描述

介紹

我們的目標是創建一個自主的室內機器人，它使用不同的控制策略來處理它的運動。在這個項目中，我們提出了一種解決方案，它對傳感器進行建模并實施模型預測控制 (MPC)。

關于 MPC 控制的一些話： 模型預測控制 (MPC) 是一種眾所周知的用于解決在線優化問題的控制策略，廣泛用于自動駕駛汽車應用。MPC 的計算成本高且資源消耗大，尤其是當涉及到嵌入式計算平臺的有限資源時，例如片上系統 (SoC) 和現場可編程門陣列 (FPGA) 平臺。最近，機器學習（ML）在減少執行時間和資源消耗方面已成為經典控制系統的有效替代方案。模型預測控制 (MPC) 是最常用的控制策略之一，因為它能夠解決在線優化問題并處理軟約束和硬約束。但是，對于復雜的高非線性系統，MPC的實現是一個很大的挑戰；

深度神經網絡被認為是一種自我優化的方法，因為它能夠根據提供的信息優化其行為，這使得 DNN 適用于復雜的動態系統。使用 Matlab Simulink 和 MPC 工具，我們發現這會讓人頭疼，因為我們使用的是小型 FPGA。出于這個原因，在米什科爾茨大學，我們創建了一個 DNN 工具，它從給定的輸入數據創建一個基于給定數據中的 System Generator 庫元素的可參數化 DNN 網絡。

一個傳統的 MPC 控制器如圖 1 所示。MPC 控制器的預測策略是在預測范圍內執行的，它代表了控制器期待未來的下一個 P 時間步長。MPC 控制器模擬幾個未來場景，優化器根據成本函數選擇最佳場景，成本函數代表參考目標和預測輸出之間的誤差。最優方案對應于最小成本函數。

圖 1 傳統 MPC 圖。

?

該控制器計算量大，因為它解決了每個時間步的在線優化問題，這需要高計算能力和大內存。計算負載和高資源消耗使 MPC 在有限資源上的實現成為一個巨大的挑戰。

設計MPC模型的第一步是確定車輛內部模型的輸入輸出信號，第二步是設置參數和確定約束條件。操縱變量（轉向角 δ）和擾動（vx ρ）被確定為輸入信號，而橫向速度 vy、橫向偏差 d、偏航角 θ 和偏航率 ω 被確定為輸出信號（見圖 2）。

Fig.2 車輛模型的全局位置。

?

模型方程如下：

圖 3 車輛方程。

?

約束條件如下確定：轉向角在 [-1.04, 1.04] rad 范圍內，偏航角速率在 [-0.26, 0.26] rad 范圍內。在設計過程中保持這些參數，直到獲得滿意的行為。MPC 和工廠模型的總體設計如圖 4 所示。

圖4 MPC和工廠模型設計的總圖。

?

深度神經網絡 IP 程序的自動生成

設計步驟如下：

• 首先制作了傳統的MPC控制器；驗證和測試 MPC 設計；深度神經網絡模型設計，生成數據集；訓練 DNN 模型；驗證和測試 DNN 模型；（這些步驟對于每個新的 DNN 都是特定的，因此這里不介紹這些步驟）；
• 下一步是運行IP工具生成器（見附件中的工具）；
• 運行仿真和硬件在環仿真（見模型和隨附的初始化文件）；
• FPGA 在硬件中的部署和測試。
• 為 KRIA SOM KV260 創建自適應硬件平臺（參見教程https://github.com/Xilinx/Vitis-Tutorials/tree/2021.2/Vitis_??Platform_Creation/Design_Tutorials/01-Edge-KV260）
• 將 AXI IP DNN 導入 Vivado 或 Vitis（在編輯和提交項目時，我們沒有收到 Xilinx 的反饋如何在 Vitis 中導入翻譯后的項目）

對于深度神經網絡 IP 的自動生成，創建的 DNN 工具（見附件 DNN 工具 IP 生成器）。

首先使用 DNN 工具創建 DNN。一般而言，將使用該工具的人應提供以下參數：

該工具的輸入如下：

• 每層的神經元數量
• 精度（浮點或 FIX16 或 FIX8）
• 權重
• 偏見

輸出是在 Matlab Simulink 中生成的 DNN IP。

備注：該工具正在工作，但應考慮針對不同的 AMD Xilinx 平臺進行一些優化和修飾。這是 PL（可編程邏輯）包含的神經元和 DSP 元素數量的函數。該工具已針對 KC705 板和 Kria KV260 SOM 成功測試。

首先加載DNN_Generator.m文件并根據需要進行編輯：

%Edit model_parameters_here...神經元計數 = [6 20 10 10 1]; % 7 層中每一層的神經元數量%starting model... init;

然后運行。該模型已創建并可用于自己的目的。

仿真/硬件在環仿真 (HIL)

在 Simulink 環境下進行了仿真，取得了不錯的效果。不幸的是，對于 Kria KV260 模塊，系統生成器不允許我們進行硬件在環仿真。我們使用 KC705 板為生成的 DNN 制作了 HIL。使用 KV260 仿真和使用 KC705 的 HIL 獲得的結果相似。

如下圖（圖 5）所示創建的 Vivado 項目已成功翻譯并導出到 Vitis。在 Vitis 軟件中，我們甚至無法運行“hello world”項目。Vitis 報告“平臺無法識別。

圖 5. Vivado 模塊設計視圖。

?

在圖中（圖 5）可以觀察到，我們創建了兩個 IP-s，一個與 AXI 兼容，一個沒有 AXI 接口。我們的經驗是，沒有 AXI 接口的設備在 KC705 平臺上工作得更正確。

只是為了在下圖中顯示一個示例，我們展示了 KC705 模塊的結果，因為我們無法在 KV260 上進行 HIL 和測試。

圖 6. 在 FPGA 上計算的估計轉向角與傳統 MPC 和 DNN 模型的仿真結果相比。

?

圖 7. 車輛對估計轉向角的橫向偏差響應：FPGA 和仿真結果的比較。

?

圖 8. 偏航角對估計轉向角的車輛響應：FPGA 和仿真結果的比較。

?

結果

創建的 DNN_tool 可用于實現任何 DNN 網絡，并且可以在 Simulink 中進行測試。模擬、HIL 和實施可以在 FGPA 中完成。

創建的工具可供任何人免費使用。

不幸的是，我們無法在 Kria 板上測試模型預測控制，但可能在不久的將來我們會在 AMD-Xilinx 工作人員的幫助下解決這個問題。

我們面臨的主要問題是如何在不使用 RTL 內核向導的情況下將 DNN MPC 模型集成到 Vitis。

評論

（對于具有高級知識的人）構建一個項目需要多長時間？

答案是：1 小時來訓練和準備 DNN。5 分鐘安裝 DNN 工具并生成 IP。10-20 分鐘通過導入 IP 并進行所有必要的設置來創建 Vivado 項目。5-30 分鐘（取決于 DNN 的大小和優化策略）創建比特流。10 分鐘遷移到 Vitis 并運行項目。30 - 60 分鐘編寫 C 程序并測試結果。

我們花了多長時間構建 DNN 工具并在不同平臺上測試該工具？

答案是：5個月每天工作3-5小時左右。