MPC 入门：一个电驱标定工程师从零开始的学习笔记

2026-08-30MPC · 模型预测控制 · 学习笔记 · 速度环 · 车辆控制

阅读说明：这篇是学习笔记，不是经验总结。我刚开始学 MPC，还没跑通 demo（已列入补课路线，见文末）。写下它是因为：①目标岗位 JD 明确要求（大族数控写”PID/LQR/MPC”、易控智驾写”横纵向运动控制 + MPC 预瞄”）；②我发现把还不懂的东西讲清楚，是最快的学法。如果你发现理解有偏差，欢迎指出——我把它当作学习的一部分。

1. 为什么一个标定工程师要学 MPC

先说我 4 年用 PID 的体感，再讲为什么还要学 MPC。

PID 很伟大，但它有三个”天生”的局限：

不会处理约束：电流限幅、电压限幅、执行器行程……PID 只能在饱和之后”补救”（anti-windup），不能提前规划”我知道要限幅了，所以别把输出逼到极限”；
不会处理多变量耦合：车辆横纵向、多轴机器人，一个 PID 管一个环，环与环之间互相打架，要靠解耦/分层这种”外部功夫”；
面对大延时很吃力：执行器响应、通信延时一大，PID 要么调不稳、要么调太慢。

MPC（模型预测控制）换了个思路：不用”误差驱动”，用”模型预测未来 + 滚动优化”。我理解它的过程分三步，下面用大白话讲。

2. 核心思想：像开车一样控制

想象你开车要跟上前面一辆车（参考轨迹）。你不会”看到距离误差才踩油门”（那是 PID），你会：

预测：看一眼前方的路（模型预测未来几步会怎样）；
规划：心里盘算”接下来这几秒怎么踩油门刹车最平顺”（解一个优化问题）；
只执行一步：先按第一秒的动作来；
滚动重来：下一秒重新看路、重新规划。

这就是 MPC 的全部思想：预测 → 优化 → 只执行第一步 → 滚动。它和 PID 的本质区别：PID 只看”现在错多少”，MPC 看”未来几步怎么走最优”。

3. 三个要素（我的理解）

预测模型：能预测未来 $N$ 步输出的模型。比如速度环用一阶惯性 + 纯延时： $G(s) = \frac{K}{\tau s + 1} e^{-T_d s}$ 离散化后写成状态空间 $x_{k+1} = A x_k + B u_k$ 、 $y_k = C x_k$ ；
滚动时域优化：每个采样周期解一个”未来 $N$ 步的优化问题”，只执行第一个控制量，下一拍重新求解——这就是”滚动”；
反馈校正：每拍用实测输出修正模型预测误差。这一步让 MPC 即使模型不准也不会”一路错下去”——这是 MPC 鲁棒性的来源，也是它和”纯开环最优控制”的本质区别。

4. 数学化：代价函数与约束

每个控制周期要解的优化问题：

$\min_{u_0, \dots, u_{N-1}} \; J = \sum_{k=0}^{N-1} \left( e_{k+1}^{T} Q\, e_{k+1} + \Delta u_k^{T} R\, \Delta u_k \right), \qquad e_{k+1} = y_{k+1} - y_{ref}$

同时满足约束（这是 MPC 相对 PID 的核心优势）：

$u_{min} \le u_k \le u_{max}, \qquad \Delta u_{min} \le \Delta u_k \le \Delta u_{max}$

直觉理解：

$Q$ 大 → 更在乎”跟得准”（响应快，可能振荡）；
$R$ 大 → 更在乎”动作平滑”（省执行器，更稳）；
预测时域 $N$ 大 → 更”有远见”，但计算量上升、对模型误差更敏感。

线性模型 + 线性约束 + 二次代价 → 每个周期就是一个二次规划（QP），有成熟的求解器（MATLAB MPC Toolbox、osqp、quadprog）。

5. 一个最小速度环例子的手算过程（帮我自己理解”滚动”）

设离散一阶对象 $x_{k+1} = x_k + u_k$ （最简单化），目标 $x_{ref} = 10$ ，无约束， $N = 2$ ， $Q = 1, R = 0$ （先只看跟踪）。

$k$ 时刻：已知 $x_k$ ，要选 $u_k, u_{k+1}$ 最小化：

$J = (x_{k+1} - 10)^2 + (x_{k+2} - 10)^2$

代入模型： $x_{k+1} = x_k + u_k$ ， $x_{k+2} = x_k + u_k + u_{k+1}$ 。

对 $u_k, u_{k+1}$ 求偏导：由于 $R = 0$ ，只要 $u_k + u_{k+1} = 10 - x_k$ 代价就是 0，最优解是一族而非唯一——均分取 $u_k = u_{k+1} = \frac{10 - x_k}{2}$ 、或全部压在第一拍取 $u_k = 10 - x_k$ 都同样最优； $R > 0$ 时（对控制量变化有惩罚）才有唯一解。这里取均分 $u_k = \frac{10 - x_k}{2}$ 往下算（ $N=2$ 尚可解析； $N$ 大了就要上求解器）。关键动作：只执行 $u_k$ ， $u_{k+1}$ 扔掉——下一拍重新算。这就是”滚动”最朴素的样子。

伪代码（真实实现会用 QP 求解器替换 solve_qp）：

for k in range(steps):
    u_seq = solve_qp(predict_model(x_k), Q, R, constraints)  # 解未来 N 步
    u_k = u_seq[0]                  # 只执行第一步
    x_k = plant_step(x_k, u_k)      # 实测更新（反馈校正）

6. 与 PID 的工程对比（我的笔记式总结）

维度	PID	MPC
约束处理	饱和后补救（anti-windup）	建模时就纳入约束
多变量	需解耦 / 分层	统一优化
大延时	很难调稳	模型里显式含延时
计算量	极小	每周期解 QP
模型依赖	低（鲁棒）	高（模型失配需谨慎）

工程折中（我目前的理解）：模型失配时 MPC 可能比 PID 更差，所以实际系统常用”MPC 做前瞻 + 反馈修正做兜底”，或只在约束关键场景（限幅、安全）启用。这也意味着：我 4 年台架攒下的”被控对象建模”能力（见《参数辨识》）恰好是 MPC 的地基——模型准，MPC 才好用。

7. 我的学习路径（补课计划，随时更新）

第 1 步（现在）：本文这样的概念笔记，把”预测-优化-滚动”和代价函数理解透；
第 2 步：用 MATLAB MPC Toolbox 跑通一个一阶对象的速度环 demo，看波形、调 $Q/R/N$ ，理解每个参数的实际效果；
第 3 步：自己写一个最简 QP 版 MPC（osqp），和 Toolbox 结果对比；
第 4 步：上车辆纵向速度控制仿真（对应作品 3 方向三选一），对标易控智驾类岗位。

8. 目前我还说不清的地方（诚实清单）

无约束时 MPC 和 LQR 的精确关系（据说等价，我要推一遍）；
模型失配到什么程度 MPC 会劣于 PID——想用一个失配仿真实测；
大 $N$ 时数值稳定性问题。

这些会随学习进度在本文更新——这就是”学习笔记”存在的意义。