一种面向边缘计算的嵌入式非线性模型预测控制加速方法

摘要: 本技术涉及嵌入式实时控制,尤其涉及一种面向边缘计算的嵌入式非线性模型预测控制加速方法。背景技术:1、当前,非线性模型预测控制(nonlinearmodelpre...
一种面向边缘计算的嵌入式非线性模型预测控制加速方法

本技术涉及嵌入式实时控制,尤其涉及一种面向边缘计算的嵌入式非线性模型预测控制加速方法。

背景技术:

1、当前,非线性模型预测控制(nonlinear model predictive control‌,nmpc)因其能显式处理系统约束与非线性动力学,已成为自主机器人高动态控制的核心算法。然而,将其部署于“rdk x5+stm32”这类典型的异构嵌入式平台时,面临以下突出挑战:

2、1.nmpc实时求解与边缘算力的根本矛盾。

3、nmpc需要在每个控制周期内在线求解带约束的非线性优化问题,计算量较大。传统迭代求解器(如acados、ipopt)若部署于rdk x5的arm cortex-a系列cpu核心上,单次求解仍可能达到数百毫秒,难以满足小车避障、高速巡线所需的20 ms控制周期。若仅利用rdkx5的cpu进行神经网络推理,而未充分利用其bpu面向结构化ai模型的专用推理能力,则难以充分发挥异构硬件资源的性能。stm32作为下位机,虽具备硬实时能力,但受cortex-m内核算力与存储资源限制,难以独立运行完整的nmpc在线求解器。

4、2.神经网络近似缺乏安全性保证,且上下层功能划分模糊。

5、为加速nmpc,现有研究尝试使用轻量级神经网络逼近控制律,并将其部署于rdkx5的bpu上进行低时延推理。但该方法仍存在两个主要问题:其一,神经网络具有黑箱特性,在训练数据未覆盖的工况(如轮胎侧滑、负载突变)下,可能输出不满足安全约束的控制指令;其二,部分方案未明确划分rdk x5与stm32的安全责任边界。当上层bpu推理出现模型加载错误、系统调度延迟、超时或崩溃时,系统可能失去上层控制指令并产生失控风险。

6、3.安全滤波器的执行平台选择存在两难困境。

7、控制屏障函数(control barrier function,cbf)安全滤波器可用于对控制指令施加具有明确数学形式的安全约束。若将滤波器部署在rdk x5的linux侧,虽可利用上层计算资源,但其线程仍可能受到非实时调度和任务抢占的影响;若部署在stm32上,则需要解决c语言底层实现、有限存储资源及二次规划(quadratic programming,qp)求解效率等问题,并针对微控制器的内存与指令集进行专门优化。

8、上述问题主要涉及两个架构层面的不足。其一,部分现有方案将ai推理与安全保障计算安排在同一计算平面内串行执行,容易造成资源竞争;或者仅将安全计算迁移至下位机,而未充分解决资源受限平台上的实现效率问题,因而难以形成性能计算与硬实时安全计算之间的有效分工。其二,神经网络的离线训练、在线推理与安全滤波校验相互独立,训练阶段未引导网络适配滤波器的修正规律,可能导致在线滤波器进行较大幅度修正,进而引起控制指令抖动并增加实时处理负担。因此,现有技术仍难以在低成本异构嵌入式平台上同时兼顾低时延控制与独立安全保障。

技术实现思路

1、本技术提供一种面向边缘计算的嵌入式非线性模型预测控制加速方法,用于解决现有技术中非线性模型预测控制算法在异构嵌入式平台上部署时,存在的ai推理算力未被充分挖掘、实时性无法保证以及安全性与加速能力相互掣肘的缺陷。

2、第一方面,本技术提供一种面向边缘计算的嵌入式非线性模型预测控制加速方法,应用于上层边缘智能计算控制器,该方法包括:

3、获取车辆当前状态信息、参考轨迹特征和障碍物信息,并对车辆当前状态信息、参考轨迹特征和障碍物信息进行预处理;

4、将预处理后的车辆当前状态信息、参考轨迹特征和障碍物信息输入经过量化编译的神经网络非线性模型预测控制近似器进行分析处理,得到第一控制指令。

5、第二方面,本技术提供一种面向边缘计算的嵌入式非线性模型预测控制加速方法,应用于下层微控制器,该方法包括:

6、接收上层边缘智能计算控制器发送的控制数据帧,所述控制数据帧包括:帧头、数据类型、控制周期序列号、状态时间戳、第一控制指令、心跳信息及校验字段;

7、根据车辆当前状态信息、障碍物信息和所述控制数据帧,通过预编译的安全滤波器对上层边缘智能计算控制器输出的第一控制指令进行安全校验和最小修正,得到第二控制指令;

8、根据所述第二控制指令生成驱动电机和转向执行机构所需的底层控制信号。

9、可选的,所述根据车辆当前状态信息、障碍物信息和所述控制数据帧,通过预编译的安全滤波器对上层边缘智能计算控制器输出的第一控制指令进行安全校验和最小修正,得到第二控制指令,包括:

10、对所述控制数据帧进行输入有效性检查,判断所述控制数据帧是否有效;

11、若是,则根据车辆当前状态信息、障碍物信息和上层边缘智能计算控制器输出的第一控制指令,调用预编译的安全滤波器的对所述第一控制指令进行安全校验,并根据安全校验结果对所述第一控制指令进行最小修正得到第二控制指令;

12、若否,则根据预设的安全策略生成紧急安全控制指令作为第二控制指令。

13、可选的,所述根据安全校验结果对所述第一控制指令进行最小修正得到第二控制指令,包括:

14、在所述第一控制指令满足安全约束的情况下,直接将所述第一控制指令作为第二控制指令;

15、在所述第一控制指令不满足安全约束的情况下,根据车辆当前状态信息、障碍物信息和上层边缘智能计算控制器输出的第一控制指令,调用预编译的安全滤波器的分段仿射显式解、多维查找表或多层条件判断决策结构对所述第一控制指令进行最小修正,得到第二控制指令。

16、第三方面,本技术提供一种面向边缘计算的嵌入式非线性模型预测控制加速方法,应用于云端服务器,该方法包括:

17、利用基于控制屏障函数的安全滤波算法构建部署于下层微控制器的安全滤波器;

18、构建神经网络非线性模型预测控制律近似器,并对神经网络非线性模型预测控制律近似器进行训练,将训练后的神经网络非线性模型预测控制律近似器转换为部署于上层边缘智能计算控制器的模型文件。

19、可选的,所述利用基于控制屏障函数的安全滤波算法构建部署于下层微控制器的安全滤波器,包括:

20、利用多组预先生成的参数组合对构建的最小修正二次规划问题进行求解,得到每组参数组合下的求解结果,其中每组参数组合包括:车辆运动状态参数、障碍物位置参数以及车辆控制参数;

21、将每组参数组合下的求解结果转换为分段仿射显式解、多维查找表或多层条件判断决策结构;

22、将分段仿射显式解、多维查找表或多层条件判断决策结构编译为适配于下层微控制器的代码片段作为安全滤波器。

23、可选的,所述最小修正二次规划问题的构建过程,包括:

24、基于车辆运动状态参数构建车辆非线性运动模型,并基于车辆位置参数、环境障碍物位置参数以及预设最小安全距离构造安全约束函数,所述车辆运动状态参数包括:车辆位置参数、航向角、线速度和角速度;

25、根据车辆非线性运动模型和所述安全约束函数构造高阶控制屏障函数,并将所述高阶控制屏障函数转换为关于车辆控制参数的线性不等式,得到线性化后的高阶控制屏障函数安全约束;

26、在控制输入约束和线性化后的高阶控制屏障函数安全约束下,以最小化下层微控制器输出的第二控制指令与上层边缘智能计算控制器输出的第一控制指令的偏差为目标构建最小修正二次规划问题。

27、可选的,在对神经网络非线性模型预测控制律近似器进行训练,将训练后的神经网络非线性模型预测控制律近似器转换为部署于上层边缘智能计算控制器的模型文件之前,所述方法还包括:

28、构建车辆运行的仿真环境,并在预设参数范围内生成不同的车辆状态参数、参考轨迹以及障碍物位置参数,并根据生成的车辆状态参数、参考轨迹以及障碍物位置参数构造输入特征;

29、根据状态预测模型、预设的约束条件以及生成的车辆状态参数、参考轨迹求解有限预测时域内的非线性模型预测控制优化问题,得到预测时域内的最优控制序列,所述状态预测模型由车辆非线性运动模型离散化得到,所述约束条件至少包括控制输入约束、车辆状态约束及避障安全约束;

30、将最优控制序列中的第一控制量作为当前输入特征对应的专家控制指令;

31、将第一控制量施加于车辆非线性运动模型更新车辆状态参数,并在下一时刻重新构造输入特征、求解非线性模型预测控制优化问题得到对应的专家控制指令;

32、重复执行构造输入特征与求解非线性模型预测控制优化问题过程,得到多组输入特征-专家控制指令样本对,并基于输入特征-专家控制指令样本对构建神经网络非线性模型预测控制近似器的训练样本集。

33、可选的,所述对神经网络非线性模型预测控制律近似器进行训练,将训练后的神经网络非线性模型预测控制律近似器转换为部署于上层边缘智能计算控制器的模型文件,包括:

34、利用神经网络非线性模型预测控制律近似器对当前输入特征进行分析处理,得到近似控制指令,所述神经网络非线性模型预测控制律近似器采用多层感知机结构;

35、根据当前输入特征对应的专家控制指令以及近似控制指令,确定行为克隆损失;

36、构建可微分代理模型,根据当前输入特征对应的近似控制指令以及可微分代理模型输出的安全控制指令,确定安全滤波修正损失;

37、根据行为克隆损失以及安全滤波修正损失构建联合损失函数;

38、利用所述训练样本集和联合损失函数,通过梯度反向传播算法对神经网络非线性模型预测控制近似器的网络参数进行迭代更新,直至达到预设的最大训练迭代次数或联合损失函数收敛,得到训练完成的神经网络非线性模型预测控制近似器;

39、对训练完成的神经网络非线性模型预测控制近似器进行算子兼容性检查、int8量化、算子融合、内存优化和模型编译,生成在上层边缘智能计算控制器端计算加速单元运行的可行执行模型文件。

40、可选的,在利用神经网络非线性模型预测控制律近似器对当前输入特征进行分析处理之前,所述方法还包括:

41、在预设车辆状态参数、障碍物位置参数和候选控制参数范围内多次调用与下层微控制器端一致的基于控制屏障函数的安全滤波算法,生成对应的安全控制指令;

42、根据车辆状态参数、障碍物位置参数和候选控制参数以及对应的安全控制指令构建可微分代理模型的训练数据集;

43、利用所述训练数据集和预设损失函数,通过梯度反向传播算法对可微分代理模型的网络参数进行迭代更新,直至达到预设的最大训练迭代次数或预设损失函数收敛,得到训练完成的可微分代理模型。

44、本技术提供一种面向边缘计算的嵌入式非线性模型预测控制加速方法。该方法通过在上层边缘智能计算控制器的计算加速单元上运行经过量化编译的轻量级神经网络近似器,以较低时延输出近似最优控制指令;在下层微控制器固化轻量级控制屏障函数安全滤波器,实时校验并最小化修正上层边缘智能计算控制器输出近似最优控制指令,输出最终安全控制指令,并将其传递至车辆执行机构;在云端服务器训练神经网络近似器,使其适应下层微控制器安全滤波器的修正逻辑,并导出适配上层边缘智能计算控制器的模型格式。该方法能够在资源受限平台上提高实时性,在保证安全性的同时有效加速非线性模型预测控制。