1. 项目概述从理论到实践的MPC建模全景模型预测控制MPC这个名字在控制领域里听起来既熟悉又有点“高冷”。熟悉是因为它在工业过程控制、机器人、自动驾驶等领域应用太广了高冷则是因为一提到它的建模——离散、连续、线性、非线性——很多刚入门的朋友就开始头疼感觉被一堆数学公式和概念给淹没了。我自己在研究和工程中折腾MPC也有年头了从最基础的线性二次型调节器LQR思维过渡到MPC再到处理各种奇奇怪怪的非线性系统踩过的坑数不胜数。今天我就想抛开那些教科书式的复杂推导直接聊聊核心如何根据你的被控对象选择并实现离散、连续、线性或非线性的MPC模型并用Matlab这把“瑞士军刀”把它给实实在在地跑起来。简单来说MPC的核心思想就三步预测、优化、滚动。在每一个控制周期控制器都根据当前系统状态和一个内部模型预测未来一段时间内系统的行为然后求解一个优化问题计算出一系列最优的未来控制输入最后只实施第一个控制输入到下一个周期再重复这个过程。这个“内部模型”就是一切的基础它长什么样离散还是连续线性还是非线性直接决定了你MPC的预测精度、优化问题的复杂度和最终的控制效果。很多人一上来就直奔代码忽略了模型选择这一步结果要么是控制器性能不达标要么是计算慢得没法用。这篇文章我就结合Matlab带你把这四种模型离散线性、连续线性、离散非线性、连续非线性的建模、实现和注意事项都捋一遍目标是让你看完后能清楚地知道你的项目该用哪种模型以及怎么在Matlab里把它实现出来。2. 核心思路解析为什么模型形态如此关键在动手写任何一行Matlab代码之前我们必须先想明白一个根本问题我为什么要为MPC选择这种特定的模型形式这个选择不是随机的它背后是控制性能、计算负担和工程可实现性之间的权衡。2.1 离散 vs. 连续时间维度的本质差异这可能是第一个需要做出的选择。这里的“离散”和“连续”指的是MPC内部预测模型所采用的时间描述方式。连续时间模型通常由微分方程描述例如dx/dt f(x, u)。它认为系统状态在任何时刻都在连续变化。这种模型形式非常自然尤其适用于从第一性原理如牛顿定律、电路方程推导出的系统模型。它的优势在于物理意义清晰模型精度在理论上可以非常高。但是计算机无法直接处理连续时间MPC的在线优化求解器如QP、NLP求解器本质上是数值迭代算法必须在离散的时间点上进行计算。离散时间模型则由差分方程描述例如x(k1) f(x(k), u(k))。它只关心系统在采样时刻k, k1, ...的状态。这正是数字控制器的运作方式每隔一个固定的采样周期Ts控制器读取一次传感器数据计算一次控制量并输出。因此离散时间模型天然与数字控制器的实现方式相匹配。绝大多数实际的MPC实现其内部预测模型都是离散时间的。那么我们如何处理一个本质是连续的系统呢答案是离散化。这是将连续时间微分方程转化为离散时间差分方程的过程。Matlab提供了丰富的工具来做这件事比如c2d函数。选择离散化方法如零阶保持ZOH、一阶保持FOH、双线性变换Tustin等和采样周期Ts本身就是一门学问。Ts太小计算负担激增Ts太大则会丢失系统动态细节甚至导致离散后系统不稳定。实操心得对于大多数工程应用我的建议是从离散时间模型开始。先根据被控对象的带宽比如系统最快响应时间的1/5到1/10确定一个合理的采样周期Ts。如果你的被控对象模型最初是连续的用c2d函数将其离散化。这能让你最直观地设计预测时域N步对应 N*Ts 秒和控制时域并且后续的优化问题构建会更直接。2.2 线性 vs. 非线性复杂度与性能的博弈这是另一个核心抉择对计算复杂度的影响是数量级的。线性模型意味着系统的动态方程f(x, u)是状态x和控制输入u的线性函数。例如x(k1) A*x(k) B*u(k)。线性MPC的优化问题通常可以转化为一个二次规划QP问题。QP问题是凸优化问题存在非常成熟、快速且可靠的求解算法如内点法、有效集法。Matlab的quadprog或者更高效的专用工具箱如MPC Toolbox背后的求解器可以毫秒级地求解中等规模的问题。线性MPC的优点是计算速度快、稳定性理论完善、实现相对简单。只要你的系统在工作点附近近似线性线性MPC往往是最优的工程选择。非线性模型则用于描述那些动态特性随状态或输入显著变化的系统。例如机器人动力学、化学反应过程、航空航天器的姿态动力学等。非线性MPCNMPC的内部模型是x(k1) f(x(k), u(k))其中f是非线性函数。这导致其优化问题是一个**非线性规划NLP**问题。NLP的求解要困难得多计算量巨大可能是QP的几十上百倍、可能存在局部最优解、对初值敏感、实时性挑战大。那么什么时候必须用非线性模型呢主要有两种情况1.系统工作范围很宽线性模型在整个范围内误差太大无法保证控制性能甚至稳定性。2.被控目标或约束本身是非线性的。例如你的控制目标是让机器人末端执行器走一条特定的曲线轨迹这本身就是状态空间的非线性路径。避坑指南不要盲目追求NMPC。它的实现和调试难度远高于线性MPC。一个非常有效的策略是线性化。围绕一个或多个典型工作点对非线性模型进行线性化Matlab的linearize函数或手动求雅可比矩阵得到局部线性模型。然后可以设计多个线性MPC控制器或者采用增益调度Gain-Scheduling策略。这能在很大程度上兼顾性能和实时性。只有当你验证了线性MPC确实无法满足要求时再考虑踏入NMPC的领域。3. 四类MPC模型的Matlab实现路径详解明确了思路我们进入实战环节。我会分别阐述四种模型组合在Matlab中的典型实现路径并提供关键代码思路和注意事项。3.1 离散线性模型MPC最主流、最成熟的方案这是工业应用的绝对主流。你的模型形式是x(k1) A*x(k) B*u(k),y(k) C*x(k) D*u(k)。实现路径一使用Matlab MPC Toolbox最快上手这是最推荐新手和快速原型开发使用的方法。% 1. 定义离散时间线性状态空间模型 Ts 0.1; % 采样时间 A [1 Ts; 0 1]; % 示例双积分器模型 B [0.5*Ts^2; Ts]; C [1 0]; D 0; plant ss(A, B, C, D, Ts); % 2. 创建MPC控制器对象 mpcobj mpc(plant, Ts); % 默认使用plant的Ts % 3. 设置控制器参数 mpcobj.PredictionHorizon 20; % 预测时域 mpcobj.ControlHorizon 5; % 控制时域 mpcobj.Weights.ManipulatedVariables 0.1; % 控制输入权重 mpcobj.Weights.OutputVariables 1; % 输出误差权重 % 4. 设置约束 mpcobj.MV.Min -1; mpcobj.MV.Max 1; mpcobj.OV.Min -10; mpcobj.OV.Max 10; % 5. 使用 simulate 或 mpcmove 进行仿真或在线控制注意事项MPC Toolbox 内部自动将模型转换为用于QP求解的增量形式并处理了状态估计默认使用Kalman滤波器等细节。对于多输入多输出MIMO系统它能极大地节省你的开发时间。但它的“黑箱”特性也意味着你对底层优化问题的定制能力有限。实现路径二手动构建QP问题并用quadprog求解深入理解如果你想完全掌控或者有特殊的需求如自定义成本函数可以手动构建。% 假设已定义 A, B, Q, R, N预测时域 x0当前状态 % 构建预测矩阵通过迭代模型 [H, f, Aeq, beq, Aineq, bineq] buildMPCQP(A, B, Q, R, N, x0, ...); % 调用QP求解器 options optimoptions(quadprog, Display, off); [U_opt, fval, exitflag] quadprog(H, f, Aineq, bineq, Aeq, beq, [], [], [], options); % 提取第一个控制量 u0 U_opt(1:nu) 施加给系统这里的buildMPCQP函数需要你自己编写其核心是根据预测模型将未来N步的状态和输入用当前状态和未来输入序列表示出来从而将MPC优化问题最小化状态和输入的加权二次型转化为标准的QP形式min 0.5*U*H*U f*U。这个过程涉及矩阵的堆叠是理解MPC原理的关键一步。3.2 连续线性模型MPC理论分析与连续设计你有一个连续模型dx/dt Ac*x Bc*u但最终还是要离散化来实现。不过有时我们会在连续时间域设计MPC求解连续时间优化问题以获得理论性质如稳定性证明然后再离散化用于实现。在Matlab中更常见的流程是获得连续模型sys_c ss(Ac, Bc, Cc, Dc)。选择合适的采样时间Ts和离散化方法得到离散模型sys_d c2d(sys_c, Ts, zoh)。针对sys_d设计离散MPC如3.1节所述。为什么强调连续模型因为很多物理系统的建模自然就是连续的。你需要确保离散化后的模型能足够好地近似原连续系统动态。用step或bode函数对比sys_c和sys_d是关键检查步骤。3.3 离散非线性模型MPC进入挑战区当你的模型是x(k1) f_nonlinear(x(k), u(k))时你就进入了NMPC的领域。Matlab中主要有两种实现方式方式一使用非线性MPC工具箱Simulink/Model Predictive Control Toolbox从R2018b开始Matlab提供了nlmpc对象。这是目前相对最友好的方式。% 创建非线性MPC对象 nx 2; nu 1; ny 1; nlobj nlmpc(nx, ny, nu); % 指定预测模型函数需要你自行编写 nlobj.Model.StateFcn myDiscreteStateFcn; % x(k1) f(x(k), u(k)) % 如果输出不是全部状态还需要指定输出函数 % nlobj.Model.OutputFcn myOutputFcn; % 设置时域和权重 nlobj.Ts Ts; nlobj.PredictionHorizon 10; nlobj.ControlHorizon 2; nlobj.Weights.ManipulatedVariables 0.1; nlobj.Weights.OutputVariables 1; % 设置约束 nlobj.MV.Min -1; nlobj.MV.Max 1; % 验证模型函数 x0 [0; 0]; u0 0; validateFcns(nlobj, x0, u0); % 非常重要检查函数接口是否正确 % 在循环中调用 nlmpcmove 进行求解myDiscreteStateFcn是你需要定义的函数文件。NMPC的求解器如SQP会在每个周期调用这个函数来进行预测和梯度计算。方式二使用优化工具箱Optimization Toolbox手动求解NLP对于完全自定义的问题你可以使用fmincon。% 定义NLP的目标函数和约束函数 costFunc (U) myNMpcCost(U, x0, N, myDiscreteStateFcn, Q, R); nonlcon (U) myNMpcConstraints(U, x0, N, myDiscreteStateFcn); % 设置初始猜测和边界 U0 zeros(N*nu, 1); lb -1 * ones(N*nu, 1); ub 1 * ones(N*nu, 1); % 调用fmincon options optimoptions(fmincon, Algorithm,sqp, Display,off); [U_opt, fval] fmincon(costFunc, U0, [], [], [], [], lb, ub, nonlcon, options);这种方式最灵活但你需要手动编写目标函数myNMpcCost通常包含从U序列仿真预测状态并计算代价和非线性约束函数myNMpcConstraints调试起来更复杂。核心难点与技巧计算速度NMPC慢。务必尽量减小预测时域N和控制时域。使用更高效的求解器如nlmpc默认的或代码生成Simulink Coder能提升实时性。初始猜测NLP求解对初始值敏感。一个好的策略是使用上一时刻优化解的整体平移去掉第一个补上一个合理的末尾值作为当前时刻的初始猜测warm start。模型精度与实时性的平衡有时用一个计算更快的近似非线性模型比如简化版动力学比用高保真模型但降低N更有效。3.4 连续非线性模型MPC理论与实现的桥梁这是最一般的形式dx/dt f_nonlinear_continuous(x, u)。在Matlab中实现本质上需要解决两个问题连续动力学仿真和连续时间优化。标准流程连续模型离散化 离散NMPC这是最实用的工程路径。你有连续模型f_nonlinear_continuous。采用数值积分方法如ode45, ode4(定步长Runge-Kutta)对你的连续模型进行离散化。例如在预测函数myDiscreteStateFcn中function x_next myDiscreteStateFcn(x, u) % x: 当前状态 u: 当前输入 Ts 0.1; % 与控制器采样时间一致 [~, x_traj] ode45((t, x) f_nonlinear_continuous(x, u), [0 Ts], x); x_next x_traj(end, :); % 取积分终值作为下一时刻状态 end然后将这个离散化后的模型函数myDiscreteStateFcn用于3.3节所述的离散NMPC框架中无论是nlmpc还是fmincon。关键考量离散化积分器的精度和速度需要权衡。高精度积分小步长、高阶方法模型准但慢。在NMPC中这个积分会在优化迭代中被调用成千上万次。通常使用固定步长的积分方法如4阶Runge-Kutta比变步长的ode45更受欢迎因为它计算时间确定且可以在代码生成中更好地优化。另一种思路直接连续时间优化一些高级研究工具箱如ACADO, CasADi支持直接对连续时间最优控制问题进行离散化并求解。这在Matlab原生环境中较为复杂通常需要借助第三方工具或手动实现配点法如直接配点法Dircol。对于绝大多数工程应用“连续模型离散化 离散NMPC”的路径已经足够且更易于实现和调试。4. 模型选择与实现的决策流程图与实操检查清单面对一个具体项目如何选择我总结了一个简单的决策流程你的被控对象模型是什么本质是线性的或可在工作点线性化- 优先考虑线性模型。强非线性且工作范围宽/目标非线性- 必须考虑非线性模型。你的控制器如何执行必然是数字计算机/微处理器- 最终必须使用离散时间模型进行预测和优化。结合1和2线性 离散首选方案。用MPC Toolbox或手动QP实现。适用于绝大多数工业过程、飞行器姿态控制小角度、线性伺服系统等。线性 连续主要用于理论分析和连续设计实现时仍需离散化。可作为线性离散路径的中间步骤。非线性 离散NMPC的典型路径。用nlmpc或fmincon实现。适用于机器人、自动驾驶车辆、化工反应器、航空航天器大机动等。非线性 连续理论最一般形式实现时通过数值积分转化为非线性离散路径。适用于从第一性原理出发的精确仿真和高级算法研究。Matlab实操检查清单在动手编码前对照这个清单可以避免很多后续麻烦[ ]模型确认你的状态空间模型A,B,C,D或非线性函数f是否正确用开环仿真测试过吗[ ]采样时间Ts是否基于系统动态合理选择是否满足香农采样定理尝试不同Ts看离散化效果c2d后对比波特图或阶跃响应。[ ]预测时域N是否足够长以“看到”系统主要动态通常覆盖系统阶跃响应的主要过渡过程时间。[ ]控制时域Nu是否小于等于N较小的Nu能降低优化变量维度加快计算。[ ]权重矩阵Q,R是否经过初步调节Q对应状态误差惩罚R对应控制量惩罚。从对角线小数值开始试。[ ]约束输入、输出、状态约束是否合理是否过紧导致优化问题不可行[ ]求解器设置对于QP/NLP求解器选项如最大迭代次数、容忍度是否设置得当对于NMPC是否使用了warm start[ ]闭环仿真在施加扰动和噪声的情况下控制器是否依然稳定性能是否达标5. 从仿真到部署常见问题与性能调优实录即使模型和代码都正确第一次闭环仿真也常常会失败。下面是我遇到的一些典型问题及解决思路。问题1线性MPC仿真不稳定或性能差可能原因A模型不准。这是最常见的原因。检查你的(A,B)矩阵。即使是简单的双积分器模型如果B矩阵的符号错了控制器就会向错误方向使劲。排查做开环测试。给一个小的控制输入看模型仿真输出的方向是否符合物理直觉。可能原因B预测时域N太短。控制器“目光短浅”只优化了眼前几步没考虑到后续动态导致短视行为。调优逐步增加N观察控制效果变化。通常会有一个性能提升的拐点过了之后计算量增加但性能改善不大。可能原因C权重Q和R设置不当。R相对于Q太大控制器过于“懒惰”不愿出力R太小则控制量可能剧烈抖动。调优采用归一化思想。将状态误差和控制量缩放到相近的数量级然后从Q1, R1开始调节。优先调节R找到控制量平滑与响应速度的平衡点再微调Q中不同状态的相对权重。问题2NMPC求解器报错如“不可行”、“求解失败”可能原因A初始猜测太差。NLP求解器从一个很差的点开始无法收敛。解决实施warm start。如果不行尝试用上一时刻的状态通过一个简单的控制器如PD生成一个粗略的控制序列作为初始猜测。可能原因B约束过紧或不一致。约束之间可能存在矛盾使得没有解能满足所有条件。排查先放松所有约束让控制器能运行起来。然后逐步收紧约束观察在哪个约束下开始出现不可行问题。检查状态约束和输出约束是否与模型动态本身冲突例如要求一个惯性很大的系统瞬间达到某个状态。可能原因C模型函数或约束函数有数值问题。例如出现除零、NaN或Inf。解决在自定义的myDiscreteStateFcn和约束函数中加入数值保护如饱和、平滑近似。使用validateFcns函数仔细检查。问题3计算时间过长无法满足实时性要求优化措施A降低问题维度。这是最有效的方法。减小预测时域N和控制时域Nu。有时将Nu设为2或3就能在性能损失很小的情况下大幅提速。优化措施B简化模型。在NMPC中考虑使用计算更快的简化模型。例如在车辆控制中使用自行车模型而非复杂的多体动力学模型。优化措施C使用更高效的求解器或代码生成。Matlab的nlmpc在R2020b后性能有提升。对于最终部署考虑使用 Simulink Coder 将 NMPC 控制器生成 C/C 代码在专用硬件上运行。优化措施D改变控制架构。如果NMPC实在无法满足实时性退而求其次采用线性变参数LPVMPC或者在不同工作区域设计多个线性MPC进行切换。问题4离散化导致的性能损失现象针对连续模型设计的控制器离散化后性能下降甚至不稳定。分析采样时间Ts太大或者离散化方法选择不当导致离散模型不能保持连续模型的某些特性如稳定性、频率响应。解决减小Ts但会增加计算负担。尝试不同的离散化方法。‘zoh’零阶保持最常用‘tustin’双线性变换/塔斯廷能保持频率响应特性更好。用c2d函数多试几种对比bode图。直接在离散域设计控制器。如果系统最终是离散的就以离散模型为对象进行MPC设计避免连续-离散转换带来的误差。一个具体的调优案例倒立摆摆动起摆这是一个典型的非线性控制问题。最初我使用完整的非线性模型做NMPC求解速度很慢。后来我分析发现在起摆的大部分阶段摆角较大但速度并不快。我尝试用一个在多个摆角点线性化的模型集设计了一个增益调度的线性MPC。具体做法是以摆角为调度变量在-pi, -pi/2, 0, pi/2, pi等点进行线性化设计多个线性MPC控制器。在线运行时根据当前摆角插值出控制器的参数。这样控制器的计算速度比NMPC快了一个数量级成功实现了实时起摆控制。这个案例说明不要被“非线性”吓住巧妙的线性化策略往往是工程上更优的解。最后我想分享的一点个人体会是MPC是一个强大的框架但它的威力来自于准确的模型。花在建模和模型验证上的时间往往比调试控制器参数的时间更有价值。在Matlab里多利用sim、lsim、step这些函数做开环仿真用bode、nyquist分析频率特性确保你的“预测水晶球”内部模型是清晰的你的MPC控制器才能做出正确的决策。从简单的线性离散模型开始跑通整个流程再逐步增加复杂度是学习MPC最稳妥的路径。