关于前面介绍过的MPCC控制改为使用Yalmip解算器解以及MPC控制的一点想法

最近看了许多关于MPC控制相关的资料，许多好的方法感兴趣的可以到我的哔哩哔哩视频看看：Imitation Learning from MPC for Quadrupedal Multi-Gait Control (ICRA 2021 Presen_哔哩哔哩_bilibili

这里面放了目前放的都是与优化控制相结合的东西。

目前MPC相关算法有：

1. MPCC

2.GD-MPC

3.LMPC

4.与模仿学习相结合的MPC

5.与强化学习相结合的MPC

6.Tube-MPC

等等，这里举的例子都是很常用的算法，还有好多这里就不举例了。

以前讲过一个MPCC工程(GitHub - alexliniger/MPCC: Model Predictive Contouring Controller (MPCC) for Autonomous Racing)中边界通过滚动优化形成，模型部分就是线性化以及注意代码中变量归一化，其他没什么难度，其实这个例子可以拿来把自己的想法加进去实现，最近我也在这个代码的基础上加了好多自己的想法实现，这里给出使用Yalmip解算器去实现这个解。

代码使用Yalmip解算器需要改几个地方，不然会报错以及运行很慢：

1.首先simulation.m文件中27行改为这个：

由MPC_vars.interface = 'hpipm';

改为

MPC_vars.interface = 'Yalmip';

2.optimizer_mpcc.m文件中31行改为这个

由if (info.exitflag == 0)

改为

 if (info.exitflag.problem == 0)

3.YalmipInterface.m文件中41行：

由ops = sdpsettings('solver','ecos','verbose',2);

改为这个

ops = sdpsettings('solver','');

如果想看解算信息，改为下面语句：

ops = sdpsettings('solver','','verbose',2);

改了这三个地方就可以使用Yalmip来运行了，但是你运行发现会越来越慢，这是什么原因呢？

理论说定义名称相同的变量会覆盖原变量。但是，在Yalmip中，原有的变量并不会被删除，而新的变量会被源源不断地创建，这会导致变量数越来越多。因此：

代码还需要增加一个东西：

function [ X,U,dU,info ] = YalmipInterface(stage,MPC_vars,ModelParams)
nx = ModelParams.nx;
nu = ModelParams.nu;
tic;
yalmip('clear')
x    = sdpvar(nx+nu, MPC_vars.N+1);          % states + initial state; fifth initial state for discretization
u    = sdpvar(nu, MPC_vars.N);           % (front) steering angle
objective = 0;
constraints = [x(:,1) == blkdiag(MPC_vars.Tx,MPC_vars.Tu)*[stage(1).x0;stage(1).u0]];   % initialize initial state

在20行增加了yalmip('clear')，这样，代码就可以使用yalmip解了。