Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.
Transkrip
Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.
Tampilkan transkrip
Pembuka
Inilah hasil akhirnya, model linear kendaraan untuk prediksi MPC. Linearisasi Euler biasa meleset 75 cm dalam 1,2 detik pada 15 meter per detik, sedangkan Jacobian numerik Rungekuta jauh lebih akurat. Lalu kita rumuskan MPC-nya. Ayo kita mulai. Halo, selamat datang di episode keempat seri kendaraan otonom MPC Pass Tracking. Model prediktif kontrol bekerja dengan memprediksi gerak mobil beberapa langkah ke depan, lalu memilih urutan kemudi dan percepatan terbaik dengan optimasi, sambil mematuhi batas fisik. Agar optimasinya cepat, kita butuh model linear. Hari ini kita membangun model itu dan merumuskan masalah optimasinya.
Langkah 1: Linearisasi Euler & Runge-Kutta
Buat file linearisasi.py Cara klasik adalah Jacobian analitik, turunkan persamaan gerak terhadap arah, kecepatan, dan kemudi, lalu diskretkan dengan Euler, sehingga Z berikutnya sama dengan AZ ditambah BU ditambah C. Cara kedua, linearisasi RKA4, menghitung Jacobian secara numerik dari fungsi langkah Rungekuta yang sama dengan simulasi, dengan menggeser setiap keadaan dan masukkan sedikit. Hasilnya model linear yang konsisten dengan simulasi. Fungsi referensi membangun acuan sepanjang horizon.
Langkah 2: Acuan sepanjang horizon
Posisi mobil diproyeksikan ke lintasan untuk mendapatkan jarak S yang kontinu, lalu acuan maju sejauh kecepatan kali dt per langkah, dan posisi, arah, serta kelengkungannya diinterpolasi agar tidak melompat antar titik. Profil kecepatan dibuat realistis, mendekati kecepatan target dengan percepatan maksimal 3 meter per detik kwadrat. Kemudian acuan dihitung dari kelengkungan, art tangen L kappa, dan fungsi samakan arah memastikan sudut mobil sebanding dengan sudut lintasan yang diunwap.
Langkah 3: Menguji akurasi model linear
Buat file uji underscore linearisasi dot py dan jalankan. Kita buat lintasan acuan menikung pada 15 meter per detik, lalu kendaraan yang sedikit menyimpang dengan masukan berbeda, dan memprediksi geraknya dengan kedua model linear. Setelah 0,6 detik, model Euler meleset 0,42 meter, sedangkan model RKA4 hanya 0,12 meter. Setelah 1,2 detik, Euler 0,75 meter dan RKA4 0,5 meter. Model yang lebih akurat berarti prediksi MPC yang lebih bisa dipercaya.
Langkah 4: Prediksi horizon
Mari lihat grafiknya. Titik-titik prediksi RKA4 menempel pada kurva non-linear lebih lama, sedangkan Euler cepat menjauh, karena Euler memakai arah di awal langkah untuk seluruh langkah, kesalahan yang membesar saat cepat dan menikung tajam.
Langkah 5: Fungsi biaya & batasan MPC
Sekarang rumuskan MPC di file mpc.py. Variabelnya keadaan selama horizon 12 langkah, yaitu 1,2 detik, dan masukan selama 11 langkah. Matrix A, B, C, keadaan awal, dan acuan dibuat sebagai parameter CVXPy, sehingga masalah dibangun sekali saja dan hanya nilai parameternya yang diganti setiap langkah. Fungsi biayanya jumlah kuadrat galat terhadap acuan dengan bobot Q, ditambah kuadrat masukan dengan bobot R, ditambah kuadrat perubahan masukan dengan bobot RD agar kemudi halus. Batasannya model linear, percepatan dan kemudi maksimum, laju putar setir, serta batas kecepatan. Semua ini membentuk kuadratik program yang konveks.
Selesai!
Selesai! Kita sudah melinearkan bicycle model dengan dua cara, membangun acuan horizon yang kontinu, dan merumuskan MPC sebagai kuadratik program berparameter di CVXPy. Di episode berikutnya kita menyelesaikan MPC di setiap langkah, menjalankannya pada tikungan es, dan membuat animasinya. Sedang menyusun skripsi, tesis, atau riset di bidang kendaraan otonom dan sistem kendali? Cerdas inovasi digital membantu implementasi sistem kendali kendaraan, dari bicycle model, lintasan referensi, pure pursuit dan Stanley, sampai model predictive control dengan CVXPy, serta membuka kursus pemrograman Python untuk teknik elektro dan mekatronika. Ingin menguasai seluruh seri ini, dari model kendaraan sampai uji sirkuit berliku dengan berbagai kecepatan? Semua enam episode, lengkap dengan PDF panduan langkah demi langkah dan source code, tersedia untuk pelanggan tutorial premium. Berlangganan mulai Rp69.000 per bulan, hemat 28% dengan paket 12 bulan, atau sekali bayar Rp999.000 untuk akses seumur hidup. Mau satu kelas saja? Beli kelas satuan dengan akses selamanya. Langganan sekarang di halaman premium cerdas inovasi digital.com. Hubungi WhatsApp kami, atau kunjungi cerdas inovasi digital.com. Terima kasih telah menonton, sampai jumpa di episode berikutnya.
Tanya materi kelas
Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.
Catatan saya
Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.
Tanya jawab
Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.
Belum ada pertanyaan.
Pengajar
Tim Cerdas Inovasi Digital
Pengembang software, engineer BIM & 3D, dan praktisi AI
52 kelas video1.276 episode
Sehari-hari kami mengerjakan software, model BIM, game, dan otomasi AI untuk klien, lalu menjadikan pengalaman praktik itu kelas langkah demi langkah: setiap langkah diperlihatkan di layar dan dilengkapi panduan PDF.
