机器人中的 MPC（Model 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 MPC

Model 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：

$$x_{t+1}=f(x_t,u_t)$$

其中：

• $x_t$：机器人状态（位置、速度等）
• $u_t$：控制输入（力、速度、关节力矩）

---

2 预测未来状态

假设未来 N 步：

t+1
t+2
t+3
...
t+N

利用模型预测：

x(t+1)
x(t+2)
...
x(t+N)

---

3 构建优化目标

例如机器人跟踪轨迹：

$$J=\sum _{k=0}^N(x_k-x_{ref}{)}^2+\lambda u_k^2$$

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：

$$u_{min}\le u_k\le u_{max}$$

---

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 → t+1

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 MPC

---

2 Sampling MPC

例如：

MPPI

（Model Predictive Path Integral）

常用于无人机。

---

3 强化学习结合 MPC

RL 负责高层
MPC 负责低层控制

---

八、一个非常简化的 MPC 伪代码

while robot_running:

    # 当前状态
    x = get_robot_state()

    # 预测未来
    predicted_states = model_rollout(x)

    # 求解优化问题
    u_sequence = optimize(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