan quadprog pada tiap langkah
5. 5Terapkan hanya kendali pertama (receding horizon)
6. 6Plot keadaan dan sinyal kendali

Asumsi yang perlu diperiksa

• Model prediksi cukup akurat
• Masalah optimasi layak (feasible) pada tiap langkah
• Waktu komputasi per langkah lebih kecil daripada periode sampling

Membaca dan melaporkan hasil

Laporkan horizon, bobot, batas, serta respons keadaan dan kendali yang memenuhi batasan. Bandingkan dengan LQR tanpa batasan untuk menunjukkan nilai tambah MPC.

Contoh kode MATLAB

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

Ts = 0.1;
A = [1 Ts; 0 1];  B = [0.5*Ts^2; Ts];             % double integrator
nx = 2; Np = 15;
Q = diag([10 1]);  R = 0.1;  umax = 1;

Phi = zeros(nx*Np, nx);  Gam = zeros(nx*Np, Np);
for i = 1:Np
    Phi((i-1)*nx+(1:nx), :) = A^i;
    for j = 1:i
        Gam((i-1)*nx+(1:nx), j) = A^(i-j) * B;
    end
end
Qb = kron(eye(Np), Q);  Rb = R * eye(Np);
H = 2 * (Gam' * Qb * Gam + Rb);  H = (H + H') / 2;

Nsim = 80;
linear_velocity = [2; 0];                                  % initial state
X = zeros(nx, Nsim+1);  X(:,1) = linear_velocity;  U = zeros(1, Nsim);
opts = optimoptions('quadprog', 'Display', 'off');
for k = 1:Nsim
    f = 2 * Gam' * Qb * Phi * X(:,k);
    u = quadprog(H, f, [], [], [], [], -umax*ones(Np,1), umax*ones(Np,1), [], opts);
    U(k) = u(1);                                  % receding horizon
    X(:,k+1) = A * X(:,k) + B * U(k);
end
lateral_tracking_error = X(1,:);                                   % position trajectory
fprintf('Final position: %.4f, max |u|: %.3f\n', lateral_tracking_error(end), max(abs(U)));

t = (0:Nsim) * Ts;
figure;
subplot(2,1,1); plot(t, lateral_tracking_error); ylabel('Position'); grid on;
subplot(2,1,2); stairs(t(1:end-1), U); ylabel('Control u'); xlabel('Time (s)'); grid on;

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum