4. MPC核心原理
模型预测控制（Model Predictive Control, MPC）之所以能在工业过程控制、无人驾驶、机器人运动控制等领域获得广泛应用，其根本原因在于它并非一种单一的控制律，而是一套完整的“预测-优化-校正”闭环决策框架。与PID控制依据当前误差调整输出不同，MPC的核心在于“面向未来做决策”。本章将深入拆解构成MPC灵魂的三大要素：预测模型、滚动时域优化与反馈校正，并结合工程案例说明三者如何协同工作，以及在实际部署中常见的认知误区。
4.1 预测模型：系统动态行为的数学映射
核心原理：预测模型是MPC的基石，它承担着“根据当前状态和历史输入，推算未来一段时间内系统输出”的任务。这个模型不要求是精确的机理模型，可以是传递函数、状态空间方程、阶跃响应系数、甚至神经网络辨识模型。其本质是建立一个从控制输入到被控输出的数学映射关系，使得控制器能够“未卜先知”。
判断方法与建模要点：在实际工程中，选择何种预测模型取决于对系统机理的认知程度和计算资源。以下是常用模型类型的对比：
| 模型类型 | 数学表达 | 适用场景 | 优缺点 |
|---|---|---|---|
| 状态空间模型 | x(k+1)=Ax(k)+Bu(k); y(k)=Cx(k) | 多变量、非线性系统线性化后 | 理论成熟，便于稳定性分析；需已知A/B/C矩阵 |
| 阶跃响应/脉冲响应模型 | y(k)=Σ g_i·Δu(k-i) | 工业过程控制（DMC） | 无需机理模型，直接辨识；但参数多，在线计算量大 |
| ARX/ARMAX模型 | A(q)y(k)=B(q)u(k)+e(k) | 数据驱动场景 | 辨识简单；对非线性系统适应性差 |
| 神经网络/NARX模型 | y(k)=f(y(k-1),...,u(k-d)) | 强非线性、难以机理建模 | 拟合能力强；需要大量数据，外推性需谨慎验证 |
案例拆解（小型场景）：假设我们控制一个直流电机转速，已知其离散状态空间模型为：
x(k+1) = 0.95*x(k) + 0.1*u(k)
y(k) = 1.0*x(k)其中x为转速，u为电压。若当前转速x(k)=1000 RPM，预测未来3步（P=3）且假设未来控制量保持u(k)=u(k+1)=u(k+2)=5V，则预测输出为：
ŷ(k+1) = 0.95*1000 + 0.1*5 = 950.5
ŷ(k+2) = 0.95*950.5 + 0.5 = 903.0
ŷ(k+3) = 0.95*903.0 + 0.5 = 858.4这组预测值将作为后续优化的“靶心”参考。若没有预测模型，控制器只能被动响应误差，无法提前调整电压以抑制转速超调。
4.2 滚动时域优化：有限时域的在线求解
核心原理：滚动时域优化（Receding Horizon Optimization）是MPC区别于传统最优控制（如LQR）的关键。它并非一次性求解全局最优解，而是在每个采样时刻，仅针对当前时刻起未来有限步长（预测时域P和控制时域M）内，求解一个带约束的优化问题。求解完成后，只执行控制序列中的第一个控制量，然后在下一个采样周期，将预测时域整体向前滚动一步，重新求解。
操作流程（标准步骤）：
- 设定时域参数：确定预测时域P（如P=20）和控制时域M（如M=3，且M≤P）。
- 构建目标函数：J(k) = Σ_{i=1}^{P} ‖ŷ(k+i|k) - y_ref(k+i)‖²_Q + Σ_{j=0}^{M-1} ‖Δu(k+j|k)‖²_R，其中Q和R为权重矩阵。
- 明确约束条件：包括控制量幅值约束（u_min ≤ u ≤ u_max）、控制增量约束（Δu_min ≤ Δu ≤ Δu_max）、输出约束（y_min ≤ y ≤ y_max）等。
- 在线求解QP问题：在每个采样周期内，调用二次规划（QP）求解器（如OSQP、qpOASES）计算最优控制增量序列。
- 执行首步控制：将求解出的第一个控制增量Δu(k|k)叠加到当前控制量上，即u(k) = u(k-1) + Δu(k|k)，并施加给被控对象。
实战场景分析：以无人驾驶车辆轨迹跟踪为例，预测时域P=30步（对应3秒），控制时域M=5步。优化目标为：横向偏差最小、航向角偏差最小、转向角变化率最小。约束条件包括：转向角不超过±30°，转向角速率不超过±10°/s。在每个控制周期（50ms），车载控制器求解一次QP问题。由于时域有限，计算量可控，能够满足实时性要求。
4.3 反馈校正：闭环鲁棒性的保障
核心原理：由于预测模型存在失配、外部扰动不可预测，基于开环模型的预测值必然存在偏差。反馈校正机制利用当前时刻的实际测量值y(k)与模型预测值ŷ(k|k-1)之间的误差e(k)，来修正后续的预测输出。最常用的方法是误差反馈补偿：将e(k)直接加到未来预测值上，即ŷ_corrected(k+i|k) = ŷ(k+i|k) + e(k)。
判断方法与实现形式：
- 直接误差补偿：简单有效，适用于模型误差变化缓慢的场景。
- 状态估计器（如Kalman滤波器）：通过估计不可测状态或扰动，更新预测模型的初始状态x(k|k)，从而间接修正预测。这是现代MPC（如状态空间MPC）的标准做法。
- 在线模型修正：根据误差数据实时更新模型参数（如递推最小二乘法），适用于时变系统。
案例拆解（完整闭环）：某温度控制系统中，MPC预测模型基于能量守恒方程建立，但未考虑环境温度波动。某时刻，模型预测下一时刻温度将升至60°C，但实际测量值仅为58°C，误差e(k) = -2°C。此时，反馈校正将未来所有预测值均减去2°C。优化器看到修正后的预测值低于目标值，便会增加加热功率指令。若没有反馈校正，控制器会认为温度已达标而停止加热，导致稳态误差。
| 对比维度 | 无反馈校正（开环MPC） | 有反馈校正（闭环MPC） |
|---|---|---|
| 抗扰动能力 | 弱，扰动累积 | 强，每步修正 |
| 模型失配影响 | 产生稳态误差 | 误差被补偿，稳态无差 |
| 稳定性 | 依赖模型精度 | 鲁棒性显著提升 |
| 实现复杂度 | 低 | 需增加测量与误差计算环节 |
4.4 三大要素的协同机制与常见误区复盘
协同机制：三大要素并非孤立模块，而是形成“预测→优化→校正→再预测”的循环。预测模型提供“前瞻视野”，滚动时域优化提供“最优决策”，反馈校正提供“纠偏能力”。三者缺一不可：无预测则优化无从谈起；无滚动则无法应对时变；无校正则开环预测必然失控。
常见误区总结：
- 误区一：将MPC等同于“查表优化”。实际上，MPC的优化是每步在线求解，而非离线预计算。
- 误区二：忽略约束可行性。当约束过紧或预测时域过长时，QP问题可能无解。工程上需引入松弛变量（Soft Constraint）保证求解器始终有解。
- 误区三：认为反馈校正可以完全替代模型辨识。若模型严重错误（如符号相反），反馈校正无法挽救系统稳定性。
- 误区四：采样周期选择不当。采样过快导致计算来不及，采样过慢则反馈校正滞后。需根据系统动态特性与处理器算力综合权衡。
总结复盘：掌握MPC三大要素，关键在于理解它们各自的角色与边界。预测模型是“基础”，滚动优化是“核心”，反馈校正是“保障”。在实际调试中，建议先离线验证预测模型的准确性，再逐步加入优化与约束，最后调整反馈校正参数。通过本章的解析，希望读者能够建立起对MPC工作机理的立体认知，为后续学习非线性MPC、鲁棒MPC等进阶内容打下坚实基础。