【摘要】:第7.4.2小节中的MPC实现部分,提供了quadprog、OSQP、qpOASES和CVXGEN四种常见的二次型优化问题求解器。为了研究不同求解器的性能差异,在7.4.1节所设计的仿真环境中,分别进行了10组对比仿真实验,如表7.3所示。表7.3求解器性能对比实验的设计实现对比仿真所使用的MATLAB代码及CarSim Par文件详见附件。使用不同求解器进行路径跟踪的偏差对比如图7.13所示。从图7.12还可以看出,qpOASES的优化效率略高于OSQP,且具有热起动功能的qpOASES求解器性能更佳。
第7.4.2小节中的MPC实现部分,提供了quadprog、OSQP、qpOASES和CVXGEN四种常见的二次型优化问题求解器。为了研究不同求解器的性能差异,在7.4.1节所设计的仿真环境中,分别进行了10组对比仿真实验,如表7.3所示。
表7.3 求解器性能对比实验的设计
实现对比仿真所使用的MATLAB代码及CarSim Par文件详见附件。这10组对比实验的优化求解时间汇总如图7.12所示。使用不同求解器进行路径跟踪的偏差对比如图7.13所示。
图7.12 不同求解器的优化时间对比(www.xing528.com)
图7.13 使用不同求解器进行路径跟踪的偏差对比
从图7.12可以看出,CVXGEN优化求解的效率最高,优化时间不超过5 ms,而且当预测时域为20和40时,优化时间基本保持恒定,符合高速无人驾驶车辆控制以及实车应用的需求。对于OSQP、qpOASES和quadprog三个求解器,优化求解时间随预测时域Np的增加而增长,而且MATLAB提供的quadprog在四个求解器中耗时最长。从图7.12还可以看出,qpOASES的优化效率略高于OSQP,且具有热起动功能的qpOASES求解器性能更佳。
从图7.13可以看出,路径跟踪过程中OSQP、qpOASES和quadprog的跟踪偏差基本重合,说明其求解精度基本一致。CVXGEN的跟踪偏差明显更小,体现出其更高的求解精度。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。