Controle Preditivo com Garantia de

Estabilidade Nominal e Factibilidade para

Sistemas Embarcados
Bruno A. Santana ∗,∗∗ Márcio A.F. Martins ∗
Thiago P. das Chagas ∗∗
∗
Programa de Pós-Graduação em Mecatrônica (PPGM), Universidade
Federal da Bahia, BA, (e-mail: brunoaguiar 94@hotmail.com,
marciomartins@ufba.br).
∗∗
Laboratório de Mecatrônica, Universidade Estadual de Santa Cruz,
BA, (e-mail: tpchagas@uesc.br)

Abstract: This work presents an implementation of a predictive controller with nominal stabil-
ity guarantee and feasibility, evaluating the alternating direction method of multipliers (ADMM)
to solve the control problem. The controller is applied to a fast dynamic electromechanical system
and the results obtained from the simulated scenarios indicate that the proposal is feasible for
an embedded application.
Resumo: Este trabalho apresenta uma implementação de um controlador preditivo com
garantia de estabilidade nominal e factibilidade, avaliando o método dos multiplicadores com
direções alternadas (ADMM) para solucionar o problema de controle. O controlador é aplicado
a um sistema eletromecânico de dinâmica rápida e os resultados obtidos a partir dos cenários
simulados indicam que a proposta é viável para uma aplicação embarcada.

Keywords: Predictive control; Embedded; Nominal stability; Feasibility; ADMM.

Palavras-chaves: Controle preditivo; Embarcado; Estabilidade nominal; Factibilidade; ADMM.

1. INTRODUÇÃO quando o sistema sofre perturbações severas. Geralmente,

O controle preditivo baseado em modelo (MPC, do inglês
Model Predictive Control ) consiste em uma estratégia de
controle avançado que compreende uma ampla gama de
algoritmos, com grande aceitação na indústria por ser uma
técnica capaz de lidar com sistemas de dinâmica complexa,
além de permitir tratar restrições nas entradas e saı́das do
processo. De modo geral, os algoritmos de MPC diferem
entre si quanto à forma como as predições são calculadas,
na função objetivo a ser minimizada, no procedimento para
manipular as restrições e no cálculo da ação de controle.
Uma propriedade desejável em qualquer estratégia de con-
trole é a sua estabilidade em malha fechada. Com isso,
o ajuste dos parâmetros de sintonia do controlador so-
mente estará relacionado ao desempenho do sistema. Esta
propriedade é de grande importância, visto que a insta-
bilidade na prática pode ocasionar graves acidentes em
plantas industriais. Uma forma de garantir a estabilidade
nominal em controladores preditivos é a adoção de um
horizonte de predição infinito (Rossiter, 2003), que pode
seguir a abordagem por custo e restrições terminais (Muske
and Rawlings, 1993) ou conjuntos terminais invariantes
(Afonso and Galvão, 2012). Uma caracterı́stica comum às
diferentes abordagens é que o problema de otimização do
MPC deve permanecer viável para a garantia de estabili-
dade, o que nem sempre ocorre quando há conflito entre as
restrições impostas ao problema, que pode decorrer, por
exemplo, de grandes variações nas referências, ou ainda,
duas soluções podem ser adotadas: i) o aumento do hori-
zonte de controle; ii) uso de variáveis de folga para relaxar
as restrições.
Tradicionalmente, o MPC foi restrito a processos com di-
nâmicas lentas e com tempos de amostragem na ordem de
minutos, como os encontrados nas áreas de petroquı́micas
e refinarias de petróleo. No entanto, com o avanço dos al-
goritmos de otimização, como a abordagem explı́cita para
problemas de MPC de pequena escala (Alessio and Bem-
porad, 2009), ponto interior adaptado (Wang and Boyd,
2010), conjuntos ativos (Ferreau et al., 2008) ou métodos
de operador de partição (Stathopoulos et al., 2016), as
aplicações de MPC estenderam-se a problemas da indús-
tria automotiva, robótica, eletrônica de potência etc., onde
as escalas de tempo estão na faixa de milissegundos ou
mesmo microssegundos (Beccuti et al., 2013; Besselmann
and Morari, 2009; Borelli et al., 2006). Tais aplicações
são designadas comumente de MPC embarcado, em que
plataformas computacionais menores e mais baratas tem
sido o alvo preferencial (Jones et al., 2012). Essa tendência
impõe maiores limitações de memória e processamento,
logo exigem o uso de métodos de otimização eficientes e
dedicados.
Seguindo a abordagem de MPC embarcado, Lima et al.
(2013b) propuseram um protótipo de baixo custo direci-
onado a processos de pequeno e médio porte. O software
do controlador MPC foi desenvolvido em Python (Ziadé,
2008), e a biblioteca de otimização convexa CVXOPT foi
utilizada para calcular as ações de controle. No entanto, Considerando-se um sistema com nu entradas e n y saı́das,
devido à natureza interpretada da linguagem Python, que o modelo em espaço de estados discreto utilizado na
geralmente leva mais tempo para executar um programa formulação do controlador é apresentado em (1) e (2).
do que implementações em linguagens como C ou C++, Este modelo está na forma incremental das entradas e
tal protótipo é aplicável somente a sistemas de dinâmica possui ação integral, responsável pela eliminação do erro
lenta. Em contrapartida, Lima et al. (2013a) implementa- em regime estacionário.
ram um MPC em tempo real aplicado a um helicóptero
de laboratório, que apresenta dinâmica rápida, utilizando
x s (k + 1)
¸· s
D0
· ¸ · ¸ · ¸
programação multiparamétrica. O cálculo da lei de con- I n y 0 x (k)
= + ∆u(k) (1)
trole demandou carga computacional moderada, com duas x d (k + 1) 0 F x d (k) Dd F N
ordens de grandeza menor que o perı́odo de amostragem
¤ x s (k)
· ¸
utilizado.
y(k) = I n y Ψ
£
d (2)
x (k)
Apesar dos avanços na literatura de MPC embarcado,
pouco é abordada a questão da estabilidade nominal e da onde
¤∆£ ¤T
factibilidade em aplicações de tempo real, que são aspec- x s = x 1s x 2s . . . x ns y , x s ∈ Rn y
£
(3)
tos de grande importância conforme citado anteriormente. correspondem aos estados integradores introduzidos pela
Jones et al. (2012) apresentam uma ferramenta de gera- forma incremental,
ção automática de código de otimização para problemas ¤∆h d iT
d
x d = x 1,1,1 . . . x ns y,nu,na ,
£
de MPC embarcado, nomeada de FORCES, fornecendo x 1,1,2
garantia de estabilidade e factibilidade em aplicações de
tempo real, em uma escala de tempo de milissegundos.
A garantia de estabilidade é alcançada através da cha- x s ∈ Cnd (4)
mada restrição Lyapunov, enquanto que a factibilidade correspondem aos estados estáveis do sistema,
da solução é garantida com uma técnica que utiliza a  0
d 1,1 ... 0
d 1,nu

solução subótima do instante de amostragem anterior. No ∆ . .. ..
D0 =   , D 0 ∈ Rn y×nu

entanto, uma solução inicial viável é exigida para garantir  .. . .  (5)
a factibilidade com a técnica proposta. d n0 y,1 0
. . . d nu,n y
Neste trabalho propõe-se uma implementação de um con- 
d 1,1,1

trolador preditivo de horizonte infinito (IHMPC) esten- 0 ... 0
dido, em que variáveis de folga são utilizadas para garantir ∆
 0 d 1,1,2 . . . 0 
Dd =  . . . ,

a factibilidade do problema de otimização. Ainda assim,  .. .. . .. .. 
as propriedades de uma função de Lyapunov são mantidas
0 0 . . . d n y,nu,na
no controlador, preservando a estabilidade nominal. Para
solucionar o problema de otimização online resultante, D d ∈ Cnd ×nd (6)
adota-se o método dos multiplidadores com direções alter-
nadas (ADMM, do inglês Alternating Direction Method of  r T 
Multipliers), pertencente à classe dos métodos de operador e 1,1,1 0 ... 0
de partição. O controle de um sistema eletromecânico 0 e r 1,1,2 T ... 0
 
∆ 
com perı́odo de amostragem na ordem de milissegundos F =
 .. .. .. .. ,
 . . . .

é simulado, mostrando que o ADMM calcula a ação de

controle até 12 vezes mais rápido que o solver quadprog 0 0 . . . e r n y,nu,na T
do MATLAB. Os resultados indicam que a configuração F ∈ Cnd ×nd (7)
proposta é viável de ser implementada em uma aplicação
de tempo real, para o controle de sistemas de dinâmica 
J1

rápida.
J 
∆ 2 
O artigo está organizado como segue. Na seção 2, N =  .  , N ∈ Rnd ×nu (8)
 .. 
apresenta-se a formulação do IHMPC estendido. Na se-
ção 3, o ADMM é apresentado e modelado para o pro- Jn y
blema de programação quadrática do IHMPC. Na seção  
4, os resultados de simulação são apresentados e discuti- 1 0 ... 0
. . .
dos, comparando-se o desempenho do controlador com o  .. .. . . ... 

ADMM e o solver quadprog do MATLAB. As conclusões
 
 1 0 . . . 0
são apresentadas na seção 5.
 
∆ . . . ..  nu·na×nu
Ji =  .
. . . . . . , J ∈ R (9)
2. LEI DE CONTROLE PREDITIVO  0 0 . . . 1
 
NOMINALMENTE ESTÁVEL  .. .. . . .. 
 
. . . .
0 0 ... 1
Nesta seção, o IHMPC proposto por Odloak (2004) é apre-
sentado, aplicável a sistemas lineares com polos estáveis. 
Φ ... 0

Este controlador apresenta propriedades estabilizantes e ∆. .
garantia de factibilidade, o que motivou sua escolha para Ψ =  .. . . . ..  , Ψ ∈ Rn y×nd (10)
a implementação proposta. 0 ... Φ
 ∆£ A restrição do problema (17) pode ser incorporada na
Φ = 1 1 . . . 1 , Φ ∈ Rnu·na
¤
(11)
função objetivo, utilizando para isso o Lagrangiano au-
Os coeficientes di0, j , did, j ,1 , ... , did, j ,na podem ser calculados a mentado:
ρ
partir da expansão em frações parciais e r i , j , r i , j ,1 , ... r i , j ,na L ρ (x, z, ψ) = f (x)+g (z)+ψT (Aa x+Ba z−c)+ ||Aa x+Ba z−c||22
2
são os polos (distintos) do sistema. (18)
A função custo do MPC de horizonte infinito para um onde ρ é chamado de parâmetro de penalidade. Este
sistema de tempo discreto, com garantia de factibilidade, penaliza a violação das restrições do problema, tornando-
pode ser escrita como: se um parâmetro de sintonia.
m
2
||y(k + j |k) − y sp − δ y,k ||Q + ||x d (k + m|k)||Q̄
2
X
Vk = O ADMM consiste, então, nas seguintes iterações:
j =0
m−1
(12)
||∆u(k + j |k)||2R + ||δ y,k ||2S xk+1 := argmin L ρ (xk , zk , ψk ) (19)
X
+
j =0
sujeito a
zk+1 := argmin L ρ (xk+1 , zk , ψk ) (20)
x s (k + m|k) − y sp − δ y,k = 0 (13)
∆u(k + j |k) ∈ U j = 0, ..., m − 1. (14)
ψk+1 := ψk + ρ(Aa xk+1 + Ba zk+1 − c) (21)
−∆u max ≤ ∆u(k + j |k) ≤ ∆u max


 ∆u(k + j |k) = 0, j ≥ m

Boyd et al. (2011) apresentam a prova de convergência do
U= j (15)
algoritmo ADMM, mostrando que as seguintes condições
∆u(k + i |k) ≤ u max
P
 u mi n ≤ u(k − 1) +


i =0 são satisfeitas:
• convergência residual: r k → 0 se k → ∞;
onde Q̄ ∈ Cnd ×nd é o peso associado ao custo terminal,
• convergência do objetivo: f (xk )+g (zk ) → p∗ se k → ∞,
obtido a partir da solução da equação discreta de Lya-
punov (16). A restrição terminal de igualdade (13) deve onde p∗ é o ponto ótimo primal;
• convergência da variável dual: ψk → ψ∗ se k → ∞,
ser imposta para anular o efeito dos estados integradores
artificiais criados pela forma incremental do modelo. Para onde ψ∗ é o ponto ótimo dual;
suavizar esta restrição, nota-se a presença da variável de assumindo f e g funções próprias, convexas e fechadas.
folga δ y,k , garantindo assim a factibilidade do controlador. Além disso, considera-se que o Lagrangiano associado tem
um ponto de sela e que o resı́duo é definido por:
Q̄ = ΨT QΨ + F T Q̄F (16)
rk = Aa xk+1 + Ba zk+1 − c (22)
3. MÉTODO DOS MULTIPLICADORES COM
DIREÇÕES ALTERNADAS 3.2 Formulação do ADMM para o IHMPC

A classe dos métodos de operador de partição (OSM) com- Como visto na seção 2, o IHMPC é formulado como um
preendem um amplo conjunto de esquemas conceituais, problema de programação quadrática, sujeito a restrições
que decompõem um problema de otimização em subpro- de igualdade e desigualdade. Portanto, para que o pro-
blemas mais simples, e os solucionam para encontrar a blema seja solucionado com o ADMM, deve-se reformular
solução global. Apesar de tais métodos tradicionalmente o problema de otimização para que atenda à forma padrão
serem aplicados a problemas de grande escala, avanços (17) exigida pelo método.
recentes os tornaram uma alternativa competitiva a outros
Considere o problema geral de programação quadrática da
algoritmos de otimização quando se trata de controle em-
forma:
barcado (Ferreau et al., 2017). Na classe do OSM, tem-se 1
o algoritmo ADMM, destacando-se por ser um algoritmo min xT Hx + CTf x + c (23)
x 2
simples, mas capaz de se adaptar a diversos problemas de
otimização convexa. Por isso, o ADMM tem sido utilizado sujeito a:
com frequência em aplicações de MPC (O’Donoghue et al., Aeq x = beq
2013; Peccin et al., 2018; Raghunathan and Cairano, 2014), Ain x ≤ bin
sendo escolhido neste trabalho para solucionar o problema
de otimização resultante do IHMPC. onde H é uma matriz simétrica positiva definida, x ∈ Rn ,
Aeq ∈ Rm×n , beq ∈ Rm , Ain ∈ Rp×n , bin ∈ Rp .
3.1 Formulação padrão
Um problema geral de programação quadrática pode ser
O algoritmo ADMM resolve problemas do tipo: reduzido sempre a uma forma padrão mediante à intro-
dução de variáveis de folga (z). Portanto, tem-se que o
min f (x) + g (z)
x, z
(17) problema (23) é equivalente a:
s.a. Aa x + Ba z = c 1 T
min x Hx + CTf x + c (24)
x 2
com x ∈ Rn , z ∈ Rm , Aa ∈ Rp×n , Ba ∈ Rp×m , c ∈ Rp e f e g
sendo funções convexas. sujeito a:
 Aeq x − beq = 0 controlada é a velocidade de rotação (em rotações por
Ain x − bin + z = 0 minuto) do eixo do motor, enquanto a variável manipulada
z≥0 é a tensão aplicada. Para o acionamento do motor e lei-
tura do encoder, foi utilizado o microcontrolador Arduino
onde z ∈ Rp . Mega (Banzi, 2008), com perı́odo de amostragem de 16
milissegundos. Já na identificação do modelo matemático,
Para incorporar a restrição de desigualdade de (24) na utilizou-se o toolbox System Identification do MATLAB,
função objetivo, utiliza-se uma função indicadora para a partir de um conjunto de amostras com dados de ten-
aplicar uma penalidade infinita nas componentes negativas são e velocidade do sistema. Então, obteve-se a função
de z. Dessa maneira, obtém-se a forma padrão do ADMM, de transferência de tempo contı́nuo com um polo estável
possuindo somente restrições de igualdade: apresentada em (26), sendo esta o modelo que melhor se
ajustou aos dados experimentais.
min f (x) + I + (z) (25) 124.5
x,z G(s) = (26)
s + 13.71
sujeito a:
Ap x + Ĩz − Bp = 0 Para avaliar o desempenho do controlador proposto com o
ADMM, recorreu-se a simulações em MATLAB, realizando
onde uma comparação com o solver quadprog (utilizando o
1 método de ponto interior). O parâmetro de penalidade
f (x) = xT Hx + CTf x + c,
½2
(ρ ) do ADMM foi definido em 1 × 10−4 , as tolerâncias
0, se z ≥ 0 dos resı́duos de ambos os métodos definidas em 1 × 10−6
I + (z) = e o número máximo de iterações em 200. As restrições
∞, se z < 0,
associadas à entrada do sistema são definidas na tabela
Ap = [Aeq Ain ]T ,
1, contendo os limites máximo e mı́nimo do esforço de
Bp = [beq bin ]T , controle e do incremento das ações de controle, enquanto
Ĩ = [0m Ip ]T . os parâmetros de sintonia do controlador são apresentados
na tabela 2.
Para um problema na forma (25), as expressões (19) e (20) Tabela 1. Restrições da entrada do sistema.
possuem solução analı́tica, que podem ser consultadas em
(Peccin et al., 2018). Dessa maneira, chega-se ao algoritmo Variável manipulada Mı́n (volts) Máx (volts)
1 do ADMM para o problema do IHMPC, que está na Atuador 0 12
forma escalonada. Os parâmetros ∈pri e ∈dual representam 4Atudador -1 1
as tolerâncias dos resı́duos, que são definidas como critérios
ψ Tabela 2. Parâmetros de sintonia do controla-
de parada do algoritmo, enquanto φ = corresponde à dor.
ρ
variável dual escalonada. Variável Valor
Qy 100
Algorithm 1 ADMM para IHMPC Sy 100000
Entrada: H, CTf , Ap , Bp , x0 factı́vel R 1
m 5
Saı́da: x
Dados: ρ > 0, φ0 = 0, ∈pri > 0, ∈dual > 0, kmax
A primeira simulação realizada corresponde ao caso nomi-
1: H̃ = H + ATp ρ Ap ; nal, onde o modelo utilizado pelo controlador é o ideal,
-1 com os resultados ilustrados nas figuras de 1 a 5. O con-
2: armazena H̃ ;
0
3: z = −Ap x + Bp ; trolador apresenta desempenho satisfatório com ambos os
4: k ← 0; métodos de otimização, como é visto na figura 1, atingindo
5: while k < k max do regime permanente em 12 intervalos de amostragem e um
6: b̃ = CTf + ρ ATp (zk + φk − Bp ); sobressinal de aproximadamente 2,5%.
-1
7: xk+1 := −H̃ b̃; O esforço de controle é ilustrado na figura 2, mostrando
8: zk+1 := max(−Ap xk+1 + Bp − φk , 0); que a solução do problema de controle com ambos os méto-
9: φk+1 := φk + Ap xk+1 − Bp + zk+1 ; dos são muito semelhantes, fazendo com que os resultados
se sobreponham no gráfico. Mesmo havendo uma pequena
10: if ||Ap xk+1 − Bp + zk+1 || ≤ ∈pri and ||ρ ATp (zk+1 −
k
diferença, cada método possui sua precisão, e a restrição
z )|| ≤ ∈dual then da entrada foi respeitada com ambos os métodos, uma vez
11: return; que o esforço de controle não ultrapassou 12 volts.
12: end if
13: k = k + 1; Na figura 3 é apresentada a função custo (12) associada
ao controlador. Nota-se que esta é uma curva assintotica-
mente decrescente, caracterizando de fato uma função de
4. RESULTADOS Lyapunov. Já na figura 4, apresenta-se o comportamento
da variável de folga durante a simulação. Nota-se que seu
O sistema eletromecânico utilizado neste trabalho consis- uso é necessário durante as mudanças de referência, garan-
tiu de um motor de corrente contı́nua, cuja velocidade tindo assim a factibilidade do problema, além de preservar
é obtida através de um encoder incremental. A variável as propriedades estabilizantes do controlador. Em regime
Figura 1. Desempenho da saı́da controlada.
Figura 2. Variável manipulada.
Figura 3. Função de custo.
estacionário a variável de folga converge para zero, uma vez
que a referência é atingida. É possı́vel perceber também
que a variável de folga é menos utilizada no ADMM, o
que pode ser explicado por este método já incluir variáveis
de folga em sua formulação, conforme a seção 3.2, o que
suaviza ainda mais as restrições do problema.
Na figura 5 apresenta-se a quantidade de iterações por
intervalo de amostragem de cada método de otimização.
Figura 4. Variável de folga.
Figura 5. Iterações por intervalo de amostragem.
Pode-se notar que o método de ponto interior da quadprog
apresenta carga computacional relativamente constante,
que é uma caracterı́stica já conhecida desse método. O
ADMM apresenta um número elevado de iterações durante
as mudanças de referência, atingindo o máximo definido
na simulação. No entanto, a medida em que o sistema se
aproxima do regime permanente o número de iterações
é reduzido. Mesmo com este comportamento, o ADMM
mostra vantagem sobre a quadprog, pois suas iterações
são muito mais rápidas, como pode ser visto nos dados da
tabela 3. Nota-se que em média o ADMM é aproximada-
mente 12 vezes mais rápido que a quadprog. Nos cálculos
da média e do desvio padrão, as primeiras cinco amostras
de tempo de ambos os métodos foram desconsideradas, por
conta do carregamento das variáveis na memória definidas
na simulação.
Tabela 3. Tempo por intervalo de amostragem.
Variável ADMM Quadprog
Média 0.0011 s 0.0137 s
Desvio padrão 0.0017 s 0.0029 s
Para testar a robustez do controlador, que diz respeito
à sua capacidade de substituir qualquer efeito indesejado
quando ocorre uma incompatibilidade no modelo do pro-
cesso, foi realizada uma simulação aplicando tal desasso-
ciação (mismatch) no modelo, empregando a função de

Figura 6. Desempenho da saı́da controlada com mismatch.
120
transferência G(s) = no controlador. Neste caso, o
s + 12
filtro de Kalman (Welch and Bishop, 1995) foi usado para
estimar os estados do sistema antes da realimentação ao
controlador, sintonizando-se os ganhos do observador em
Q kalman = I 2×2 e R kalman = 1. O desempenho obtido sob
este cenário é ilustrado na figura 6, percebendo-se que
há um leve aumento no sobressinal e nos instantes de
amostragem necessários para atingir regime permanente,
no entanto, um bom desempenho ainda é mantido. Nota-se
ainda que não há erro de regime permanente, em virtude
da formulação do controlador possuir ação integral. Já o
tempo médio por intervalo de amostragem para o cenário
de mismatch é apresentado na tabela 4, onde percebe-
se que há um aumento na média de tempo do ADMM,
enquanto seu desvio padrão diminui, pois o número de
iterações manteve-se elevado durante toda a simulação.
Na quadprog a média mantém-se inalterada, aumentando
somente o desvio padrão.
Tabela 4. Tempo por intervalo de amostragem
(mismatch).
Variável ADMM Quadprog
Média 0.0045 s 0.0137 s
Desvio padrão 0.0001 s 0.0037 s
Por fim, como a implementação proposta visa uma aplica-
ção embarcada, deve-se analisar a viabilidade de uso dos
métodos de otimização com o perı́odo de amostragem do
sistema, configurado em 16 milissegundos. Considerando
que a variável segue uma distribuição normal, tem-se que
cerca de 49,85% dos valores estão contidos no intervalo
definido pela média mais três desvios padrão. Aplicando
essa regra ao pior caso observado (mismatch), o ADMM
tem alta probabilidade em apresentar tempo de até 4,8
milissegundos para solucionar o problema de controle, mas
esse tempo ainda é menor do que o perı́odo de amostragem
do sistema. Já a quadprog, considerando a mesma regra,
tem uma alta probabilidade de apresentar tempo de até
24,8 milissegundos por intervalo de amostragem, o que
inviabilizaria seu uso na aplicação de tempo real. Neste
contexto, considerando que o desempenho do controlador
com ambos os métodos de otimização foi similar, o ADMM
apresenta-se como a melhor solução para a aplicação em-
barcada, devido ao seu tempo de execução mais rápido.
5. CONCLUSÃO
Neste trabalho o método dos multiplicadores com direções
alternadas foi avaliado para solucionar o problema de oti-
mização de uma lei de controle preditivo com garantia de
estabilidade e factibilidade. O controlador foi aplicado a
um sistema eletromecânico com perı́odo de amostragem
de 16 milissegundos. Tanto para o caso nominal quanto
para o caso de mismatch, o ADMM mostrou-se uma boa
opção para uma aplicação embarcada, já que apresenta
alta probabilidade de que seu tempo médio de execução
seja menor do que o perı́odo de amostragem do sistema.
Além disso, este método apresentou tempo de execução
aproximadamente 12 vezes mais rápido do que o solver
quadprog do MATLAB. Uma vez que a viabilidade de
implementação foi analisada sob simulação, os testes ex-
perimentais com o sistema embarcado são propostos como
trabalho futuro, já estando em fase de execução. Além
disso, uma reformulação do ADMM para o IHMPC pode
ser explorada, a fim de reduzir o esforço computacional.
AGRADECIMENTOS
O presente trabalho foi realizado com apoio da Coorde-
nação de Aperfeiçoamento de Pessoal de Nı́vel Superior -
Brasil (CAPES) - Código de Financiamento 001.
REFERÊNCIAS
Afonso, R. and Galvão, R. (2012). Uso de conjuntos
terminais parametrizados para tratamento de problemas
de não-factibilidade em controle preditivo. Controle e
Automação, 23(6), 653–666.
Alessio, A. and Bemporad, A. (2009). A survey on explicit
model predictive control. Nonlinear model predictive
control, 345–369.
Banzi, M. (2008). Getting Started with Arduino. Make
Books - Imprint of: O’Reilly Media, Sebastopol, CA.
Beccuti, A., Kvasnica, M., Papafotiou, G., and Morari, M.
(2013). A decentralized explicit predictive control para-
digm for parallelized dc-dc circuits. IEEE Transactions
on Control Systems Technology, 21(1), 136–148.
Besselmann, T. and Morari, M. (2009). Autonomus vehi-
cle steering using explicit lpv-mpc. European control
conference, 2628–2633.
Borelli, F., Bemporad, A., Fodor, M., and Hrovat, D.
(2006). An mpc/hybrid system approach to traction
control. IEEE Transactions on Control Systems Tech-
nology, 14(3), 541–552.
Ferreau, H., Almér, S., Verschueren, R., Diehl, M., Frick,
D., Domahidi, A., Jerez, J., Stathopoulos, G., and
Jones, C. (2017). Embedded optimization methods for
industrial automatic control. IFAC-PapersOnline, 50,
13194–13209.
Ferreau, H., Bock, H., and Diehl, M. (2008). An online
active set strategy to over come the limitations of
explicit mpc. International Journal of Robust and
Nonlinear Control, 18(8), 816–830.
Jones, C., Domahidi, A., Morari, M., Richter, S., Ullman,
F., and Zeilinger, M. (2012). Fast predictive control:
real-time computation and certification. In IFAC Non-
linear Model Predictive Control Conference, volume 45,
23–27.
Lima, D.D.S., Yoneyama, T., and Galvão, R.K.H. (2013a).
Controle preditivo explı́cito aplicado a um helicóptero
de laboratório. In Simpósio Brasileiro de Automação
Inteligente (SBAI).
Lima, D.M., da Costa, M.V.A., and Normey-Rico, J.E.
(2013b). A flexible low cost embedded system for
model predictive control of industrial processes. In 2013
European Control Conference (ECC), 1571–1576. doi:
10.23919/ECC.2013.6669339.
Muske, K. and Rawlings, J. (1993). Linear model predic-
tive control of unstable processes. Journal of Processes
Control, 3(2), 85–96.
Odloak, D. (2004). Extended robust model predictive
control. AIChE Journal, 50, 1824–1836.
O’Donoghue, B., Stathopoulos, G., and Boyd, S. (2013). A
splitting method for optimal control. IEEE Transactions
on Control Systems Technology, 21(6), 2432–2442.
Peccin, V., Lima, D., Flesch, C., and Normey-Rico, J.
(2018). Implementação de gpc e dmc para sistemas
rápidos usando admm. In Congresso Brasileiro de
Automática (CBA).
Raghunathan, A. and Cairano, S. (2014). Infeasibility
detection in alternating direction method of multipliers
for convex quadratic programs. 53rd IEEE Conference
on Decision and Control, 5819–5824.
Rossiter, J. (2003). Model-based predictive control: a
practical approach. CRC Press.
Stathopoulos, G., Shukla, H., Szucs, A., Pu, Y., and
Jones, C. (2016). Operator splitting methods in control.
Foundations and Trends(R) in Systems and Control,
3(3), 249–362. doi:10.1561/2600000008.
Wang, Y. and Boyd, S. (2010). Fast model predictive
control using online optimization. IEEE Transactions
on control systems technology, 18, 267–278.
Welch, G. and Bishop, G. (1995). An introduction to the
kalman filter.
Ziadé, T. (2008). Expert Python Programming. Packt
Publishing.