当前位置: 首页 > news >正文

好看的企业网站源码新闻最新热点

好看的企业网站源码,新闻最新热点,可玩儿小程序可以加盟么,wordpress如何使用一个demo系列文章目录 CasADi - 最优控制开源 Python/MATLAB 库 文章目录 系列文章目录前言一、机器人硬件对比1.1 Teensy 上的微控制器基准测试1.2 机器人硬件1.3 BibTeX 二、求解器三、功能(预期)3.1 高效3.2 鲁棒3.3 可嵌入式3.4 最小依赖性3.5 高效热启动3.…

系列文章目录

CasADi - 最优控制开源 Python/MATLAB 库


文章目录

  • 系列文章目录
  • 前言
  • 一、机器人硬件对比
    • 1.1 Teensy 上的微控制器基准测试
    • 1.2 机器人硬件
    • 1.3 BibTeX
  • 二、求解器
  • 三、功能(预期)
    • 3.1 高效
    • 3.2 鲁棒
    • 3.3 可嵌入式
    • 3.4 最小依赖性
    • 3.5 高效热启动
    • 3.6 接口
  • 四、在 Ubuntu 安装
    • 4.1 在终端克隆此 repo
    • 4.2 导航至根目录并运行
    • 4.3 执行 CMake 配置步骤
    • 4.4 构建 TinyMPC
  • 五、示例
    • 5.1 运行四旋翼飞行器悬停示例
    • 5.2 运行 codegen 示例,然后在该目录下按照相同的构建步骤进行操作


前言

TinyMPC: 资源受限微控制器上的模型预测控制

作者:Anoushka Alavilli*, Khai Nguyen*, Sam Schoedel*, Brian Plancher, Zachary Manchester

Carnegie Mellon University, Barnard College


模型预测控制(Model-predictive control,MPC)是控制受复杂约束条件(complex constraints)影响的高动态机器人系统(highly dynamic robotic systems)的有力工具。然而,MPC 的计算要求很高,在资源有限的小型机器人平台上实施往往不切实际。我们推出的 TinyMPC 是一种高速 MPC 求解器,内存占用少,适用于小型机器人上常见的微控制器。我们的方法基于交替方向乘子法(ADMM),并利用 MPC 问题的结构来提高效率。我们以最先进的求解器 OSQP 为基准,对 TinyMPC 进行了演示,速度提高了近一个数量级,同时还在一个重达 27 克的四旋翼机器人上进行了硬件实验,演示了高速轨迹跟踪(high-speed trajectory tracking)和动态避障(dynamic obstacle avoidance)。

一、机器人硬件对比

在这里插入图片描述

在这里插入图片描述

1.1 Teensy 上的微控制器基准测试

在这里插入图片描述

1.2 机器人硬件

在这里插入图片描述

1.3 BibTeX

@misc{tinympc,title={TinyMPC: Model-Predictive Control on Resource-Constrained Microcontrollers}, author={Anoushka Alavilli and Khai Nguyen and Sam Schoedel and Brian Plancher and Zachary Manchester},year={2023},eprint={2310.16985},archivePrefix={arXiv},primaryClass={cs.RO}
}

二、求解器

TinyMPC 求解器是一个数值优化软件包,用于求解默认形式的凸二次规划型模型预测控制(convex quadratic model-predictive control)
minimize: ⁡ 1 2 ( x N − x ˉ N ) T Q f ( x N − x ˉ N ) + ∑ k = 0 N ( 1 2 ( x k − x ˉ k ) T Q ( x k − x ˉ k ) + 1 2 ( u k − u ˉ k ) T R ( u k − u ˉ k ) ) subject  to: ⁡ x k + 1 = A x k + B u k u ‾ ≤ u k ≤ u ‾ x ‾ ≤ x k ≤ x ‾ \begin{array}{l l}{\operatorname*{minimize:}}&{\dfrac{1}{2}(x_{N}-\bar{x}_{N})^{T}Q_{f}(x_{N}-\bar{x}_{N})+{{\sum_{k=0}^{N}\bigl(\frac{1}{2}(x_{k}-\bar{x}_{k})^{T}Q(x_{k}-\bar{x}_{k})+\frac{1}{2}\bigl(u_{k}-\bar{u}_{k}\bigr)^{T}R(u_{k}-\bar{u}_{k})\bigr)}}} \\ {\operatorname*{subject\;to:}}&x_{k+1}=A x_{k}+B u_{k} \\ & \overline{{{u}}}\,\leq\,u_{k}\,\leq\underline{{u}} \\ & \overline{{{x}}}\,\leq\,x_{k}\,\leq\underline{{x}} \end{array} minimize:subjectto:21(xNxˉN)TQf(xNxˉN)+k=0N(21(xkxˉk)TQ(xkxˉk)+21(ukuˉk)TR(ukuˉk))xk+1=Axk+Bukuukuxxkx

其中, x k ∈ R n x_{k}\in\mathbb{R}^{n} xkRn u k ∈ R m u_{k}\in\mathbb{R}^{m} ukRm 分别为时间步长为 k 时的状态和控制输入,N 为时间步长(也称为视平线), A ∈ R n × n A\in\mathbb{R}^{n\times n} ARn×n B ∈ R n × m B\in\mathbb{R}^{n\times m} BRn×m 定义了系统动力学, Q ≥ 0 Q\geq0 Q0 R ≻ 0 R\succ0 R0 Q f ≥ 0 Q_{f}\geq0 Qf0 为对称成本权重矩阵, x ~ k {\tilde{x}}_{k} x~k u ˉ k {\bar{u}}_{k} uˉk 是状态和输入参考轨迹。

三、功能(预期)

3.1 高效

它采用基于 ADMM 的定制一阶方法,无需矩阵因式分解。所有其他操作都非常简单。它还利用 MPC 问题中的结构,为基元更新实现了黎卡提递归(Riccati recursion)。

3.2 鲁棒

该算法完全 free,而且不需要对问题数据做任何假设(问题只需要是凸的)。它就是这么简单!

3.3 可嵌入式

它有一个简单的接口,无需内存管理器即可生成定制的可嵌入 C 代码。

3.4 最小依赖性

它只需要 Eigen 就能运行。

3.5 高效热启动

它可以轻松热启动,并且可以缓存矩阵因式分解,从而极其高效地解决参数化问题。

3.6 接口

它为 C、C++、Julia、Matlab 和 Python 提供了接口。

四、在 Ubuntu 安装

4.1 在终端克隆此 repo

git clone git@github.com:TinyMPC/TinyMPC.git

4.2 导航至根目录并运行

cd TinyMPC
mkdir build && cd build

4.3 执行 CMake 配置步骤

cmake ../

4.4 构建 TinyMPC

make 

五、示例

5.1 运行四旋翼飞行器悬停示例

./examples/example_quadrotor_hovering
tracking error at step  0: 2.2472
tracking error at step  1: 2.9549
tracking error at step  2: 2.5478
tracking error at step  3: 2.6331
tracking error at step  4: 3.1375
tracking error at step  5: 3.6413
tracking error at step  6: 4.0214
tracking error at step  7: 4.2898
tracking error at step  8: 4.5070
tracking error at step  9: 4.6282
tracking error at step 10: 4.3689
tracking error at step 11: 3.8895
tracking error at step 12: 3.3699
tracking error at step 13: 2.8681
tracking error at step 14: 2.3877
tracking error at step 15: 1.9336
tracking error at step 16: 1.5516
tracking error at step 17: 1.2588
tracking error at step 18: 1.0420
tracking error at step 19: 0.8844
tracking error at step 20: 0.7680
tracking error at step 21: 0.6773
tracking error at step 22: 0.6009
tracking error at step 23: 0.5316
tracking error at step 24: 0.4658
tracking error at step 25: 0.4024
tracking error at step 26: 0.3416
tracking error at step 27: 0.2839
tracking error at step 28: 0.2305
tracking error at step 29: 0.1822
tracking error at step 30: 0.1393
tracking error at step 31: 0.1023
tracking error at step 32: 0.0715
tracking error at step 33: 0.0472
tracking error at step 34: 0.0301
tracking error at step 35: 0.0217
tracking error at step 36: 0.0218
tracking error at step 37: 0.0251
tracking error at step 38: 0.0279
tracking error at step 39: 0.0291
tracking error at step 40: 0.0290
tracking error at step 41: 0.0277
tracking error at step 42: 0.0254
tracking error at step 43: 0.0227
tracking error at step 44: 0.0197
tracking error at step 45: 0.0167
tracking error at step 46: 0.0140
tracking error at step 47: 0.0116
tracking error at step 48: 0.0097
tracking error at step 49: 0.0082
tracking error at step 50: 0.0072
tracking error at step 51: 0.0067
tracking error at step 52: 0.0065
tracking error at step 53: 0.0065
tracking error at step 54: 0.0065
tracking error at step 55: 0.0064
tracking error at step 56: 0.0063
tracking error at step 57: 0.0062
tracking error at step 58: 0.0061
tracking error at step 59: 0.0059
tracking error at step 60: 0.0058
tracking error at step 61: 0.0056
tracking error at step 62: 0.0055
tracking error at step 63: 0.0054
tracking error at step 64: 0.0053
tracking error at step 65: 0.0052
tracking error at step 66: 0.0052
tracking error at step 67: 0.0052
tracking error at step 68: 0.0052
tracking error at step 69: 0.0052

5.2 运行 codegen 示例,然后在该目录下按照相同的构建步骤进行操作

./examples/example_codegen
A = [1, 1]
[5, 2]
B = [3, 4]
[3, 1]
Q = [1.1,   0]
[  0, 1.1]
R = [2.1,   0]
[  0, 2.1]
rho = 0.1
Kinf converged after 5 iterations
Precomputing finished
Kinf = [   1.36,  0.5335]
[-0.6323, -0.1066]
Pinf = [8.899, 2.664]
[2.664, 2.046]
Quu_inv = [  0.1076, -0.09799]
[-0.09799,  0.09522]
AmBKt = [-0.5502,   1.553]
[-0.1739,  0.5062]
coeff_d2p = [7.438e-06, 8.381e-06]
[2.127e-06, 2.398e-06]
Creating generated code directory at /home/khai/SSD/Code/TinyMPC/generated_code
ERROR OPENING DATA WORKSPACE FILE
Segmentation fault
http://www.tj-hxxt.cn/news/82387.html

相关文章:

  • 台州自助建站在线咨询如何提高网站搜索排名
  • 学校网站建设的背景本周的新闻大事10条
  • 桐乡 网站建设网络营销模式
  • 摄影师网站建设国际军事新闻
  • 可爱风格网站360排名检测
  • 常用的建站工具有哪些网络策划
  • 网站如何做sem湖南网络推广排名
  • 企业网站营销网站windows优化大师免费版
  • 怎样用代码制作网站衡阳seo外包
  • 西安南郊网站建设全网推广系统
  • 58同城枣庄网站建设其他搜索引擎
  • 酷虎云建站工具网络营销有哪些内容
  • 网站后台这么做视频教程seo网站排名查询
  • 松原网站建设网络营销课程大概学什么内容
  • 珠宝网站策划培训机构怎么找
  • 长春电商网站建设费用百度网页版主页
  • 同一个域名两个网站站长工具查询seo
  • 闵行区网站自己怎么开网站
  • 淄博企业网站建设公司seo的含义是什么意思
  • QQ可以在网站做临时会话么seo的基础是什么
  • 怎么找做网站客服的工作搜狗首页排名优化
  • 阿里巴巴上做网站要多少钱百度手机助手下载免费安装
  • 如何学建设网站seo创业
  • 利用百度图片做网站外链怎样打百度人工客服热线
  • 平面设计素材网站排名互动营销经典案例
  • 肇东网站建设云聚达国内最新新闻
  • 做水果为主的b2c网站有哪些网站如何做推广
  • 电子商务seo实训总结首页排名优化公司
  • 做网站属于什么专业杭州seo搜索引擎优化公司
  • 美国做任务挣钱的网站seo排名优化培训怎样