引言
模型预测控制(Model Predictive Control,MPC) 的基本思路是:利用模型预测未来状态,在有限预测区间内选择控制序列,并只执行其中的第一个控制量;下一采样时刻,根据最新状态重新预测和优化。这一过程称为 滚动时域控制(Receding Horizon Control)。
MPC 可以在优化问题中显式考虑执行机构饱和、状态边界等约束,并通过代价函数权衡控制性能与控制代价。它的最优性针对所建立的模型、目标函数和预测区间;闭环稳定性与长期可行性则需要另外分析。
本文作为本系列的第一篇,面向具有线性代数和状态空间基础的读者,介绍线性二次型 MPC 的建模、无约束解析解,以及含线性约束时的二次规划形式。递归可行性、终端设计和闭环稳定性将在下一篇中讨论。
问题设定与离散化
模型、目标与基本假设
本文讨论线性时不变系统的 调节(Regulation) 问题:
x˙(t)=Ax(t)+Bu(t),x(t)∈Rn,u(t)∈Rm,
其中,A∈Rn×n、B∈Rn×m。控制目标是使状态趋于原点,即 limt→∞x(t)=0。这是设计目标,并非任意 MPC 参数下都成立的结论。
以下假设当前状态可测或可由状态估计器获得,预测模型与权重在控制过程中固定,暂不考虑模型误差和外部扰动。若使用估计状态代替真实状态,还需另行分析估计误差的影响。
连续时间的有限时域代价可以写为
Jt=∥x(t+T∣t)∥Pc2+∫tt+T(∥x(τ∣t)∥Qc2+∥u(τ∣t)∥Rc2)dτ,
其中,∥z∥M2:=z⊤Mz;x(τ∣t)、u(τ∣t)表示在时刻 t 规划的预测状态和控制输入;T 为预测时域。权重满足 Pc=Pc⊤⪰0、Qc=Qc⊤⪰0、Rc=Rc⊤≻0。
优化变量是整个预测区间内的控制函数 u(⋅∣t),而非仅当前时刻的 u(t)。预测轨迹满足状态方程和初始条件 x(t∣t)=x(t)。为了突出基础推导,本文先不使用额外的终端代价或终端约束。
零阶保持与离散模型
取采样周期 δ>0,预测步数 N≥1,令 T=Nδ。将预测控制输入参数化为分段常值函数:
u(τ∣t)=ui,τ∈[t+iδ,t+(i+1)δ),i=0,…,N−1.
这样,控制函数被表示为 N 个控制向量 ui∈Rm,构成 mN 维决策变量。实际滚动实施时,仅执行第一段输入,并在一个采样周期内通过零阶保持维持其值。
对于上述 LTI 模型,零阶保持下的采样时刻状态满足
x(k+1)Ad=Adx(k)+Bdu(k),=eAδ,Bd=∫0δeAςBdς.
这里 x(k):=x(kδ)。在模型准确、输入分段常值的假设下,这是采样时刻状态的精确离散模型。
本文直接选用以下离散二次型代价:
JN(k)=i=1∑Nx⊤(k+i∣k)Qx(k+i∣k)+i=0∑N−1u⊤(k+i∣k)Ru(k+i∣k),
其中 Q=Q⊤⪰0、R=R⊤≻0 是离散时间设计权重。
模型的精确离散化不等于代价的精确离散化。 上述代价可以独立设计,也可以由连续代价作矩形积分近似后得到;若对应前面的积分,可取 Q=δQc、R=δRc。精确积分通常还会产生状态与控制输入的交叉项,本文不展开。
无约束 MPC
堆叠预测模型
定义预测状态向量与控制序列
X(k+1∣k):=x(k+1∣k)x(k+2∣k)⋮x(k+N∣k)∈RnN,U(k):=u(k∣k)u(k+1∣k)⋮u(k+N−1∣k)∈RmN.
由状态方程逐步递推,得到
X(k+1∣k)=Sxx(k)+SuU(k),
其中
Sx=AdAd2⋮AdN∈RnN×n,Su=BdAdBd⋮AdN−1Bd0Bd⋮AdN−2Bd⋯⋯⋱⋯00⋮Bd∈RnN×mN.
更一般地,Su 的第 (i,j) 个 n×m 分块为 Adi−jBd(i≥j),否则为零,其中 i,j=1,…,N。
令
Q=IN⊗Q,R=IN⊗R,
其中 IN 为单位矩阵,⊗ 为 Kronecker 积。于是代价变为
JN(k)=X⊤(k+1∣k)QX(k+1∣k)+U⊤(k)RU(k).
最优控制序列的解析解
将预测模型代入代价函数,记 x=x(k)、U=U(k),得到
JN(k)=(Sxx+SuU)⊤Q(Sxx+SuU)+U⊤RU=x⊤Sx⊤QSxx+2U⊤Su⊤QSxx+U⊤(Su⊤QSu+R)U.
由于 Q⪰0、R≻0,有
Su⊤QSu+R≻0.
因此,代价关于 U 严格凸,令梯度为零即可得到唯一的全局最优解:
∂U∂JN=2Su⊤QSxx+2(Su⊤QSu+R)U=0,
U∗(k)=−(Su⊤QSu+R)−1Su⊤QSxx(k).
公式中的逆用于表达解析结果;数值实现通常通过矩阵分解求解线性方程,避免显式计算逆矩阵。
滚动实施与反馈增益
每次优化得到未来 N 步的控制序列,但仅执行第一项。定义选取矩阵
ε=e1⊤⊗Im∈Rm×mN,e1=[1,0,…,0]⊤∈RN,
则
u(k)=εU∗(k)=KMPCx(k),
KMPC=−ε(Su⊤QSu+R)−1Su⊤QSx.
下一采样时刻,根据最新状态重复上述过程。由于模型、预测步数与权重固定,无约束情况下的 KMPC 可以离线计算,在线直接执行线性状态反馈。
这里的最优性指每次有限时域优化问题的最优性,并不意味着滚动实施后的闭环策略一定是无限时域最优控制。闭环系统为
x(k+1)=(Ad+BdKMPC)x(k).
其渐近稳定的充要条件是 Ad+BdKMPC 的全部特征值均位于单位圆内;上述有限时域推导本身并未保证这一点。
与 LQR 的关系
无约束线性二次型 MPC 可以理解为 有限时域 LQR 的滚动实施,而通常所说的 LQR 指无限时域 LQR。前者只优化未来 N 步的代价,后者考虑整个未来的累计代价,因此二者的反馈增益一般不同。本文统一采用 u=Kx 的符号约定;部分教材写成 u=−Kx,比较增益时需注意负号。
在 (Ad,Bd) 可稳定、(Q1/2,Ad) 可检测且 R≻0 的条件下,随着预测步数 N→∞,本文的 KMPC 趋于无限时域 LQR 的反馈增益 KLQR。
若有限时域代价采用
JN=i=0∑N−1(xi⊤Qxi+ui⊤Rui)+xN⊤P∞xN,
其中 xi=x(k+i∣k)、ui=u(k+i∣k),P∞ 为无限时域 LQR 的价值函数矩阵(离散代数 Riccati 方程的稳定化解),则无约束时对任意 N≥1,都有 KMPC=KLQR。这是因为终端项已经表示了预测时域之后的最优累计代价。
对应本文采用的状态求和索引,应将末端状态权重 Q 替换 为 P∞;补上 x0⊤Qx0 只增加与决策变量无关的常数,不影响最优解。
有约束 MPC
约束的离散表示
实际系统往往受到执行机构饱和、状态边界等限制。在线性 MPC 中,常用凸多面体约束;本文以逐分量的上下界为例:
xmin≤x(k+i∣k)≤xmax,i=1,…,N,
umin≤u(k+i∣k)≤umax,i=0,…,N−1.
这些不等式均按分量理解。当前状态 x(k) 已经给定,不能通过此次优化改变;若要求所有时刻均满足状态约束,还应确认初始状态属于允许集合。
这里约束的是采样时刻的预测状态。即使离散模型精确,采样点满足状态约束也不自动保证采样间的连续轨迹满足约束;若有连续时间安全要求,需要增加采样间检查、约束收紧或其他保证措施。
令 1N=[1,…,1]⊤,定义
XU=1N⊗xmin,=1N⊗umin,XU=1N⊗xmax,=1N⊗umax.
堆叠约束为
X≤X(k+1∣k)≤X,U≤U(k)≤U.
代入预测模型,得到关于控制序列的线性不等式:
X−Sxx(k)≤SuU(k)≤X−Sxx(k).
二次规划形式
定义
A=[ImNSu]∈R(m+n)N×mN,
B(k)=[UX−Sxx(k)],B(k)=[UX−Sxx(k)].
含约束的优化问题可以写成
U(k)mins.t.21U⊤(k)HU(k)+f⊤(k)U(k)+g(k),B(k)≤AU(k)≤B(k),
其中
Hf(k)g(k)=2(Su⊤QSu+R)≻0,=2Su⊤QSxx(k),=x⊤(k)Sx⊤QSxx(k).
这是一个严格凸的 二次规划(Quadratic Programming,QP)。若约束可行,则存在唯一最优控制序列。g(k) 与决策变量无关,求解时可以省略。如果求解器使用单侧约束 CU≤d,可取
C=[A−A],d(k)=[B(k)−B(k)].
滚动求解流程
对于固定模型、权重、预测步数与约束边界,可将算法分成离线准备与在线控制两部分。
离线准备:
- 选取采样周期 δ、预测步数 N、权重 Q⪰0、R≻0,以及状态和输入边界。
- 计算 Ad,Bd,构建 Sx,Su,Q,R。
- 构建 H,A,X,X,U,U,初始化 QP 求解器。
每个采样时刻 k:
- 获取当前状态 x(k),计算 f(k) 和约束边界 B(k),B(k)。
- 求解 QP,得到最优控制序列 U∗(k)。
- 取 u(k)=εU∗(k),通过零阶保持执行一个采样周期。
- 到下一采样时刻,获取新状态并重复上述步骤。
H 与 A 在上述固定参数条件下不需要每次重新计算。以上流程用于说明滚动优化的核心思路,假设每次优化均可行且能够求得最优解;这一可行性假设将在下一篇进一步讨论。
可行性与稳定性:本文尚未保证什么
建立并求解 QP,并不意味着控制器已经具备长期运行保证。需要区分以下三个问题:
- 当前可行性: 当前状态下,是否存在满足预测模型和全部约束的控制序列?
- 递归可行性(Recursive Feasibility): 若当前优化问题可行,执行第一步控制后,下一时刻的优化问题是否仍然可行,并能沿闭环持续保持可行?
- 闭环稳定性(Closed-loop Stability): 在滚动执行控制律后,状态是否稳定并趋于目标?
常见的理论设计方法是引入终端代价、终端集和终端控制器,并使它们满足相应条件。仅增加一个任意终端权重,也不能自动保证递归可行性和稳定性。下一篇将讨论这些条件及其在证明中的作用。
本文完成了从离散预测模型到控制序列解析解、再到约束 QP 的推导,可作为理解与实现线性 MPC 的基础。工程应用还需根据具体系统验证模型、参数、约束与实时求解表现。
参考资料
- James B. Rawlings, David Q. Mayne, Moritz M. Diehl. Model Predictive Control: Theory, Computation, and Design, 2nd Edition.
- 陈虹. 模型预测控制[M]. 北京:科学出版社,2013.