目录一、什么是 MPC二、MPC 的基本流程1 建立系统模型2 预测未来状态3 构建优化目标4 加入约束5 求解优化问题6 只执行第一步三、MPC 的直观理解四、MPC 在机器人中的应用1 机器人轨迹跟踪2 四足机器人控制3 自动驾驶4 无人机控制五、MPC 的优点1 可以处理约束2 可以考虑未来3 可以处理多变量系统六、MPC 的缺点1 计算量大2 需要准确模型七、MPC 在现代机器人中的发展1 Learning MPC2 Sampling MPC3 强化学习结合 MPC八、一个非常简化的 MPC 伪代码九、一句话总结机器人中的MPCModel Predictive Control模型预测控制是一种非常重要的高级控制方法广泛用于机器人运动控制 自动驾驶 无人机控制 ✈️工业过程控制 核心思想是利用系统模型预测未来行为并在每一步优化控制输入。可以把它理解为“看未来、做优化、只执行第一步”的控制方法。一、什么是 MPCModel Predictive Control 是一种基于优化的控制方法。传统控制如 PID当前误差 → 计算控制量 → 执行MPC预测未来状态 → 求解最优控制序列 → 执行第一步核心思想未来规划 实时优化二、MPC 的基本流程每个控制周期都会执行以下步骤1 建立系统模型机器人动力学模型x t 1 f ( x t , u t ) x_{t1} f(x_t, u_t)xt1​f(xt​,ut​)其中x t x_txt​机器人状态位置、速度等u t u_tut​控制输入力、速度、关节力矩2 预测未来状态假设未来N 步t1 t2 t3 ... tN利用模型预测x(t1) x(t2) ... x(tN)3 构建优化目标例如机器人跟踪轨迹J ∑ k 0 N ( x k − x r e f ) 2 λ u k 2 J \sum_{k0}^{N} (x_k - x_{ref})^2 \lambda u_k^2Jk0∑N​(xk​−xref​)2λuk2​含义状态接近目标控制输入不要太大4 加入约束机器人通常有很多限制例如关节角度限制 速度限制 加速度限制 碰撞约束数学形式u m i n ≤ u k ≤ u m a x u_{min} \le u_k \le u_{max}umin​≤uk​≤umax​5 求解优化问题求解最优控制序列 [u0, u1, u2 ... uN]6 只执行第一步只执行u0然后系统进入下一时刻t → t1再次优化。这个过程叫Receding Horizon Control 滚动优化三、MPC 的直观理解想象你开车普通控制看当前偏差 → 调整方向MPC预测未来5秒路径 计算最优方向盘操作 执行第一步 重新规划所以MPC 实时轨迹规划 控制四、MPC 在机器人中的应用1 机器人轨迹跟踪机械臂跟踪 end-effector 轨迹2 四足机器人控制例如步态规划平衡控制很多四足机器人如 MIT Cheetah都使用 MPC。3 自动驾驶MPC 控制方向盘 油门 刹车实现轨迹跟踪 避障4 无人机控制控制姿态 位置 速度五、MPC 的优点1 可以处理约束例如速度限制 关节限制 碰撞限制PID 很难做到。2 可以考虑未来不是只看当前误差。3 可以处理多变量系统机器人通常多输入 多状态MPC 非常适合。六、MPC 的缺点1 计算量大每个控制周期都要解优化问题如果模型复杂可能实时性不足2 需要准确模型如果模型错误预测不准七、MPC 在现代机器人中的发展近年来出现很多新方向1 Learning MPC用神经网络学习模型Neural MPC2 Sampling MPC例如MPPIModel Predictive Path Integral常用于无人机。3 强化学习结合 MPCRL 负责高层 MPC 负责低层控制八、一个非常简化的 MPC 伪代码whilerobot_running:# 当前状态xget_robot_state()# 预测未来predicted_statesmodel_rollout(x)# 求解优化问题u_sequenceoptimize(predicted_states)# 执行第一步控制apply_control(u_sequence[0])九、一句话总结机器人MPC 控制利用系统模型 预测未来状态 实时求解优化问题 滚动执行最优控制本质控制 规划 优化