1. 从“预测”到“控制”MPC的核心思想与价值在工业控制、机器人、自动驾驶这些领域里我们常常面临一个经典难题系统当前的状态是已知的我们想让它未来达到某个目标但系统本身有惯性、有延迟外部还有各种干扰。如果只盯着当前误差像传统的PID控制器那样猛打方向盘或者猛踩油门结果往往是系统剧烈震荡或者反应迟钝达不到理想效果。这就好比开车你不能只盯着车头离车道线的距离你得提前看远方的路况预判弯道然后平顺地转动方向盘。模型预测控制Model Predictive Control, MPC就是这套“老司机”的控制哲学在数学和算法上的实现。MPC这个名字听起来很高深但它的核心思想非常直观利用一个描述系统动态行为的“模型”来预测未来一段时间内系统的走势然后基于这个预测求解一个优化问题计算出当前最优的控制动作最后只实施第一个控制动作到下一个时刻重复这个过程。这种“滚动优化”的策略让它能天然地处理多变量、有约束比如执行器的物理极限、状态的安全范围的复杂控制问题。这也是为什么从化工过程到智能汽车MPC都备受青睐。那么这个核心的“模型”就成了MPC的灵魂。模型选得好不好直接决定了预测的准确性进而影响控制性能。标题里提到了“离散、连续、线性或非线性”这恰恰点出了MPC建模中最关键的选择题。很多刚接触MPC的朋友会在这里犯晕我的系统到底该用哪种模型在Matlab里又该怎么实现这篇文章我就结合自己多年的仿真和工程调试经验带你彻底理清这几种模型的内在逻辑、适用场景并手把手展示在Matlab中从零搭建的完整过程。你会发现选择哪种模型不是一个随意的决定而是基于你对系统认知深度和计算资源权衡的结果。2. 模型四象限离散/连续与线性/非线性的本质辨析在深入代码之前我们必须先建立一个清晰的认知框架。模型的两个基本属性时间域离散 vs. 连续和动态特性线性 vs. 非线性构成了一个四象限。理解它们是正确建模的第一步。2.1 时间域的抉择离散与连续模型这关乎我们如何看待时间。在数字控制器计算机、PLC中控制律最终都是在离散的时间点上执行的比如每0.01秒计算一次。但这不影响我们用连续或离散的模型来描述系统。连续时间模型认为时间是连续流动的。通常用微分方程组来描述。例如一个简单的质量-弹簧-阻尼系统m * x(t) c * x(t) k * x(t) F(t)。这里的t是连续变量。这种模型更贴近物理世界的本质尤其是当系统动态变化极快或者我们进行理论分析时连续模型非常直观。离散时间模型认为时间是一系列等间隔的“快照”。用差分方程来描述。将上面的连续模型以采样时间Ts进行离散化例如使用前向欧拉法可能得到x(k1) A * x(k) B * u(k)。这里的k代表第k个采样时刻。离散模型直接对应数字控制器的实现是算法设计的最终落脚点。核心选择逻辑如果你的被控对象本质是连续的如机械运动、电路且你拥有其精确的物理方程那么从连续模型开始是自然的。但最终为了在计算机上实现MPC几乎总是需要将连续模型离散化。因此一个常见的工作流是建立连续模型 - 离散化 - 用于MPC设计。也有直接使用离散模型如基于系统辨识得到的ARX模型进行MPC设计的情况这多见于过程控制领域。2.2 动态特性的鸿沟线性与非线性模型这关乎系统响应的“规矩”程度是MPC复杂度的分水岭。线性模型满足叠加性和齐次性。简单说如果你把输入加倍输出也加倍两个输入同时作用的效果等于它们分别作用的效果之和。状态空间形式x(k1) A * x(k) B * u(k)就是典型的线性离散模型。线性MPC的优化问题通常是凸的二次规划QP求解速度快、可靠有成熟的工业求解器。非线性模型不满足上述性质。描述它的函数f(x, u)是非线性的例如x(k1) f(x(k), u(k))其中f可能包含三角函数如机器人关节角度、乘法项如流体流量与浓度的乘积、指数项等。非线性MPCNMPC的优化问题通常是非凸的求解难度大、耗时长但能更精确地描述复杂系统。核心选择逻辑这是最容易踩坑的地方不要盲目追求非线性模型。线性模型是你的首选。在以下情况才考虑非线性模型系统工作范围很宽线性模型只在某个平衡点附近有效。如果你的设定值变化范围很大例如无人机从悬停到高速飞行一个线性模型无法覆盖全程。非线性效应主导性能例如化学反应中的阿伦尼乌斯方程指数温度关系、机器人学中的科里奥利力与速度乘积相关这些非线性项如果被忽略控制器性能会严重下降甚至不稳定。你有足够的计算资源NMPC的在线计算量可能是线性MPC的数十倍甚至上百倍。一个极其重要的工程技巧是线性化。对于许多非线性系统我们可以在期望的运行轨迹参考轨迹上通过计算雅可比矩阵得到一系列时变的线性模型线性变参数模型LPV或者在一个平衡点处得到一个固定的线性模型。这常常是工程实践中性价比最高的方案。3. 实战在Matlab中构建四大类预测模型理论说再多不如动手写一行代码。我们以两个经典系统为例在Matlab中构建这四类模型。假设我们的目标是通过力F控制一个小车的位置p和速度v。小车质量m1受到粘滞阻尼b0.1。3.1 连续线性模型物理方程的起点这是最经典的起点。根据牛顿第二定律m * dv/dt F - b * v。我们定义状态向量x [p; v]控制输入u F。 则连续时间状态空间方程为dx/dt A_c * x B_c * u其中A_c [0, 1; 0, -b/m] [0, 1; 0, -0.1]B_c [0; 1/m] [0; 1]在Matlab中我们可以这样定义m 1.0; b 0.1; A_cont [0 1; 0 -b/m]; B_cont [0; 1/m]; C_cont [1 0; 0 1]; % 假设我们观测所有状态 D_cont [0; 0]; sys_cont ss(A_cont, B_cont, C_cont, D_cont); % 创建连续时间状态空间模型这个sys_cont对象就是我们的连续线性预测模型。你可以用step(sys_cont)或lsim(sys_cont)来验证它的开环动态。3.2 离散线性模型为数字控制做准备MPC需要在离散时间域进行预测。我们需要将连续模型离散化。选择采样时间Ts是关键一般需要比系统最快动态快5-10倍。假设Ts 0.1秒。Ts 0.1; sys_disc c2d(sys_cont, Ts, zoh); % ‘zoh’代表零阶保持适用于大多数情况 [A_disc, B_disc, C_disc, D_disc] ssdata(sys_disc);现在A_disc和B_disc就定义了我们的离散预测模型x(k1) A_disc * x(k) B_disc * u(k)。这是线性MPC最常用的模型形式。你可以对比A_cont和A_disc理解离散化带来的变化。3.3 连续非线性模型引入更真实的物理现在假设小车在一个斜面上运动重力分量带来了非线性。设斜面角度为theta重力加速度g9.81。动力学方程变为m * dv/dt F - b*v - m*g*sin(theta)注意这里sin(theta)是一个非线性项。我们仍然定义x [p; v; theta]但theta可能也是时变的。为简化假设theta是已知的时变参数theta(t)。那么连续非线性模型可以写成一个函数function dxdt nonlinear_cont_model(t, x, u, params) % x [position; velocity; theta] % u force F % params: struct with m, b, g p x(1); v x(2); theta x(3); % 或者从外部参数传入 F u; m params.m; b params.b; g params.g; dpdt v; dvdt (F - b*v - m*g*sin(theta)) / m; dthetadt 0; % 假设theta不变或根据另一个动力学方程计算 dxdt [dpdt; dvdt; dthetadt]; end这个函数dxdt f(t, x, u)就是我们的连续非线性预测模型。它将被用于数值积分如ode45来进行未来预测。3.4 离散非线性模型NMPC的直接原料对于NMPC我们通常直接使用离散形式的非线性模型。这可以通过对连续模型进行数值积分一个采样周期来获得。一种简单的方法是使用欧拉法x(k1) x(k) Ts * f(x(k), u(k))对应的Matlab函数可能是function x_next nonlinear_disc_model(x, u, Ts, params) % 使用前向欧拉法进行离散化 x_next x Ts * nonlinear_cont_model(0, x, u, params); % 时间t在此模型中未显式使用 end注意欧拉法可能精度不够对于刚性或快速系统可能需要更高阶的方法如龙格-库塔法来进行“一步离散化”。这个nonlinear_disc_model函数就是NMPC求解器中需要的预测模型。4. 模型如何嵌入MPC问题优化问题的构建有了预测模型我们来看它如何被用到MPC那个核心的“滚动优化”问题中。一个标准的MPC问题在每个时刻k求解如下优化问题最小化代价函数 JJ Σ_{i0}^{N-1} [ (x(ki|k) - x_ref)^T * Q * (x(ki|k) - x_ref) (u(ki|k) - u_ref)^T * R * (u(ki|k) - u_ref) ] (x(kN|k) - x_ref)^T * P * (x(kN|k) - x_ref)满足约束x(ki1|k) f_model( x(ki|k), u(ki|k) )(预测模型)x_min x(ki|k) x_maxu_min u(ki|k) u_maxΔu_min Δu(ki|k) Δu_max其中N是预测时域x(ki|k)是基于k时刻信息预测的ki时刻的状态。f_model就是我们上一节构建的模型。对于线性MPC使用离散线性模型f_model就是A_disc * x B_disc * u。此时整个优化问题是一个二次规划QP因为代价函数是二次的约束除了模型等式都是线性的而模型等式本身就是线性等式约束。Matlab的Model Predictive Control Toolbox主要就是处理这类问题可以自动生成QP并调用求解器。对于非线性MPC使用离散非线性模型f_model是那个非线性函数nonlinear_disc_model。这使得优化问题变成了非线性规划NLP。求解NLP要困难得多常用方法包括序列二次规划SQP或内点法。Matlab的Model Predictive Control Toolbox从R2018b开始也提供了nlmpc对象来支持NMPC设计。一个关键技巧连续模型在优化中的使用即使在NMPC中我们使用离散非线性模型进行预测但在设计阶段我们常常需要基于连续模型进行线性化来设计终端代价矩阵P或分析稳定性。P矩阵通常通过求解一个代数黎卡提方程得到而这个方程依赖于线性化后的系统矩阵(A, B)。5. Matlab工具箱实战从线性MPC到非线性MPC我们分别用Matlab内置工具箱来实现线性和非线性MPC看看模型是如何被集成的。5.1 使用mpc对象实现线性MPC假设我们已经有了离散线性模型sys_disc。% 1. 创建MPC控制器对象 prediction_horizon 20; control_horizon 5; mpc_controller mpc(sys_disc, Ts, prediction_horizon, control_horizon); % 2. 配置控制器参数 % 设置代价函数权重 mpc_controller.Weights.OutputVariables [1, 0.5]; % 对应状态[p; v]的权重 mpc_controller.Weights.ManipulatedVariables 0.1; % 控制力F的权重 mpc_controller.Weights.ManipulatedVariablesRate 0.01; % 控制力变化率的权重 % 设置约束 mpc_controller.ManipulatedVariables.Min -10; mpc_controller.ManipulatedVariables.Max 10; mpc_controller.ManipulatedVariables.RateMin -5; mpc_controller.ManipulatedVariables.RateMax 5; mpc_controller.OutputVariables(1).Min -Inf; % 位置下限 mpc_controller.OutputVariables(1).Max Inf; % 位置上限 mpc_controller.OutputVariables(2).Min -2; % 速度下限 mpc_controller.OutputVariables(2).Max 2; % 速度上限 % 3. 运行仿真 T_sim 10; time 0:Ts:T_sim; r [ones(length(time),1), zeros(length(time),1)]; % 参考信号位置为1速度为0 [y, t, u] sim(mpc_controller, T_sim/Ts, r);在这个流程中mpc函数内部已经将我们提供的sys_disc模型作为预测模型自动构建了QP问题并在每个采样步进行求解。我们只需要关心性能指标权重和约束。5.2 使用nlmpc对象实现非线性MPC对于斜面小车非线性模型我们使用nlmpc。% 1. 定义状态、输出、输入数量 nx 3; % 状态数: p, v, theta ny 2; % 输出数: p, v (我们可能不直接控制或观测theta) nu 1; % 输入数: F % 2. 创建非线性MPC控制器对象 nlobj nlmpc(nx, ny, nu); % 3. 配置基本参数 nlobj.Ts Ts; nlobj.PredictionHorizon 15; nlobj.ControlHorizon 3; % 4. 指定预测模型函数 nlobj.Model.StateFcn (x, u) nonlinear_disc_model(x, u, Ts, params); % 指定输出函数通常状态的前ny个就是输出 nlobj.Model.OutputFcn (x, u) x(1:2); % 5. 配置代价函数和约束 nlobj.Weights.OutputVariables [1 0.5]; nlobj.Weights.ManipulatedVariables 0.1; nlobj.Weights.ManipulatedVariablesRate 0.01; nlobj.ManipulatedVariables.Min -10; nlobj.ManipulatedVariables.Max 10; nlobj.OutputVariables(1).Min -Inf; nlobj.OutputVariables(1).Max Inf; nlobj.OutputVariables(2).Min -2; nlobj.OutputVariables(2).Max 2; % 6. 验证模型和控制器函数重要步骤 validateFcns(nlobj, rand(nx,1), rand(nu,1)); % 7. 运行闭环仿真需要自定义仿真循环因为nlmpc没有像mpc那样简单的sim函数 x0 [0; 0; pi/6]; % 初始状态位置0速度0斜面30度 u0 0; ref [1, 0]; % 参考位置1参考速度0 [~, ~, info] nlmpcmove(nlobj, x0, u0, ref); % info结构体包含求解出的最优控制序列等信息。完整的仿真需要一个for循环在每个时刻调用nlmpcmove。使用nlmpc的关键在于正确提供Model.StateFcn和Model.OutputFcn。这两个函数就是我们的离散非线性预测模型。nlmpcmove内部会调用非线性规划求解器如fmincon来求解优化问题。务必进行validateFcns验证可以提前发现函数接口或雅可比矩阵计算中的错误。6. 避坑指南模型选择与实现中的常见陷阱在实际项目中模型相关的坑往往比算法本身更多。这里分享几个我踩过的坑和总结的经验。陷阱一离散化方法选择不当导致预测失准c2d函数有多种方法zoh (零阶保持)、foh (一阶保持)、tustin (双线性变换)、matched (零极点匹配)等。对于MPCzoh 是最常用的因为它假设控制输入在采样周期内保持恒定这与数字控制器的输出特性一致。但如果你的被控对象对输入信号的平滑性要求极高或者采样周期相对较大foh 或 tustin 可能更准确。务必在开环仿真中对比不同离散化方法下模型的阶跃响应选择最接近连续模型的那个。陷阱二线性化点选择错误导致线性MPC性能恶化线性模型只在平衡点附近有效。如果你的系统需要跟踪一个大幅变化的轨迹一个固定点的线性模型会很快失效。解决方案增益调度针对几个不同的工作点分别设计线性MPC控制器然后根据当前状态切换。LPV-MPC将系统建模为线性变参数模型参数是系统状态的函数如theta在线性化时在每个预测步都基于当前预测状态重新计算线性模型。这比完全的NMPC简单但比固定线性模型强大。在Matlab中实现LPV-MPC需要手动管理预测模型矩阵的更新。陷阱三非线性模型函数中的数值问题在nonlinear_disc_model函数中如果使用欧拉法且Ts较大或者系统是刚性的离散化误差会很大导致预测严重偏离真实动态MPC会基于错误的预测做出决策可能引发不稳定。务必用高精度数值积分方法如ode45来验证你的离散模型函数。可以写一个测试脚本对比连续模型仿真和离散模型多步迭代的结果。陷阱四忽略模型不确定性控制器鲁棒性差你建立的模型永远只是现实的近似。存在未建模动态、参数漂移如质量m变化、外部干扰。纯基于模型的MPC可能很脆弱。增强鲁棒性的方法在MPC中引入干扰模型和状态估计使用卡尔曼滤波器或观测器来估计不可测状态和干扰并将干扰的预测纳入MPC模型。这就是常见的“鲁棒MPC”或“输出反馈MPC”思路。使用Tube MPC或Min-Max MPC这些是更高级的鲁棒MPC框架显式地考虑有界不确定性保证系统状态始终在一个“管道”内。实现复杂但理论保证强。最实用的方法在仿真中充分测试。在你的模型中加入参数摄动和随机干扰观察MPC性能。适当调整代价函数权重增加控制量权重或控制变化率权重可以增强鲁棒性但会牺牲动态性能。陷阱五NMPC求解失败或实时性不达标NMPC的在线求解是最大的挑战。如果nlmpcmove经常求解失败退出标志非正或单步计算时间超过采样周期Ts需要检查初始猜测为NLP求解器提供一个好的初始猜测通常是上一时刻的解至关重要。nlmpcmove的u0参数就是用于此目的。预测时域和控制时域缩短它们能显著减少决策变量加快求解。但太短会降低性能。需要折中。求解器选项调整nlmpc的Optimization.SolverOptions比如最大迭代次数、容忍度。对于快速系统可能需要牺牲一些精度来换取速度。模型简化这是根本。能否用一个结构更简单的非线性模型如多项式拟合来近似复杂的物理模型或者能否将部分状态视为慢变参数从而降低模型维度7. 进阶思考从仿真模型到真实系统的桥梁在电脑上跑通仿真只是第一步。把基于这些模型的MPC部署到真实的PLC、嵌入式系统或实时服务器上才是真正的挑战。这里有几个关键考虑模型降阶与辨识你的第一性原理模型可能状态维数很高例如复杂的有限元模型。直接用于MPC计算负担太重。需要采用模型降阶技术如平衡截断、POD获得一个低阶近似模型。另一种思路是彻底放弃机理建模通过系统辨识如使用Matlab的System Identification Toolbox直接从实验数据中黑箱地辨识出一个离散线性或非线性模型如非线性ARX模型。这在工业过程中非常普遍。代码生成Matlab Coder和Simulink Coder可以将你设计好的MPC控制器特别是线性MPC自动生成C/C代码。对于nlmpc从R2020b开始也支持代码生成。这极大地简化了部署流程。但需要注意生成的代码可能需要链接特定的数学优化库如QP求解器qpOASES或NLP求解器IPOPT的嵌入式版本。采样时间与计算延迟在仿真中我们假设计算是瞬间完成的。现实中求解优化问题需要时间。如果计算时间T_compute接近甚至超过采样时间Ts就会引入不可忽略的计算延迟可能破坏控制性能。必须在设计阶段就评估最坏情况下的计算时间并选择足够快的硬件和高效的求解器。有时需要采用“显式MPC”将在线优化问题离线求解转化为查表操作但这只适用于小规模线性系统。模型在线更新与自适应对于参数时变或缓慢漂移的系统如化学反应器催化剂活性衰减固定的预测模型会逐渐失效。需要考虑自适应MPC即在线更新模型参数。这通常与递归最小二乘法等在线辨识算法结合形成“自校正控制器”。这是一条更高级但也更复杂的路径需要对系统和辨识理论有深刻理解。说到底MPC中的模型不是一成不变的。它是一个对物理世界的数学抽象这个抽象的好坏直接决定了控制器的上限。从简单的线性离散模型开始充分测试其性能边界当性能不满足时再逐步考虑非线性、时变或鲁棒扩展。在Matlab提供的强大工具箱支持下我们可以快速地进行原型设计和仿真验证但最终能否成功落地取决于我们对模型局限性的清醒认识和对工程细节的扎实处理。 MPC模型选择与Matlab实现：从线性到非线性预测控制
1. 从“预测”到“控制”MPC的核心思想与价值在工业控制、机器人、自动驾驶这些领域里我们常常面临一个经典难题系统当前的状态是已知的我们想让它未来达到某个目标但系统本身有惯性、有延迟外部还有各种干扰。如果只盯着当前误差像传统的PID控制器那样猛打方向盘或者猛踩油门结果往往是系统剧烈震荡或者反应迟钝达不到理想效果。这就好比开车你不能只盯着车头离车道线的距离你得提前看远方的路况预判弯道然后平顺地转动方向盘。模型预测控制Model Predictive Control, MPC就是这套“老司机”的控制哲学在数学和算法上的实现。MPC这个名字听起来很高深但它的核心思想非常直观利用一个描述系统动态行为的“模型”来预测未来一段时间内系统的走势然后基于这个预测求解一个优化问题计算出当前最优的控制动作最后只实施第一个控制动作到下一个时刻重复这个过程。这种“滚动优化”的策略让它能天然地处理多变量、有约束比如执行器的物理极限、状态的安全范围的复杂控制问题。这也是为什么从化工过程到智能汽车MPC都备受青睐。那么这个核心的“模型”就成了MPC的灵魂。模型选得好不好直接决定了预测的准确性进而影响控制性能。标题里提到了“离散、连续、线性或非线性”这恰恰点出了MPC建模中最关键的选择题。很多刚接触MPC的朋友会在这里犯晕我的系统到底该用哪种模型在Matlab里又该怎么实现这篇文章我就结合自己多年的仿真和工程调试经验带你彻底理清这几种模型的内在逻辑、适用场景并手把手展示在Matlab中从零搭建的完整过程。你会发现选择哪种模型不是一个随意的决定而是基于你对系统认知深度和计算资源权衡的结果。2. 模型四象限离散/连续与线性/非线性的本质辨析在深入代码之前我们必须先建立一个清晰的认知框架。模型的两个基本属性时间域离散 vs. 连续和动态特性线性 vs. 非线性构成了一个四象限。理解它们是正确建模的第一步。2.1 时间域的抉择离散与连续模型这关乎我们如何看待时间。在数字控制器计算机、PLC中控制律最终都是在离散的时间点上执行的比如每0.01秒计算一次。但这不影响我们用连续或离散的模型来描述系统。连续时间模型认为时间是连续流动的。通常用微分方程组来描述。例如一个简单的质量-弹簧-阻尼系统m * x(t) c * x(t) k * x(t) F(t)。这里的t是连续变量。这种模型更贴近物理世界的本质尤其是当系统动态变化极快或者我们进行理论分析时连续模型非常直观。离散时间模型认为时间是一系列等间隔的“快照”。用差分方程来描述。将上面的连续模型以采样时间Ts进行离散化例如使用前向欧拉法可能得到x(k1) A * x(k) B * u(k)。这里的k代表第k个采样时刻。离散模型直接对应数字控制器的实现是算法设计的最终落脚点。核心选择逻辑如果你的被控对象本质是连续的如机械运动、电路且你拥有其精确的物理方程那么从连续模型开始是自然的。但最终为了在计算机上实现MPC几乎总是需要将连续模型离散化。因此一个常见的工作流是建立连续模型 - 离散化 - 用于MPC设计。也有直接使用离散模型如基于系统辨识得到的ARX模型进行MPC设计的情况这多见于过程控制领域。2.2 动态特性的鸿沟线性与非线性模型这关乎系统响应的“规矩”程度是MPC复杂度的分水岭。线性模型满足叠加性和齐次性。简单说如果你把输入加倍输出也加倍两个输入同时作用的效果等于它们分别作用的效果之和。状态空间形式x(k1) A * x(k) B * u(k)就是典型的线性离散模型。线性MPC的优化问题通常是凸的二次规划QP求解速度快、可靠有成熟的工业求解器。非线性模型不满足上述性质。描述它的函数f(x, u)是非线性的例如x(k1) f(x(k), u(k))其中f可能包含三角函数如机器人关节角度、乘法项如流体流量与浓度的乘积、指数项等。非线性MPCNMPC的优化问题通常是非凸的求解难度大、耗时长但能更精确地描述复杂系统。核心选择逻辑这是最容易踩坑的地方不要盲目追求非线性模型。线性模型是你的首选。在以下情况才考虑非线性模型系统工作范围很宽线性模型只在某个平衡点附近有效。如果你的设定值变化范围很大例如无人机从悬停到高速飞行一个线性模型无法覆盖全程。非线性效应主导性能例如化学反应中的阿伦尼乌斯方程指数温度关系、机器人学中的科里奥利力与速度乘积相关这些非线性项如果被忽略控制器性能会严重下降甚至不稳定。你有足够的计算资源NMPC的在线计算量可能是线性MPC的数十倍甚至上百倍。一个极其重要的工程技巧是线性化。对于许多非线性系统我们可以在期望的运行轨迹参考轨迹上通过计算雅可比矩阵得到一系列时变的线性模型线性变参数模型LPV或者在一个平衡点处得到一个固定的线性模型。这常常是工程实践中性价比最高的方案。3. 实战在Matlab中构建四大类预测模型理论说再多不如动手写一行代码。我们以两个经典系统为例在Matlab中构建这四类模型。假设我们的目标是通过力F控制一个小车的位置p和速度v。小车质量m1受到粘滞阻尼b0.1。3.1 连续线性模型物理方程的起点这是最经典的起点。根据牛顿第二定律m * dv/dt F - b * v。我们定义状态向量x [p; v]控制输入u F。 则连续时间状态空间方程为dx/dt A_c * x B_c * u其中A_c [0, 1; 0, -b/m] [0, 1; 0, -0.1]B_c [0; 1/m] [0; 1]在Matlab中我们可以这样定义m 1.0; b 0.1; A_cont [0 1; 0 -b/m]; B_cont [0; 1/m]; C_cont [1 0; 0 1]; % 假设我们观测所有状态 D_cont [0; 0]; sys_cont ss(A_cont, B_cont, C_cont, D_cont); % 创建连续时间状态空间模型这个sys_cont对象就是我们的连续线性预测模型。你可以用step(sys_cont)或lsim(sys_cont)来验证它的开环动态。3.2 离散线性模型为数字控制做准备MPC需要在离散时间域进行预测。我们需要将连续模型离散化。选择采样时间Ts是关键一般需要比系统最快动态快5-10倍。假设Ts 0.1秒。Ts 0.1; sys_disc c2d(sys_cont, Ts, zoh); % ‘zoh’代表零阶保持适用于大多数情况 [A_disc, B_disc, C_disc, D_disc] ssdata(sys_disc);现在A_disc和B_disc就定义了我们的离散预测模型x(k1) A_disc * x(k) B_disc * u(k)。这是线性MPC最常用的模型形式。你可以对比A_cont和A_disc理解离散化带来的变化。3.3 连续非线性模型引入更真实的物理现在假设小车在一个斜面上运动重力分量带来了非线性。设斜面角度为theta重力加速度g9.81。动力学方程变为m * dv/dt F - b*v - m*g*sin(theta)注意这里sin(theta)是一个非线性项。我们仍然定义x [p; v; theta]但theta可能也是时变的。为简化假设theta是已知的时变参数theta(t)。那么连续非线性模型可以写成一个函数function dxdt nonlinear_cont_model(t, x, u, params) % x [position; velocity; theta] % u force F % params: struct with m, b, g p x(1); v x(2); theta x(3); % 或者从外部参数传入 F u; m params.m; b params.b; g params.g; dpdt v; dvdt (F - b*v - m*g*sin(theta)) / m; dthetadt 0; % 假设theta不变或根据另一个动力学方程计算 dxdt [dpdt; dvdt; dthetadt]; end这个函数dxdt f(t, x, u)就是我们的连续非线性预测模型。它将被用于数值积分如ode45来进行未来预测。3.4 离散非线性模型NMPC的直接原料对于NMPC我们通常直接使用离散形式的非线性模型。这可以通过对连续模型进行数值积分一个采样周期来获得。一种简单的方法是使用欧拉法x(k1) x(k) Ts * f(x(k), u(k))对应的Matlab函数可能是function x_next nonlinear_disc_model(x, u, Ts, params) % 使用前向欧拉法进行离散化 x_next x Ts * nonlinear_cont_model(0, x, u, params); % 时间t在此模型中未显式使用 end注意欧拉法可能精度不够对于刚性或快速系统可能需要更高阶的方法如龙格-库塔法来进行“一步离散化”。这个nonlinear_disc_model函数就是NMPC求解器中需要的预测模型。4. 模型如何嵌入MPC问题优化问题的构建有了预测模型我们来看它如何被用到MPC那个核心的“滚动优化”问题中。一个标准的MPC问题在每个时刻k求解如下优化问题最小化代价函数 JJ Σ_{i0}^{N-1} [ (x(ki|k) - x_ref)^T * Q * (x(ki|k) - x_ref) (u(ki|k) - u_ref)^T * R * (u(ki|k) - u_ref) ] (x(kN|k) - x_ref)^T * P * (x(kN|k) - x_ref)满足约束x(ki1|k) f_model( x(ki|k), u(ki|k) )(预测模型)x_min x(ki|k) x_maxu_min u(ki|k) u_maxΔu_min Δu(ki|k) Δu_max其中N是预测时域x(ki|k)是基于k时刻信息预测的ki时刻的状态。f_model就是我们上一节构建的模型。对于线性MPC使用离散线性模型f_model就是A_disc * x B_disc * u。此时整个优化问题是一个二次规划QP因为代价函数是二次的约束除了模型等式都是线性的而模型等式本身就是线性等式约束。Matlab的Model Predictive Control Toolbox主要就是处理这类问题可以自动生成QP并调用求解器。对于非线性MPC使用离散非线性模型f_model是那个非线性函数nonlinear_disc_model。这使得优化问题变成了非线性规划NLP。求解NLP要困难得多常用方法包括序列二次规划SQP或内点法。Matlab的Model Predictive Control Toolbox从R2018b开始也提供了nlmpc对象来支持NMPC设计。一个关键技巧连续模型在优化中的使用即使在NMPC中我们使用离散非线性模型进行预测但在设计阶段我们常常需要基于连续模型进行线性化来设计终端代价矩阵P或分析稳定性。P矩阵通常通过求解一个代数黎卡提方程得到而这个方程依赖于线性化后的系统矩阵(A, B)。5. Matlab工具箱实战从线性MPC到非线性MPC我们分别用Matlab内置工具箱来实现线性和非线性MPC看看模型是如何被集成的。5.1 使用mpc对象实现线性MPC假设我们已经有了离散线性模型sys_disc。% 1. 创建MPC控制器对象 prediction_horizon 20; control_horizon 5; mpc_controller mpc(sys_disc, Ts, prediction_horizon, control_horizon); % 2. 配置控制器参数 % 设置代价函数权重 mpc_controller.Weights.OutputVariables [1, 0.5]; % 对应状态[p; v]的权重 mpc_controller.Weights.ManipulatedVariables 0.1; % 控制力F的权重 mpc_controller.Weights.ManipulatedVariablesRate 0.01; % 控制力变化率的权重 % 设置约束 mpc_controller.ManipulatedVariables.Min -10; mpc_controller.ManipulatedVariables.Max 10; mpc_controller.ManipulatedVariables.RateMin -5; mpc_controller.ManipulatedVariables.RateMax 5; mpc_controller.OutputVariables(1).Min -Inf; % 位置下限 mpc_controller.OutputVariables(1).Max Inf; % 位置上限 mpc_controller.OutputVariables(2).Min -2; % 速度下限 mpc_controller.OutputVariables(2).Max 2; % 速度上限 % 3. 运行仿真 T_sim 10; time 0:Ts:T_sim; r [ones(length(time),1), zeros(length(time),1)]; % 参考信号位置为1速度为0 [y, t, u] sim(mpc_controller, T_sim/Ts, r);在这个流程中mpc函数内部已经将我们提供的sys_disc模型作为预测模型自动构建了QP问题并在每个采样步进行求解。我们只需要关心性能指标权重和约束。5.2 使用nlmpc对象实现非线性MPC对于斜面小车非线性模型我们使用nlmpc。% 1. 定义状态、输出、输入数量 nx 3; % 状态数: p, v, theta ny 2; % 输出数: p, v (我们可能不直接控制或观测theta) nu 1; % 输入数: F % 2. 创建非线性MPC控制器对象 nlobj nlmpc(nx, ny, nu); % 3. 配置基本参数 nlobj.Ts Ts; nlobj.PredictionHorizon 15; nlobj.ControlHorizon 3; % 4. 指定预测模型函数 nlobj.Model.StateFcn (x, u) nonlinear_disc_model(x, u, Ts, params); % 指定输出函数通常状态的前ny个就是输出 nlobj.Model.OutputFcn (x, u) x(1:2); % 5. 配置代价函数和约束 nlobj.Weights.OutputVariables [1 0.5]; nlobj.Weights.ManipulatedVariables 0.1; nlobj.Weights.ManipulatedVariablesRate 0.01; nlobj.ManipulatedVariables.Min -10; nlobj.ManipulatedVariables.Max 10; nlobj.OutputVariables(1).Min -Inf; nlobj.OutputVariables(1).Max Inf; nlobj.OutputVariables(2).Min -2; nlobj.OutputVariables(2).Max 2; % 6. 验证模型和控制器函数重要步骤 validateFcns(nlobj, rand(nx,1), rand(nu,1)); % 7. 运行闭环仿真需要自定义仿真循环因为nlmpc没有像mpc那样简单的sim函数 x0 [0; 0; pi/6]; % 初始状态位置0速度0斜面30度 u0 0; ref [1, 0]; % 参考位置1参考速度0 [~, ~, info] nlmpcmove(nlobj, x0, u0, ref); % info结构体包含求解出的最优控制序列等信息。完整的仿真需要一个for循环在每个时刻调用nlmpcmove。使用nlmpc的关键在于正确提供Model.StateFcn和Model.OutputFcn。这两个函数就是我们的离散非线性预测模型。nlmpcmove内部会调用非线性规划求解器如fmincon来求解优化问题。务必进行validateFcns验证可以提前发现函数接口或雅可比矩阵计算中的错误。6. 避坑指南模型选择与实现中的常见陷阱在实际项目中模型相关的坑往往比算法本身更多。这里分享几个我踩过的坑和总结的经验。陷阱一离散化方法选择不当导致预测失准c2d函数有多种方法zoh (零阶保持)、foh (一阶保持)、tustin (双线性变换)、matched (零极点匹配)等。对于MPCzoh 是最常用的因为它假设控制输入在采样周期内保持恒定这与数字控制器的输出特性一致。但如果你的被控对象对输入信号的平滑性要求极高或者采样周期相对较大foh 或 tustin 可能更准确。务必在开环仿真中对比不同离散化方法下模型的阶跃响应选择最接近连续模型的那个。陷阱二线性化点选择错误导致线性MPC性能恶化线性模型只在平衡点附近有效。如果你的系统需要跟踪一个大幅变化的轨迹一个固定点的线性模型会很快失效。解决方案增益调度针对几个不同的工作点分别设计线性MPC控制器然后根据当前状态切换。LPV-MPC将系统建模为线性变参数模型参数是系统状态的函数如theta在线性化时在每个预测步都基于当前预测状态重新计算线性模型。这比完全的NMPC简单但比固定线性模型强大。在Matlab中实现LPV-MPC需要手动管理预测模型矩阵的更新。陷阱三非线性模型函数中的数值问题在nonlinear_disc_model函数中如果使用欧拉法且Ts较大或者系统是刚性的离散化误差会很大导致预测严重偏离真实动态MPC会基于错误的预测做出决策可能引发不稳定。务必用高精度数值积分方法如ode45来验证你的离散模型函数。可以写一个测试脚本对比连续模型仿真和离散模型多步迭代的结果。陷阱四忽略模型不确定性控制器鲁棒性差你建立的模型永远只是现实的近似。存在未建模动态、参数漂移如质量m变化、外部干扰。纯基于模型的MPC可能很脆弱。增强鲁棒性的方法在MPC中引入干扰模型和状态估计使用卡尔曼滤波器或观测器来估计不可测状态和干扰并将干扰的预测纳入MPC模型。这就是常见的“鲁棒MPC”或“输出反馈MPC”思路。使用Tube MPC或Min-Max MPC这些是更高级的鲁棒MPC框架显式地考虑有界不确定性保证系统状态始终在一个“管道”内。实现复杂但理论保证强。最实用的方法在仿真中充分测试。在你的模型中加入参数摄动和随机干扰观察MPC性能。适当调整代价函数权重增加控制量权重或控制变化率权重可以增强鲁棒性但会牺牲动态性能。陷阱五NMPC求解失败或实时性不达标NMPC的在线求解是最大的挑战。如果nlmpcmove经常求解失败退出标志非正或单步计算时间超过采样周期Ts需要检查初始猜测为NLP求解器提供一个好的初始猜测通常是上一时刻的解至关重要。nlmpcmove的u0参数就是用于此目的。预测时域和控制时域缩短它们能显著减少决策变量加快求解。但太短会降低性能。需要折中。求解器选项调整nlmpc的Optimization.SolverOptions比如最大迭代次数、容忍度。对于快速系统可能需要牺牲一些精度来换取速度。模型简化这是根本。能否用一个结构更简单的非线性模型如多项式拟合来近似复杂的物理模型或者能否将部分状态视为慢变参数从而降低模型维度7. 进阶思考从仿真模型到真实系统的桥梁在电脑上跑通仿真只是第一步。把基于这些模型的MPC部署到真实的PLC、嵌入式系统或实时服务器上才是真正的挑战。这里有几个关键考虑模型降阶与辨识你的第一性原理模型可能状态维数很高例如复杂的有限元模型。直接用于MPC计算负担太重。需要采用模型降阶技术如平衡截断、POD获得一个低阶近似模型。另一种思路是彻底放弃机理建模通过系统辨识如使用Matlab的System Identification Toolbox直接从实验数据中黑箱地辨识出一个离散线性或非线性模型如非线性ARX模型。这在工业过程中非常普遍。代码生成Matlab Coder和Simulink Coder可以将你设计好的MPC控制器特别是线性MPC自动生成C/C代码。对于nlmpc从R2020b开始也支持代码生成。这极大地简化了部署流程。但需要注意生成的代码可能需要链接特定的数学优化库如QP求解器qpOASES或NLP求解器IPOPT的嵌入式版本。采样时间与计算延迟在仿真中我们假设计算是瞬间完成的。现实中求解优化问题需要时间。如果计算时间T_compute接近甚至超过采样时间Ts就会引入不可忽略的计算延迟可能破坏控制性能。必须在设计阶段就评估最坏情况下的计算时间并选择足够快的硬件和高效的求解器。有时需要采用“显式MPC”将在线优化问题离线求解转化为查表操作但这只适用于小规模线性系统。模型在线更新与自适应对于参数时变或缓慢漂移的系统如化学反应器催化剂活性衰减固定的预测模型会逐渐失效。需要考虑自适应MPC即在线更新模型参数。这通常与递归最小二乘法等在线辨识算法结合形成“自校正控制器”。这是一条更高级但也更复杂的路径需要对系统和辨识理论有深刻理解。说到底MPC中的模型不是一成不变的。它是一个对物理世界的数学抽象这个抽象的好坏直接决定了控制器的上限。从简单的线性离散模型开始充分测试其性能边界当性能不满足时再逐步考虑非线性、时变或鲁棒扩展。在Matlab提供的强大工具箱支持下我们可以快速地进行原型设计和仿真验证但最终能否成功落地取决于我们对模型局限性的清醒认识和对工程细节的扎实处理。