4. 基础回顾：运动控制进阶——MPC（模型预测控制）原理
说到运动控制，大家可能首先想到PID。PID确实经典，但有个硬伤——它只看当下误差，不看未来。你想想看，一个高速移动的机器人，如果只根据当前偏差去调整，很容易出现超调或者震荡。我个人在早期做AGV（自动导引车）项目时，就被这个问题折磨过。
后来接触了MPC（模型预测控制），才算是打开了新世界的大门。MPC的核心思想很简单：基于模型预测未来，滚动优化当前动作。说白了，就是走一步看三步，甚至看十步。
MPC 的核心三要素：
- 预测模型：用数学描述系统未来的行为
- 滚动优化：在每个控制周期重新计算最优解
- 反馈校正：用实际测量值修正模型偏差
4.1 为什么运动控制需要MPC？
我举个例子你就明白了。假设你开一辆车，要沿着一条弯道行驶。PID的做法是：看到车偏左了，就往右打方向；看到偏右了，就往左打。结果就是方向盘来回晃，车身走S形。
MPC的做法是：提前看到前方弯道的曲率，计算出未来几秒内最优的方向盘角度序列，然后只执行第一步。到了下一个时刻，重新计算。这样开出来的轨迹，平滑又精准。
在导航调参中，MPC的优势尤其明显：
- 处理约束：可以显式限制速度、加速度、转向角，避免执行器饱和
- 预见性控制：提前响应路径变化，减少滞后
- 多变量协调：同时控制线速度和角速度，天然解耦
我的经验： 在差速轮机器人上，MPC比PID的跟踪误差能降低40%-60%。但代价是计算量大了不少，选控制器的时候要权衡。
4.2 MPC的数学框架
别被公式吓到，MPC的数学其实很直观。我们一步步拆解。
4.2.1 预测模型
首先，我们需要一个描述机器人运动的模型。对于移动机器人，最常用的是运动学模型：
// 差速轮运动学模型（离散时间形式）
x(k+1) = x(k) + v(k) * cos(θ(k)) * dt
y(k+1) = y(k) + v(k) * sin(θ(k)) * dt
θ(k+1) = θ(k) + ω(k) * dt其中：
x, y：机器人位置θ：朝向角v：线速度（控制输入）ω：角速度（控制输入）dt：采样时间
有了这个模型，我们就可以从当前状态出发，预测未来N步的状态。这个N叫做预测时域（Prediction Horizon）。
4.2.2 优化问题
MPC在每个控制周期，都要解一个优化问题。目标函数通常长这样：
min J = Σ (状态误差^2) + Σ (控制量^2) + Σ (控制增量^2)
k=0..N-1约束条件：
- v_min ≤ v(k) ≤ v_max
- ω_min ≤ ω(k) ≤ ω_max
- a_min ≤ (v(k+1)-v(k))/dt ≤ a_max
- 初始状态 = 当前实际状态
这个优化问题，说白了就是：在满足物理约束的前提下，找一组控制输入，让未来轨迹尽可能贴近参考路径。
注意： 我曾经在一个项目中，把预测时域设得太长（50步），结果控制器计算超时，机器人直接停了。后来缩短到15步，效果反而更好。时域长度不是越长越好，要根据硬件算力和系统动态特性来选。
4.3 MPC的工作流程
我习惯用这张图来理解MPC的循环过程：
这个循环在每个控制周期都会执行一次。你想想看，这意味着什么？意味着控制器永远在用最新的状态信息做决策，天然具有鲁棒性。
4.4 MPC vs PID：一个直观对比
为了让你更清楚两者的区别，我整理了一个对比表：
| 特性 | PID | MPC |
|---|---|---|
| 控制原理 | 基于当前误差反馈 | 基于模型预测未来 |
| 约束处理 | 无法显式处理 | 天然支持 |
| 多变量协调 | 需要解耦设计 | 统一优化 |
| 计算量 | 极低 | 较高（需在线优化） |
| 跟踪精度 | 中等 | 高（尤其弯道） |
| 调参难度 | 3个参数（P/I/D） | 多个参数（权重、时域等） |
| 适用场景 | 低速、简单轨迹 | 高速、复杂轨迹 |
我的建议： 如果你的机器人速度低于0.5m/s，路径也比较简单，PID完全够用。但如果你要做高速导航（比如1m/s以上），或者路径曲率变化大，MPC是更好的选择。我在一个仓储机器人项目里，从PID切换到MPC后，过弯速度从0.3m/s提升到了0.8m/s，而且没有侧滑。
4.5 实际调参中的坑
MPC虽然强大，但调参确实比PID复杂。我踩过不少坑，分享几个典型的：
- 预测时域太短：控制器变得短视，跟PID差不多，失去了MPC的优势
- 控制时域太长：优化变量太多，求解慢，而且控制序列后半段基本没用
- 权重设置不合理：如果状态误差权重太大，控制量会剧烈变化；如果控制量权重太大，跟踪会滞后
- 模型失配：运动学模型忽略了轮胎打滑、惯性等，导致预测不准
避坑指南： 我曾经在一个项目中，模型参数标定有误差，导致MPC预测的轨迹和实际轨迹偏差越来越大。后来我在每个控制周期加入了状态估计器（卡尔曼滤波），用实际测量值修正模型状态，问题就解决了。记住：MPC的预测模型再好，也离不开反馈校正。
4.6 小结
MPC的核心思想其实不复杂：用模型看未来，用优化找最优，用滚动保实时。它把运动控制问题变成了一个带约束的优化问题，这在导航调参中非常实用。
嗯，这一节的内容就到这里。你只要理解了MPC的预测-优化-滚动这个循环，后面讲导航调参与MPC的协同优化时，就会轻松很多。