Model Predictive Control Toolbox

Concevoir et simuler des contrôleurs prédictifs

Vous avez des questions  ? Contacter un commercial.

Model Predictive Control Toolbox offre des fonctions, une application, des blocs Simulink et des exemples de référence pour le développement de contrôleurs prédictifs (MPC). Pour les problèmes linéaires, la toolbox supporte le design de contrôleurs MPC implicites, explicites, adaptatifs et de type « séquencement de gain ». Pour les problèmes non linéaires, vous pouvez implémenter un contrôleur MPC non linéaire à simple ou multi-étages. La toolbox comprend des solveurs d'optimisation déployables et vous permet également d'utiliser un solveur personnalisé.

Vous pouvez évaluer les performances du contrôleur dans MATLAB et Simulink en exécutant des simulations en boucle fermée. Pour la conduite autonome, vous pouvez également utiliser les blocs et les exemples fournis, conformes aux normes MISRA C^® et ISO 26262, afin de vous familiariser rapidement avec les applications d’aide au maintien de la trajectoire, de planification de trajectoire, de suivi de trajectoire et de régulation adaptative de la vitesse.

La toolbox supporte la génération de code C et CUDA^® et la génération de texte structuré IEC 61131-3.

Introduction à Model Predictive Control Toolbox

Graphique illustrant les méthodes de contrôleurs MPC linéaires et quand il est souhaitable les utiliser.

Design de contrôleurs MPC linéaires

Concevez des contrôleurs MPC implicites, de type « séquencement de gain » et adaptatifs qui résolvent un problème de programmation quadratique (QP). Générez un contrôleur MPC explicite à partir d'un design implicite. Utilisez un MPC à variables de contrôle discrètes pour les problèmes de programmation quadratique en nombres entiers mixtes.

Comprendre le contrôle prédictif, partie 7 : design d'un MPC adaptatif avec Simulink et Model Predictive Control Toolbox (8:20)

Documentation | Exemples

Application MPC Designer

Utilisez l'application MPC Designer pour concevoir de manière interactive des contrôleurs MPC implicites, linéariser votre modèle Simulink avec Simulink Control Design, valider les performances du contrôleur à l'aide de scénarios de simulation et comparer les réponses de plusieurs designs.

Comprendre le contrôle prédictif, partie 6 : comment concevoir un contrôleur MPC avec Simulink et Model Predictive Control Toolbox (9:52)

Documentation | Exemples

Modèle Simulink avec un bloc MPC non linéaire.

Design de contrôleurs MPC non linéaires

Concevez des contrôleurs MPC non linéaires et économiques qui utilisent Optimization Toolbox pour résoudre un problème de programmation non linéaire (NLP). Utilisez une formulation à simple ou multi-étages pour la planification optimale et le système d'asservissement.

Comprendre le contrôle prédictif, partie 8 : design de contrôleurs MPC non linéaires avec Model Predictive Control Toolbox et FORCESPRO (18:09)

Documentation | Exemples

Parking animé avec un véhicule suivant une trajectoire de stationnement.

Design d'un MPC pour la conduite autonome

Accélérez le développement de systèmes de conduite autonome en utilisant des blocs Simulink prédéfinis conformes aux normes ISO 26262 et MISRA C. Les blocs prédéfinis supportent la planification et le suivi de trajectoire, la régulation adaptative de la vitesse et bien d'autres applications.

Service voiturier automatisé avec Model Predictive Control Toolbox (3:52)

Documentation | Exemples

Graphique illustrant les solveurs d'optimisation linéaires, non linéaires et personnalisés supportés par Model Predictive Control Toolbox.

Solveurs d’optimisation MPC

Choisissez parmi les solveurs QP prédéfinis, active-set, interior-point et mixed-integer, ou utilisez des solveurs NLP depuis Optimization Toolbox. Vous pouvez également utiliser les solveurs FORCESPRO (d’Embotech) ou votre propre solveur personnalisé.

Comprendre le contrôle prédictif, partie 8 : design de contrôleurs MPC non linéaires avec Model Predictive Control Toolbox et FORCESPRO (18:09)

Documentation

Illustration du contrôleur MPC avec un modèle de Deep Learning utilisé pour la prédiction.

Spécification du modèle de prédiction

Spécifiez des modèles de prédiction analytiquement avec Control System Toolbox ou Symbolic Math Toolbox, en linéarisant un modèle Simulink avec Simulink Control Design, ou par le biais de données mesurées avec System Identification Toolbox et Deep Learning Toolbox.

Gestion de l'énergie avec un MPC basé sur le Deep Learning (8:09)

Documentation

Rapport présentant des recommandations sur les paramètres de design du MPC.

Estimation d'états et revue du design

Estimez les états du contrôleur à partir des sorties mesurées avec l'estimateur d'états proposé dans la toolbox ou un estimateur d’états personnalisé. Détectez les problèmes potentiels de stabilité et de robustesse de votre design de contrôleur MPC linéaire avec la fonction de diagnostic prédéfinie.

Documentation | Exemples

Navigateur de la bibliothèque de blocs de Simulink pour Model Predictive Control Toolbox.

Simulation en boucle fermée

Évaluez les performances de votre contrôleur en exécutant des simulations en boucle fermée dans Simulink avec des blocs Simulink conformes aux normes ISO 26262 et MISRA C, ainsi que dans MATLAB avec des fonctions en ligne de commande. Automatisez les tests pour plusieurs scénarios avec Simulink Test.

Documentation

Génération de code

Générez automatiquement du code de production C/C++ et CUDA, ou du texte structuré IEC 61131-3, à partir de contrôleurs MPC conçus dans MATLAB et Simulink. Déployez le code vers une variété de cibles telles que des ECU, GPU et PLC.

Documentation | Exemples

Ressources produits :

Documentation Exemples Vidéos Articles techniques Fonctions Blocs Configuration système Notes de version

Sumitomo Heavy Industries accélère le développement d'un logiciel embarqué de contrôle prédictif pour les pelles hydrauliques

« Sumitomo Construction Machinery a réduit de 15 % sa consommation de carburant sans réduire la performance dynamique de l'excavatrice. Ce meilleur rendement est en partie dû à une réduction de 50 % des fluctuations de vitesse du moteur obtenue grâce à Model Predictive Control Toolbox et au design amélioré du système de contrôle. »
Eisuke Matsuzaki, Sumitomo Heavy Industries

Voir d'autres témoignages de clients