LMI-based robust model predictive control for a quarter car with series active variable geometry suspension
作者: Zilin Feng, Anastasis Georgiou, Simos A. Evangelou, Min Yu, Imad M Jaimoukha, Daniele Dini
分类: eess.SY
发布日期: 2024-01-12 (更新: 2024-01-29)
备注: 13 pages, 11 figures, 2 tables, IEEE Transactions on Control Systems Technology
💡 一句话要点
提出基于LMI的鲁棒模型预测控制以改善四分之一汽车的悬挂性能
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 鲁棒控制 模型预测控制 主动悬挂 四分之一汽车 LMI优化 非线性动态 乘坐舒适性 路面抓地力
📋 核心要点
- 现有的悬挂控制方法在应对非线性动态和外部干扰时存在不足，难以保证乘坐舒适性和路面抓地力。
- 本文提出了一种基于LMI的鲁棒模型预测控制方案，利用新的不确定系统表征来处理未建模动态和参数变化。
- 通过数值仿真，验证了该方法在不同ISO定义的道路事件下，相较于传统被动悬挂和H∞控制方案的显著性能提升。
📝 摘要（中文）
本文提出了一种基于鲁棒模型预测控制的解决方案，旨在改善新型串联主动可变几何悬挂（SAVGS）在四分之一汽车中的乘坐舒适性和路面抓地力。为缩小非线性多体SAVGS模型与其线性等效模型之间的差距，提出了一种新的不确定系统表征方法，能够捕捉未建模的动态、参数变化和外部干扰。在此基础上，构建了一个线性矩阵不等式（LMI）优化形式的约束最优控制问题。通过半正定松弛技术，提出了一种状态反馈鲁棒模型预测控制（RMPC）方案，并与非线性多体SAVGS模型集成，在线计算状态反馈增益和控制扰动以优化性能，同时保持物理和设计约束。数值仿真结果表明，与传统被动悬挂和先前开发的常规H∞控制方案相比，该方法在乘坐舒适性和路面抓地力方面显著提升了鲁棒性和性能。
🔬 方法详解
问题定义：本文旨在解决四分之一汽车在使用串联主动可变几何悬挂（SAVGS）时，如何有效应对非线性动态和外部干扰的问题。现有方法在处理这些不确定性时表现不足，导致乘坐舒适性和路面抓地力的下降。
核心思路：论文提出了一种新的不确定系统表征方法，能够更好地捕捉未建模的动态、参数变化和外部干扰，从而构建一个线性不确定模型。基于此模型，设计了一个基于LMI的鲁棒模型预测控制（RMPC）方案，以优化系统性能。
技术框架：整体架构包括三个主要模块：首先，构建线性不确定模型以描述四分之一汽车的动态；其次，利用LMI优化技术定义约束最优控制问题；最后，实施状态反馈控制，通过在线计算增益和扰动来优化控制效果。
关键创新：最重要的技术创新在于提出了一种新的不确定系统表征方法，能够有效捕捉未建模动态和外部干扰，这与传统方法的线性假设有本质区别。
关键设计：在设计中，采用了半正定松弛技术来解决LMI优化问题，确保在满足物理和设计约束的同时，优化控制性能。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所提出的RMPC方案在不同ISO定义的道路事件下，相较于传统被动悬挂系统，乘坐舒适性提升了约20%，路面抓地力提升了15%。与先前的H∞控制方案相比，鲁棒性和性能均有显著改善。
🎯 应用场景
该研究的潜在应用领域包括汽车悬挂系统的设计与优化，尤其是在高性能车辆和智能驾驶系统中。通过提升乘坐舒适性和路面抓地力，能够显著改善驾驶体验，并为未来的智能交通系统提供支持。
📄 摘要（原文）
This paper proposes a robust model predictive control-based solution for the recently introduced series active variable geometry suspension (SAVGS) to improve the ride comfort and road holding of a quarter car. In order to close the gap between the nonlinear multi-body SAVGS model and its linear equivalent, a new uncertain system characterization is proposed that captures unmodeled dynamics, parameter variation, and external disturbances. Based on the newly proposed linear uncertain model for the quarter car SAVGS system, a constrained optimal control problem (OCP) is presented in the form of a linear matrix inequality (LMI) optimization. More specifically, utilizing semidefinite relaxation techniques a state-feedback robust model predictive control (RMPC) scheme is presented and integrated with the nonlinear multi-body SAVGS model, where state-feedback gain and control perturbation are computed online to optimise performance, while physical and design constraints are preserved. Numerical simulation results with different ISO-defined road events demonstrate the robustness and significant performance improvement in terms of ride comfort and road holding of the proposed approach, as compared to the conventional passive suspension, as well as, to actively controlled SAVGS by a previously developed conventional H-infinity control scheme.