MPC 是 模型预测控制 的缩写，它是一种先进的控制策略，尤其在处理多变量、有约束的复杂系统时表现出色。它广泛应用于化工过程、自动驾驶、机器人、航空航天和能源管理等领域。

一、核心思想：用“预测”来做决策

你可以把 MPC 想象成一个非常谨慎和聪明的司机在开车：

1. 看路况（预测）：司机不会只盯着眼前几米，而是会看向远方的一段路（例如未来5秒、10秒的路况），预测如果保持当前方向盘角度和油门，车子会走一条什么样的轨迹。
2. 规划最佳路径（优化）：司机会在大脑里模拟几种不同的操作方案（比如方向打多一点或少一点，油门踩深一点或浅一点），然后计算出哪一套操作方案能让车最平稳、最安全、最省油地沿着车道中心行驶。
3. 执行第一步：司机不会一次性执行完所有规划好的操作，而是只执行第一步（比如轻微转动一下方向盘）。
4. 重复过程：执行完第一步后，车子来到了一个新的位置。司机再次看向远方，基于新的当前位置重新预测、重新规划，然后执行新的第一步。如此循环往复。

MPC 控制器就是在电脑里完美复现了这个“预测-优化-执行”的循环过程。

二、MPC 的工作原理分步解析

MPC 的控制周期包含以下关键步骤：

1. 建立模型

   • MPC 的核心是“模型”。这个模型是一个数学方程，用于描述被控对象的动态特性。它能够预测系统在未来一段时间内，在给定的控制输入下，会如何变化。
   • 模型类型：可以是简单的线性模型（如状态空间模型、传递函数），也可以是复杂的非线性模型。线性模型计算效率高，非线性模型更精确但计算复杂。

2. 预测未来

   • 在每个控制时刻 k，控制器会测量或估算出系统的当前状态 x(k)。
   • 然后，控制器利用内部的模型，预测系统在未来一段有限时间（称为预测时域）内的行为。这个预测是基于一组假设的未来控制动作序列 u(k), u(k+1), ..., u(k+N-1) 做出的。

3. 求解优化问题

   • 控制器有一个明确的控制目标（例如，让系统输出 y 紧紧跟随期望的设定值 r，同时控制动作 u 不能变化太剧烈）。
   • 这些目标被转化成一个数学的代价函数（通常是二次型函数）。例如：
     J = Σ [ (y(k+i) - r(k+i))² + λ * (u(k+i) - u(k+i-1))² ]
     （第一项惩罚跟踪误差，第二项惩罚控制量的变化，λ 是权重系数）
   • 约束是 MPC 的另一大优势。优化问题可以包含各种约束，例如：
     • 控制输入约束：u_min ≤ u(k) ≤ u_max （油门/方向盘有极限位置）
     • 状态约束：x_min ≤ x(k) ≤ x_max （温度不能超限，液位不能溢出）
     • 输出约束：y_min ≤ y(k) ≤ y_max
   • 控制器通过求解一个在线优化问题，找到未来控制序列中能使代价函数最小的那一组序列。

4. 实施第一个控制动作

   • 优化求解后，会得到一序列最优的未来控制输入：[u*(k), u*(k+1), ..., u*(k+N-1)]。
   • MPC 采用 “滚动时域” 策略：只取这个序列的第一个值 u*(k) 施加到实际被控对象上。
   • 为什么只取第一个？因为模型不可能完美无缺，现实世界存在各种干扰。在下一步，我们会用新的测量值来修正预测，使控制更鲁棒。

5. 重复循环

   • 在下一个采样时刻 k+1，控制器读取新的系统状态 x(k+1)（这包含了模型误差和未知干扰的影响）。
   • 整个“预测-优化-执行”过程基于这个新状态重新开始，预测时域也向前滚动一步。

下图直观地展示了 MPC 的滚动优化原理：

三、MPC 的主要优点

1. 处理约束能力：这是 MPC 相比传统控制方法（如 PID）最突出的优点。它能够显式地、直接地将各种物理限制考虑到控制算法中。
2. 前瞻性/预测性：因为它能预测未来的系统行为，所以可以“防患于未然”，提前做出动作，响应通常比反馈控制更平滑、更快速。
3. 适用于多变量系统：MPC 天然适合处理多输入多输出系统，能够很好地处理变量之间的耦合关系。
4. 控制性能优异：通过精心设计代价函数，可以实现各种复杂的控制目标。

四、MPC 的主要挑战

1. 计算负担重：核心挑战在于每个控制周期都需要在线求解一个（可能是非凸的）优化问题。这对控制器的计算能力要求很高。
2. 依赖模型精度：控制效果严重依赖于内部模型的准确性。如果模型不准，预测就会失真，控制效果会大打折扣（虽然滚动优化有一定的鲁棒性）。
3. 参数整定复杂：需要整定的参数较多，如预测时域长度、控制时域长度、代价函数中的权重系数等。

举例：自动驾驶汽车路径跟踪

• 被控对象：汽车。
• 模型：描述方向盘角度、油门与车辆位置、速度、航向之间关系的动力学模型。
• 状态：车辆的位置 (x, y)、速度、航向角等。
• 输入：方向盘转角、油门/刹车。
• 输出：车辆的实际路径。
• 目标：让车辆沿着一条期望的路径行驶。
• 约束：
  • 输入约束：方向盘转角有最大范围，油门/刹车有极限。
  • 状态约束：不能冲出车道线（即位置约束）。
• 工作流程：车辆每秒测量一次自身状态，MPC 控制器预测未来几秒如果打某个方向会走到哪里，然后优化计算出一个最优的方向盘操作序列，确保车不压线且跟踪平滑，最后只执行第一步（打一个很小的角度）。下一秒，重复这个过程。

总结

MPC 是一种基于模型、利用在线滚动优化来求解当前最优控制动作的高级控制算法。它最核心的魅力在于其能够显式地处理多变量和约束问题，通过预测未来行为来实现优异控制性能。 随着计算能力的不断提升，MPC 的应用正从传统的慢速过程工业扩展到像自动驾驶这样的快速动态系统中。