自动驾驶控制算法——MPC控制算法

MPC算法学习(1) 关于MPC算法的一些基础学习 阅读详情
AI摘要

本文详细介绍了自动驾驶控制算法中的MPC控制算法。阐述了MPC的定义、与传统控制器的区别及在自动驾驶中的典型应用场景,深入讲解其原理,包括闭环结构、状态空间模型等。还分别探讨了无约束线性系统和带约束系统下的MPC控制设计,以及使用MPC控制车辆的系统架构。

自动驾驶控制算法——MPC控制算法

文章目录

一、MPC 是什么?

1.1 定义与核心思想

**模型预测控制(Model Predictive Control, MPC)**是一种基于系统预测模型、通过滚动优化方式求解最优控制输入的先进控制算法。

其核心思想包括:

  • 使用数学模型预测未来系统状态演化;
  • 定义优化目标函数,度量“预测轨迹”与“期望轨迹”的偏差;
  • 在满足约束的前提下,求解控制输入序列以最小化目标函数;
  • 每个控制周期仅执行第一步控制,然后滚动更新。

简而言之,MPC 是一种“我预测未来 → 优化选择 → 控制当前 → 重复预测”的闭环优化控制策略。


1.2 MPC 与传统控制器(如 PID)的区别

对比维度 PID 控制器 MPC 控制器
控制原理 基于误差反馈进行比例-积分-微分调节 基于预测模型进行多步优化控制
未来状态预测 无预测能力 利用模型预测未来多个时刻状态
控制输入设计 当前误差决定当前控制量 优化未来整个控制序列,仅执行第一个控制量
约束处理 无法显式处理约束 可直接嵌入输入/状态/路径等各种物理约束
复杂度 简单、易部署 模型依赖强、需实时求解优化问题
应用场景 适用于简单、线性、约束少的系统 更适合非线性、多变量、约束复杂的系统

MPC 相比 PID 更智能、鲁棒、灵活,特别适用于自动驾驶等对安全性与动态可控性要求极高的场景。


1.3 自动驾驶中 MPC 的典型应用场景

MPC 在自动驾驶系统中有以下典型应用:

🚗 轨迹跟踪控制(Trajectory Tracking)
  • 控制车辆精确跟随一条参考轨迹;
  • 可在考虑约束(如转角、加速度限制)的前提下实现平滑转向。
🛣️ 车道保持与变道决策(Lane Keeping / Changing)
  • 保持车辆稳定行驶在车道中央;
  • 支持动态规划与自主变道行为控制。
🧠 联合纵横向控制
  • 同时控制加减速与转向行为,实现更协调的行驶动态。
🅿️ 自动泊车系统
  • 在狭窄环境中规划最优路径并控制执行;
  • 可规避障碍并实现低速高精度控制。
🧭 动态路径规划与避障
  • 在动态障碍环境中进行预测式规避与实时调整;
  • 保证路径安全性与可达性。

二、MPC 的原理(参考图文重构讲解)

MPC 的控制策略可以归纳为四步:

感知当前 → 预测未来 → 规划最优动作 → 只执行一步 → 重复整个过程

我们逐步讲解。


2.1 闭环结构总览:MPC 控制器如 何作用于系统?

从下图中我们可以看出,MPC 控制器运行在闭环系统中:

在这里插入图片描述

  • r k r_k rk​:目标参考值;
  • y k y_k yk​:系统实际输出;
  • e k = r k − y k e_k = r_k - y_k ek​=rk​−yk​:当前误差;
  • MPC 控制器根据 e k e_k ek​ 和模型预测,输出最优控制量 u k u_k uk​​ 作用于系统。

控制流程:

  1. 误差计算
    系统计算当前误差 e k = r k − y k e_k = r_k - y_k ek​=rk​−yk​,并基于此来进行优化。
  2. 预测与优化
    MPC 控制器根据系统动态模型预测未来一段时间内的系统行为,并在满足约束条件下最小化代价函数,选择最优控制序列。
  3. 控制输出
    在计算得到最优控制序列后,MPC 只会选择第一个控制量 u k u_k uk​​ 进行执行。
  4. 实时调整
    由于系统和环境的变化,MPC 会持续地重新获取当前状态,重新计算最优控制动作,逐步修正控制策略。

总结:

MPC 控制器通过实时测量系统输出与目标之间的误差,根据预测模型预见未来行为,优化控制输入以最小化误差,从而实现系统的精准控制。它通过闭环结构,确保了控制系统在动态环境中持续跟踪并修正偏差。


2.2 预测未来:构建状态空间模型

在模型预测控制(MPC)中,控制器的核心任务之一是预测未来行为。为了做到这一点,MPC 依赖于系统的数学模型来推测未来几步的状态变化,并基于这些预测来优化当前的控制输入。为了“未雨绸缪”,MPC 在每个时刻都要使用当前的系统状态 x k x_k xk​ 来预测未来的系统行为。

2.2.1 系统模型:离散状态空间模型

MPC 中使用的离散状态空间模型是将系统的动态过程通过数学方程表示出来。系统的状态空间模型通常是以下的形式:

x k + 1 = A x k + B u k y k = C x k + D u k \begin{aligned} x_{k+1} &= A x_k + B u_k \\ y_k &= C x_k + D u_k \end{aligned} xk+1​yk​​=Axk​+Buk​=Cxk​+Duk​​

其中:

  • x k x_k xk​ 表示系统在时刻 k k k 的状态向量,包含系统的内部变量(如位置、速度、角度等)。对于自动驾驶系统,状态 x k x_k xk​ 可能包括车辆的位置、速度、航向角等;
  • u k u_k uk​ 是控制输入,例如加速度、转向角或其它驱动系统的控制量。在自动驾驶中,这通常是控制系统根据目标轨迹或目标行为所施加的指令;
  • y k y_k yk​ 是系统输出,表示系统在当前时刻的观测量。它是通过系统状态 x k x_k xk​ 计算或测量得到的,通常是车辆的实时位置、速度等;
  • A , B , C , D A, B, C, D A,B,C,D 是系统参数矩阵,它们决定了状态与控制输入之间的关系,具体含义如下:
    • A A A 是状态转移矩阵,它描述了在没有控制输入 u k u_k uk​ 的情况下,系统状态如何从时刻 k k k 变化到时刻 k + 1 k+1 k+1;
    • B B B 是控制矩阵,它描述了控制输入 u k u_k uk​ 如何影响系统状态的变化;
    • C C C 是输出矩阵,它将系统状态映射到观测值 y k y_k yk​;
    • D D D 是输入矩阵,它描述了控制输入对系统输出的直接影响。

2.2.2 状态空间模型在 MPC 中的作用

MPC 控制器利用状态空间模型预测系统在未来 N N N 步的状态演变。这些预测将用于优化控制输入 u k u_k uk​,以实现最小化目标函数(通常是误差、能耗等)。

  1. 状态更新
    MPC 通过模型对未来系统状态进行预测。根据当前时刻的状态 x k x_k xk​​ 和控制输入 u k u_k uk​​,通过状态转移矩阵 A A A 和控制矩阵 B B B,MPC 预测出未来的状态 x k + 1 , x k + 2 , … , x k + N x_{k+1}, x_{k+2}, \dots, x_{k+N} xk+1​,xk+2​,…,xk+N​:

    x k + 1 = A x k + B u k x_{k+1} = A x_k + B u_k xk+1​=Axk​+Buk​

    在每一个时刻,控制器都使用这个模型来更新状态,直到预测时域结束。

  2. 输出预测
    同时,MPC 还预测系统的输出 y k y_k yk​,这些输出将用来衡量控制效果,确保系统的行为尽可能接近目标状态:

    y k = C x k + D u k y_k = C x_k + D u_k yk​=Cxk​+Duk​

    在自动驾驶中,输出通常是车辆的实际位置、速度等,可以通过传感器测得。


2.3 控制预测序列:MPC 是怎么“看未来”的?

模型预测控制(MPC)之所以被称为“预测控制”,关键就在于它具备对未来进行规划与模拟的能力。与传统反馈控制器(如 PID)只基于当前误差进行调节不同,MPC 在每一个控制周期都会主动预测未来若干步的系统状态和控制行为,以达到更优的控制效果。


2.3.1 展望未来:预测控制输入序列

在当前时刻 k k k,MPC 不仅仅为当前时刻计算一个控制输入 u k u_k uk​,而是会规划一个未来 N 步的完整控制输入序列:

u k , u k + 1 , u k + 2 , … , u k + N − 1 u_k, u_{k+1}, u_{k+2}, \dots, u_{k+N-1} uk​,uk+1​,uk+2​,…,uk+N−1​

这个序列代表了 MPC 预测在接下来 N N N 个时间步内,系统应采取的最优控制动作。这个控制序列并不是立即全部执行,而是作为一个整体输入到优化器中,通过目标函数与约束条件综合评估,最终仅执行其中的第一个控制量 u k u_k uk​,其余部分在下一时刻重新计算。


2.3.2 模型驱动的状态输出预测

有了完整的控制输入序列,MPC 就可以基于系统的状态空间模型(见 2.2 节)计算出系统的未来状态与输出:

x k + 1 , x k + 2 , … , x k + N , y k + 1 , y k + 2 , … , y k + N x_{k+1}, x_{k+2}, \dots, x_{k+N}, \quad y_{k+1}, y_{k+2}, \dots, y_{k+N} xk+1​,xk+2​,…,xk+N​,yk+1​,yk+2​,…,yk+N​

其中:

  • 每一个未来的状态 x k + i x_{k+i} xk+i​ 是在已知当前状态 x k x_k xk​ 和未来控制量 u k + i − 1 u_{k+i-1} uk+i−1​ 的基础上,逐步迭代预测得到的;
  • 对应地,系统的输出 y k + i y_{k+i} yk+i​ 可根据预测状态和控制量通过输出方程求得;
  • 预测结果用于估计未来的控制误差,从而指导优化器进行控制策略选择。

2.3.3 控制目标:用预测误差最小化优化函数

为了使系统输出尽可能贴近参考轨迹 r k r_k rk​,MPC 会在优化过程中计算每一个未来时间步上的误差项:

e k + i = r k + i − y k + i e_{k+i} = r_{k+i} - y_{k+i} ek+i​=rk+i​−yk+i​

所有这些预测误差将被代入目标函数,常见的目标函数形式如下:

J = ∑ i = 0 N − 1 ( e k + i T Q e k + i + u k + i T R u k + i ) J = \sum_{i=0}^{N-1} \left( e_{k+i}^T Q e_{k+i} + u_{k+i}^T R u_{k+i} \right) J=∑i=0N−1​(ek+iT​Qek+i​+uk+iT​Ruk+i​)

通过使该代价函数最小,MPC 控制器能够在精度与能耗之间取得最优平衡。


2.3.4 可视化理解

为了更直观地理解 MPC 是如何“看未来”的,下面是一幅典型的控制预测示意图:

在这里插入图片描述

  • 上图为预测控制输入 u k ∼ u k + N − 1 u_k \sim u_{k+N-1} uk​∼uk+N−1​,下图展示系统响应 y k ∼ y k + N + 1 y_k \sim y_{k+N+1} yk​∼yk+N+1​ 以及误差项 e k e_k ek​。误差箭头以橙色标注,参考轨迹 r r r 为虚线。

2.3.5 MPC 与传统控制的本质区别

传统 PID 控制器只看“当前误差”,是一个“点”上的反馈;
而 MPC 看的是“未来轨迹”,是一段时间上的最优规划。

这种全局考虑、局部执行的机制,使得 MPC 能够提前判断系统趋势,在不确定或动态环境中展现出更高的鲁棒性和性能。


2.4 优化目标函数:选择“最优”控制序列

MPC 的本质是一个在线优化问题。在每一个控制周期,MPC 都会预测未来一段时间内系统可能的运行轨迹,并在所有可能的控制序列中,选择出一组最优的控制动作序列,使得系统尽可能精确、平稳地跟踪目标轨迹,并在此过程中满足各种约束条件。

为了实现这一目的,MPC 引入了一个优化目标函数,该函数评估控制行为的“好坏”,并以此为依据选择控制输入。


2.4.1 目标函数定义

在标准的 MPC 框架中,目标函数一般被设计为如下二次型形式:

J = ∑ i = 0 N − 1 ( e k + i T Q e k + i + u k + i T R u k + i ) + e k + N T F e k + N J = \sum_{i=0}^{N-1} \left( e_{k+i}^T Q e_{k+i} + u_{k+i}^T R u_{k+i} \right) + e_{k+N}^T F e_{k+N} J=∑i=0N−1​(ek+iT​Qek+i​+uk+iT​Ru

自动驾驶控制算法:PID、LQR与MPC对比与实践 控制算法是自动驾驶系统的核心技术之一,负责将环境感知数据转化为车辆控制指令。从原理上看,PID控制通过比例、积分、微分三环节实现简单高效的控制;LQR算法基于状态空间方程进行多变量协同优化;MPC则通过滚动时域优化显式处理系统约束。在工程实践中,算法选择需权衡计算资源、实时性和控制精度。测试数据显示,MPC在复杂场景下表现最优,但计算开销较大;PID适合资源受限场景,LQR则在高速巡航中表现稳定。实际部署时,特斯拉等厂商已从PID逐步转向MPC架构,体现了算法演进与硬件发展的协同关系。 阅读详情

相关推荐

轨迹跟踪—线性 MPC 控制算法

在自动驾驶和无人车领域的路径规划常常被分为运动轨迹生成与车辆路径跟踪控制两个部分。传统的基于几何条件的跟踪算法如pure-pursuit由于没有考虑车辆运动学导致控制精度和稳定性等方面存在不足,因此目前大部分采用线性MPC控制算法,从而平衡控制精度与计算量。 本文首先介绍通用的MPC控制流程,对这一基于优化的控制理论有一定的认知。然后对常见的差速运动模型和自行车模型进行运动学分析,最后针对轨迹跟踪问题介绍如何将通用MPC算法应用至轨迹跟踪问题。

木独的博客 9902

实战解析:如何利用终端约束优化无人驾驶MPC控制算法

本文深入解析了如何利用终端约束优化无人驾驶MPC控制算法。针对传统MPC在复杂场景下易出现稳定性与可行性问题,文章详细阐述了终端约束的核心作用——通过设计终端安全集,将车辆状态引导至稳定区域,从而保证长期闭环稳定性。文中对比了零终端约束的局限性,并重点介绍了数据驱动安全集的构建方法,提供了完整的车道保持MPC代码实战,展示了终端约束如何有效提升算法鲁棒性与可行性。

weixin_29266007的博客 448

如何在Carla和ROS2中快速搭建自动驾驶控制算法?从PID到MPC的实战指南

本文详细介绍了如何在Carla和ROS2中快速搭建自动驾驶控制算法,从基础的PID到高级的MPC控制器。通过实战指南,开发者可以学习环境配置、算法部署和调试技巧,提升自动驾驶算法的开发效率。特别适合希望在Carla-ROS2生态中进行自动驾驶算法验证的工程师和研究人员。

weixin_29074295的博客 368

MPC vs PID:无人驾驶车辆控制算法该怎么选?实测对比告诉你答案

本文深入对比了无人驾驶车辆控制中MPC(模型预测控制)与PID算法的性能差异,基于实测数据分析了响应速度、轨迹跟踪精度和计算资源消耗等关键指标。结果显示,MPC在复杂轨迹跟踪和多变量控制中表现更优,而PID更适合资源受限场景。文章为工程师提供了算法选择的实用框架,并探讨了混合架构方案的前沿发展。

weixin_33725722的博客 344

模型预测控制(MPC)算法介绍

模型预测控制(Model Predictive Control,MPC)是一种先进的控制策略,广泛应用于工业过程控制、机器人控制、电力系统等领域。它基于系统的模型,通过滚动优化来预测系统未来的行为,并据此确定当前的最优控制输入。

AI的内部世界的博客 7179

无人驾驶车辆MPC控制算法程序完整实现

无人驾驶汽车的硬件系统集成是将多个复杂的硬件组件整合成一个高效协同工作的整体。这包括但不限于感知系统(如雷达、摄像头、激光雷达等),控制系统(如ECU、线控转向、线控制动等),计算平台(如GPU、FPGA、专用AI处理器等),以及通信模块(如V2X通信系统)。每一个组件都必须精确地执行其功能,并且与其他组件无缝集成,以确保整个系统的响应速度、精确度和可靠性符合安全标准。

weixin_32535825的博客 2039

Java开发的企业排班系统

Java开发的企业排班系统,用了springboot框架,人脸识别是采用百度接口的方式实现

自学网站s.jf3q.com,菜鸟的成长之路 6016

高德地图-获取定位-失败原因-浏览器定位异常场景

提示:也能实现,但是需要https协议,而且请求时间很长,要么你用梯子,还是不太合适.

shi15926lei的博客 4214

CentOS7上装不了最新Chrome?别折腾依赖了,试试这个老版本安装法(附103.0.5060.24 beta下载地址)

本文提供了在CentOS7上安装兼容版Chrome的详细指南,解决了因GLIBC版本限制导致的最新版Chrome无法安装的问题。推荐使用Chrome 103.0.5060.24 beta版本,并附有下载地址和完整安装步骤,包括禁用自动更新和配套工具安装,确保系统稳定性和功能完整性。

weixin_29289821的博客 572

手把手教你用OpenClaw+飞书打造论文写作AI助手(附踩坑实录)

面对几十篇文献,逐一阅读摘要都费时。我:“请提取桌面‘论文参考文献’文件夹中所有PDF的摘要,整理成表格,包含:论文标题、作者、发表年份、核心方法、主要结论。AI助手:“正在处理...已提取18篇论文摘要,汇总表格已保存到桌面‘文献摘要汇总.xlsx’。这比我自己一个个打开PDF复制粘贴快了不止100倍。OpenClaw+飞书的组合,让AI真正成为了我的“数字员工”。虽然配置过程有些曲折,但看到它在飞书里回应指令、帮我处理繁琐工作时,那种成就感无可替代。如果你也在准备论文,不妨试试这套方案。记住,

AcademicIdeas的博客 1045

北斗导航 | 接收机自主完好性监测与神经网络结合的技术路径、应用场景及研究进展

2] 许承东, 黄国限, 钟贤发, 等. 一种用于神经网络RAIM的故障卫星识别方法[P]. 中国专利: CN117192573A, 2023-12-08.随着6G通信与低轨卫星星座的融合发展,神经网络RAIM有望在2025-2030年实现从辅助技术向主导技术的跨越,成为智能导航系统的核心支撑技术。该架构采用改进型BP神经网络实现非线性映射,在GPS/北斗双模系统中实现98.7%的故障识别率[2]。注:测试条件为GPS/北斗双模系统,12颗可见卫星,含3颗故障卫星的复合场景。

尘世冰封的专栏 487

使用Simulink对基于GaN器件的高频电源进行建模与仿真,重点在于优化其效率

本文介绍了基于Simulink的GaN器件高频电源仿真建模方法。通过7个步骤详细讲解系统构建过程:从创建模型、设置电源、配置GaN开关网络,到添加磁性元件、负载和控制器设计,最后进行仿真分析。重点探讨了效率优化策略,包括开关频率选择、磁性元件优化、散热设计改进及控制策略调整。该教程为GaN器件在电力电子系统中的应用提供了完整的仿真流程指导,有助于设计人员验证方案并优化性能。

amy_mhd的博客 236

[Python图像处理] 一.图像处理基础知识及OpenCV入门函数

该系列文章是讲解Python OpenCV图像处理知识,前期主要讲解图像入门、OpenCV基础用法,中期讲解图像处理的各种算法,包括图像锐化算子、图像增强技术、图像分割等,后期结合深度学习研究图像识别、图像分类应用。希望文章对您有所帮助,如果有不足之处,还请海涵~ 同时推荐作者的C++图像系列知识: [数字图像处理] 一.MFC详解显示BMP格式图片 [数字图像处理] 二.MFC单文档分割窗...

杨秀璋的专栏 7万+

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

上一篇: 自动驾驶控制算法——LQR控制算法
下一篇: 自动驾驶控制算法——滑模控制(SMC)原理与建模
Swaggy T
博客等级 码龄6年 257粉丝 31原创
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址