模型预测控制MPC工程落地：从模型选择到QP求解的完整实践

简介：《模型预测控制：理论、计算与设计》（第二版）是MPC领域公认的经典教材，面向控制工程专业学生、科研人员与工程师，系统串联预测控制从理论推导到算法实现再到控制器设计的完整链路。第二版新增第8章「数值最优控制」，由Moritz M. Diehl教授合著，重点讲解非线性最优控制问题的数值求解方法，并配套基于CasADi与MPCTools的示例和习题，便于在MATLAB环境中实操验证。资料为单本PDF电子书，压缩包5.66MB，共1个文件，内容完整涵盖MPC理论基础、动态模型构建、优化问题设定、约束处理，以及线性规划、二次规划、非线性规划等求解算法，并包含参数整定、稳定性与鲁棒性分析等设计方法。已有376人学习下载，适合作为MPC入门打基础与进阶研究的核心参考资料。

1. 为什么第二版的 MPC 仍然值得你亲手写一遍：从一个超调事故说起

前年调试一台小型温控模拟项目X，蒸汽阀和冷水阀互相耦合，负载一切换，温度就往上一冲，PID 怎么压都压不住超调。后来把核心回路换成模型预测控制（Model Predictive Control，MPC），超调从 4℃ 压到 0.8℃，约束、耦合和设定值斜坡一次性处理掉了。那是我第一次意识到，MPC 不是只活在论文里的黑匣子，而是一条能在现场复现的工程路径。“理论、计算、设计”三个词，正好对应落地时的三道关：怎么选预测模型、怎么把优化算出来、怎么接到真实装置上。这篇笔记不写书评，只写我沿着这三条线把 MPC 跑通的方法：参数怎么定、命令怎么写、约束怎么设、坑在哪里。做控制的人可以从这里直接上手。

2. 模型选择与预测时域：为什么设计决策比求解器更决定成败

MPC 的起点不是求解器，而是预测模型。书里大量公式落到工程现场，最后往往只变成一个离散状态空间方程。这个方程的质量决定了后续所有调参工作有没有意义。本章先把模型选择说清楚，再把预测时域、控制时域、采样周期和约束软硬这几个设计决策依次拆开。这些决策看起来是参数，实际上是在定义优化问题的形状，比换求解器影响大得多。

2.1 预测模型怎么选：线性状态空间是默认起点，但不是唯一答案

模型预测控制的核心不是“预测”本身，而是用模型在优化器里推算未来。最常见也最容易上手的建模形式是线性状态空间：

import numpy as np Ts = 0.1 A = np.array([[1.0, Ts], [0.0, 1.0]]) B = np.array([[0.0], [Ts]]) C = np.array([[1.0, 0.0]])

这是一个双积分器模型：第一个状态是位置，第二个状态是速度，控制量是加速度。很多机械、液位和温控回路在小范围内都能近似成这个形式。A 阵里的1.0, Ts是前向欧拉离散的结果，B 阵第二行是Ts，表示控制量在一个采样周期内对速度的影响。C 阵只拿了位置做输出，速度在真实系统里往往需要估计，而不是直接测量。

选择模型时，我一般按这个顺序判断：先看工作范围是否足够小，如果是，就用一个线性状态空间模型。如果工作范围大，就用线性化得到多组模型，做增益调度，而不是一上来就上非线性 MPC。只有确实需要处理硬非线性，比如化学反应速率、死区补偿，才考虑非线性预测模型，因为它每个采样周期要解一个非线性规划，计算量和复杂度都高一个数量级。

至于阶跃响应模型，也就是动态矩阵控制那一类做法，好处是不需要内部状态，坏处是输出约束和观测器很难接。我只有在完全没有机理数据、只有现场阶跃响应曲线时才用它。这个选择不是理论洁癖，而是决定后面解的是 QP 还是非线性规划、能不能上嵌入式、调参难度差多少。一句话：线性状态空间是默认起点，不要为了追求模型复杂度而堆公式。

2.2 预测时域、控制时域和采样周期：先定物理时间，再定离散步数

MPC 有几个基础数字，每个都直接改变优化问题的大小和视野。我把常用的工程起点列在下面：

最常见的一个误区是直接定 Np，而不看 Np 乘上 Ts 之后的物理时间。Np=20、Ts=0.1 意味着控制器往前看 2 秒；如果 Ts 改成 0.2，同样的 Np 就变成 4 秒。所以我的习惯是先算物理时间，再反推步数。Ts 太小，离散矩阵接近单位阵，预测值对输入不敏感，求解器数值条件变差；Ts 太大，一个扰动进来要等到下一个周期才响应。Np 也不是越大越好，窗口太长，前面几步的约束被后面大量无约束步数平均掉，响应会变慢，计算量按决策变量数量立方增长。

Nc 越大，控制器自由度越多，但更容易让控制量高频振荡。我一般先把 Nc 放在 3 到 5 再调，不要一开始就让它等于 Np。判断 Np 够不够有个很省事的办法：把 Np 减半，如果响应明显变差，说明窗口不够；把 Np 翻倍，如果曲线几乎不变，说明已经足够，这时就回到原来的值。第二版教材里会花很大篇幅讨论终端约束和稳定性，工程上如果 Np 覆盖了主导动态，很多稳定性问题不会出现；但如果 Np 太短，加再多终端约束也难救。

2.3 约束的硬软决策与代价函数权重：先保可行，再谈最优

MPC 和 PID 最大的区别是能直接处理约束，但约束怎么设，决定它会不会“无解”。输入约束一定是硬约束，因为执行器物理限位不能破。状态约束和输出约束建议用软约束：预测有误差，硬约束一旦冲突，优化器返回 infeasible，控制量直接断掉。软约束的标准做法是引入松弛变量 ε，并给一个足够大的惩罚项：

eps = cp.Variable(nonneg=True) constraints.append(x[k + 1] <= x_max + eps) constraints.append(x[k + 1] >= x_min - eps) cost += 1e4 * eps**2

这里的 ε 只惩罚预测越界，不惩罚正常轨迹。权重 1e4 是经验起点，太小会允许平时偷偷越界，太大会退化成硬约束。代价函数本身，我习惯写成状态误差的二次型加上控制量二次型。Q 决定哪些状态误差更“贵”，R 决定控制量用得多贵。调权重时先看比例：位置权重和速度权重的比值、状态权重和控制权重的比值，而不是单个绝对值。

如果位置是 0 到 100，速度是 -1 到 1，直接用 Q 的对角值去调，速度项会被位置项淹没。先做归一化，把所有状态除以各自的最大允许值，再设 Q 和 R，这样权重才真正反映优先级。还有一个容易踩的坑：设定值跳变太大时，硬约束会让优化问题在第一个周期就撞墙。我的习惯是给参考轨迹加一阶斜坡或低通滤波，让设定值的变化时间略小于 Np*Ts。代价函数权重不是玄学，但量纲和参考轨迹不处理好的话，它看起来就是玄学。

提示：输入约束保持硬，输出约束保持软。把这句话写成注释放在代码里，能避免大量 infeasible 问题。

3. 离散化与 QP 求解：把 MPC 算出来的最小可运行代码

MPC 从公式到可运行，关键一步是把“预测”变成“优化”。所有状态和输入在预测时域里堆成向量，代价函数变成二次型，约束变成线性不等式，于是每个采样周期要解一个二次规划。本章给出完整的最小实现，并说明离散化方法和求解器参数怎么设。

3.1 连续模型怎么离散：零阶保持比前向欧拉更稳妥

如果被控对象给的是连续模型，第一步是离散化。常见做法是零阶保持，认为输入在一个采样周期内保持不变，这符合实际数模转换器的行为。用 Python 写很简单：

from scipy.signal import cont2discrete A_c = np.array([[0.0, 1.0], [0.0, 0.0]]) B_c = np.array([[0.0], [1.0]]) C_c = np.array([[1.0, 0.0]]) D_c = np.array([[0.0]]) Ts = 0.1 sys_d = cont2discrete((A_c, B_c, C_c, D_c), Ts, method='zoh') Ad, Bd, Cd, Dd = sys_d[0], sys_d[1], sys_d[2], sys_d[3]

这里cont2discrete用零阶保持做离散，得到的 Ad 是矩阵指数，Bd 是输入到状态的精确映射。前向欧拉只是用Ad = I + A*Ts，在 Ts 足够小时误差不大，但这里建议直接用 ZOH。注意B_c是 2 行 1 列，因为系统只有一个输入；D_c必须显式给出，否则函数无法推断输出矩阵的维度。离散化完成后，检查一下 Ad、Bd 的量级。如果 Ts 取得太大，B 的数值会变大，求解时容易出现数值问题。C 在 MPC 优化里不一定直接用，但在后面的状态估计里一定会用到。

3.2 滚动优化最小实现：Python 加 cvxpy 搭一个通用 QP

下面的代码是一个可以直接跑的线性 MPC。模型就用章节 2.1 的双积分器，目标是把位置从 0 控制到 1，速度归零。

import numpy as np import cvxpy as cp Ts = 0.1 A = np.array([[1.0, Ts], [0.0, 1.0]]) B = np.array([[0.0], [Ts]]) nx, nu = B.shape Np = 20 # 预测时域: 20 步, 对应 2 秒 Nc = 5 # 控制时域: 前 5 步可以变化 Q = np.diag([10.0, 0.1]) R = np.array([[0.05]]) u_max, u_min = 1.0, -1.0 x_max = np.array([1.5, 2.0]) x_min = -x_max def mpc_step(x0, ref): ref_vec = np.array([ref, 0.0]) # 期望位置和期望速度 x = cp.Variable((Np + 1, nx)) u = cp.Variable((Np, nu)) cost = 0 constraints = [x[0] == x0] for k in range(Np): constraints.append(x[k + 1] == A @ x[k] + B @ u[k]) constraints.append(u[k] <= u_max) constraints.append(u[k] >= u_min) constraints.append(x[k + 1] <= x_max) constraints.append(x[k + 1] >= x_min) cost += cp.quad_form(x[k + 1] - ref_vec, Q) cost += cp.quad_form(u[k], R) # 控制时域之外的输入保持 Nc-1 步的值 for k in range(Nc, Np): constraints.append(u[k] == u[Nc - 1]) prob = cp.Problem(cp.Minimize(cost), constraints) prob.solve(solver=cp.OSQP, verbose=False, eps_abs=1e-5, eps_rel=1e-5, polish=True) if prob.status != cp.OPTIMAL: return None return u[0].value x = np.array([0.0, 0.0]) for k in range(60): u_opt = mpc_step(x, 1.0) if u_opt is None: print("infeasible at step", k) break x = A @ x + B @ np.array([u_opt[0]]) if k % 10 == 0: print("k=", k, "pos=", x[0])

这段代码把 MPC 的四个要素都放进去了。预测状态 x 和预测输入 u 是优化变量，每个采样周期重新求解；离散状态方程x[k+1] = A x[k] + B u[k]被写成等式约束；输入限幅是硬约束；目标函数把跟踪误差和控制量放在同一个二次型里。Nc之后的输入被约束成最后一个可变值，这是减少决策变量的常用做法，等价于把未来输入参数化为分段常值。

参数说明：Np=20 意味着预测窗口是 2 秒，大于双积分模型从 0 到 1 的基本动态，因此不需要额外终端约束也能稳定。Q 里位置权重 10、速度权重 0.1，代表位置优先；R=0.05 表示控制量不太贵，响应会比较快。想更保守，把 R 调到 0.1 以上。polish=True让 OSQP 在找到解后做一次抛光，减少数值误差。如果求解状态不是 optimal，函数返回 None，控制器应做保持上一拍输出的保护逻辑，而不是直接异常退出。

3.3 求解器选型与热启动：什么时候该把 QP 换成更大口径

3.2 用的是 OSQP，因为线性约束 MPC 的 QP 本质是凸优化。OSQP 是稀疏算子分裂方法，对中小规模问题快且内存小；几百个变量以内的模型，用 CVXPY 封装很合适。如果预测模型带非线性，就得换非线性求解器，常见方案是 CasADi 配 IPOPT，但每个周期求解时间不稳，快回路要谨慎。如果目标是嵌入式或极小采样周期，常见做法是把 QP 的矩阵结构和稀疏模式提前固化，用代码生成工具导出 C 代码，再在实时环境里调用，这时就不在 Python 层解了。

另一个实际技巧是热启动。MPC 相邻两个采样周期的问题几乎一样，把上一时刻的最优解作为新问题的初值，迭代次数能明显减少。在 CVXPY 里用warm_start=True，再把上一帧的u.value、x.value赋给变量。热启动的坑是问题变了但初值还不可行，所以不要强行依赖它，保留足够的max_iter和软约束。如果计算时间超过采样周期的一半，就要警惕：要么减小 Np 或 Nc，要么把状态约束改成软约束，要么把求解精度放宽到 1e-4。判断标准不是平均求解时间，而是最坏情况下的求解时间，MPC 必须保证每个周期都算完。

4. 从仿真到实物：接进 MPC 前先过模型失配、延迟和调参这三关

代码能在仿真里跑，离实物还差很远。我接实物前一定会做三件事：故意让仿真对象和预测模型不一致，把一拍延迟和输入变化率约束写进问题，最后按固定顺序调参。这一章就是把这三关逐个说清楚。

4.1 仿真怎么搭才有参考价值：故意给对象模型掺一点假

如果仿真对象用的 A/B 与 MPC 里的 A/B 完全一致，那只是数学恒等式，不是控制测试。真正有参考价值的仿真，要主动制造模型失配。下面这段示意怎么搭：

rng = np.random.default_rng(42) noise_std = 0.01 def real_plant(x, u): # 对象模型: 增益故意比预测模型大 15% Ar = np.array([[1.0, Ts], [0.0, 1.0]]) Br = np.array([[0.0], [Ts * 1.15]]) return Ar @ x + Br @ u x_true = np.array([0.0, 0.0]) for k in range(100): u_opt = mpc_step(x_est, 1.0) x_true = real_plant(x_true, u_opt) y_meas = x_true[0] + rng.normal(0, noise_std) # x_est 在真实工程里由观测器更新

real_plant的 Br 比预测模型的 B 大了 15%，模拟阀门系数偏差和未建模摩擦。噪声加在测量上而不是状态上，因为现场传感器的位置测量有噪声，速度状态则需要估计。你会看到，只调 Q/R 压不掉稳态误差，因为控制器相信模型增益，而模型增益是错的。真正的修正在下一节，用观测器或增广扰动项。仿真要做的不是看起来好看，而是主动制造失配去把问题压出来。仿真里不出现的坑，实物上大概率加倍还回来。

注意：仿真对象和预测模型完全一致，等于在证明同一个方程自己等于自己，没有任何验证价值。

4.2 一拍延迟、输入变化率与状态估计：MPC 的隐藏前提

MPC 的预测方程默认：k 时刻测到状态，k 时刻给定 u，x[k+1] 就更新。实物不是这样。实际链路是测量、计算、D/A、执行器响应，至少要一拍时间才真正作用。常见做法有两种。第一种：保持计算在采样周期中尽早完成，u[k] 在 k 时刻直接下发，只要计算时间小于 Ts 的 10%，延迟可以忽略。第二种：把延迟建模进预测，增广一个状态u_d，让u_d[k+1] = u[k]，预测方程改成x[k+1] = A x[k] + B u_d[k]。慢系统用第一种，快系统或执行器响应慢的用第二种。

输入变化率约束经常被漏掉。执行器不只有饱和，还有速率限制。如果不限制相邻两步的变化量，MPC 会在约束边界附近疯狂抖动。在约束里加：

du_max = 0.2 constraints.append(u[0] - u_prev <= du_max) constraints.append(u[0] - u_prev >= -du_max) for k in range(1, Np): constraints.append(u[k] - u[k - 1] <= du_max) constraints.append(u[k] - u[k - 1] >= -du_max)

u_prev是上一拍实际下发值。没有这一步，OSQP 求出来的 u 可能是一拍 1、一拍 -1 的锯齿波，R 小的时候尤其明显。状态估计更不用说：MPC 要求全状态，不是只有测量输出。位置可以直接测，速度不能直接测时用 Kalman 滤波，而不是简单差分。差分出来的速度噪声极大，直接进 MPC 会让 u 抖，这也是很多人第一次上 MPC 觉得控制器不稳定的主要原因。

4.3 调参顺序与观察指标：先看控制量，再看跟踪曲线

我一般按固定顺序调，不要上来就动 Q/R。先把开环阶跃做了，看主导时间常数和稳态增益；然后按第 2 章的规则定 Ts、Np、Nc，约束全部放开；Q 和 R 按归一化量设，Q 先只对角，R 从中间值开始；再把输入约束加回去，观察求解时间和控制量抖动；最后加状态约束、变化率约束和软约束，做模型失配仿真。观察指标包括上升时间、超调量、控制量最大变化量、约束激活次数和最坏求解时间。

如果超调大，先加大 Q 或减小 R；如果抖动，说明 R 太小或状态估计噪声大，先别调 Q；如果稳态误差不为零，方向不是调参，而是检查观测器和模型增益偏差。这些顺序我踩过不少坑，最反直觉的是“超调大不一定是权重问题，可能是 Np 太短”。调参前先把窗口拉长到主导时间常数的 5 倍再说，很多问题自己就消失了。

5. MPC 落地避坑：五条让我返工最多的现场教训

下面这些来自我调试过程中的记录，每个现象都对应一个具体原因。有些看起来像玄学，实际上是接口、时序或建模位置不对。按现象、原因、解决三条写清楚。

5.1 现象一：预测曲线漂亮，实机一上去就抖

现象：模型仿真里曲线平滑，控制量稳定；一接到模拟执行器，指令像噪声一样来回跳。

原因：最常见的是 R 太小，或者 Nc 太大，导致控制器把测量噪声和未建模动态当成需要快速补偿的偏差。另一个常见来源是没有状态估计，直接用差分信号当速度。

解决：先看控制量曲线，一个采样周期一跳基本就是上述问题。把 R 加大 5 到 10 倍，Nc 减到 3，再看曲线。如果加了低通滤波后控制量不再高频跳，说明噪声确实从测量端进来。滤波时间常数不要超过 Ts/5，否则会引入相位滞后，控制器会反过来去补偿滞后。再不行就查执行器反馈和指令是否一致，看有没有死区或回程间隙。

5.2 现象二：约束一激活就震荡，甚至无解

现象：设定值接近边界时，求解器返回 infeasible，控制量保持上一拍值；或者当 u 达到限幅后，位置在边界附近来回冲。

原因：把输出或状态约束设成了硬约束。预测模型有任何误差，预测路径就可能越过边界，优化器找不到可行解。约束激活时震荡，通常是参考设定值直接顶到边界，控制器想在一个周期内追上去，输入在上下限之间来回切换。

解决：输入约束保持硬，输出约束改成软约束，加松弛变量。给参考轨迹加斜坡，让它知道边界不可瞬间到达。松弛变量权重取 1e4 左右，只在快要越界时才起作用。出现 infeasible 时，不要立刻放松输入约束，先看是哪个约束在哪个预测步被违反，把被违反的那一个改成软约束。

5.3 现象三：换一台设备就要重调，模型参数看着全对

现象：同一套 MPC 代码和参数，从一台设备搬到同型号另一台设备，超调和调节时间差别明显。

原因：设备间增益和时间常数有分散性，名义模型参数在开环辨识里看着合理，但控制器对模型增益误差很敏感。增益偏差 10% 就足以让预测的稳态位置和目标错位，闭环品质立刻变样。

解决：换设备后先做一次小阶跃，把实测稳态增益用来修正 B 矩阵。现场有多个工况时，把增益做成调度表，而不是调 Q/R 去掩盖模型误差。增益调度后如果稳态误差仍在，要在观测器里加扰动状态，让 MPC 的预测模型拥有积分作用。

5.4 现象四：采样周期一换，控制性能完全变样

现象：Ts 从 0.2 改成 0.1，Np、Q/R 都没动，响应速度明显变慢，或者出现低频振荡。

原因：离散模型没有随 Ts 重新更新，或者更新了但预测时域的物理时间变了。Np=20 时，Ts=0.2 的窗口是 4 秒，改成 0.1 后只有 2 秒，控制器看得更短，自然更保守。Nc=5 也是一样，物理上允许变化的时长从 1 秒变成 0.5 秒。

解决：每次改 Ts，用cont2discrete重新生成 Ad/Bd。保持物理时间一致，也就是同时调整 Np 和 Nc，让 NpTs、NcTs 不变。改完之后重新看一眼开环阶跃，确认预测模型的稳态增益没有因为离散化而变化。

5.5 现象五：代价函数权重调不动，反而越调越差

现象：把 Q 里位置权重从 10 加到 1000，闭环响应没有变快，甚至出现求解精度下降和约束抖动。

原因：数量级差太多。位置是 0 到 100，速度是 -1 到 1，Q 里 1000 和 0.1 跨了 4 个数量级，Hessian 条件数过高，求解器在数值上分不清谁重要。另一个原因是参考值、状态都直接用工程单位，权重被数值尺度吃掉了。

解决：先标幺化，状态除以各自最大允许值，输入除以执行器满量程。归一化后从 Q=diag([1, 0.1])、R=[0.1] 开始调，权重比例才有物理意义。调完后再换回工程单位，但约束逻辑保持不变。这个坑最隐蔽，因为它不报错，只会让曲线越调越乱。

5.6 现场排查顺序：先查控制量，再查状态估计，最后查模型

控制异常时，我的排查顺序是固定的：先打印控制量曲线和求解状态，看是不是高频抖；再看状态估计值是不是跟踪得上测量值；最后才怀疑模型。求解状态出现非 optimal 时，把prob.status打出来。如果总是 infeasible，先把硬约束改成软约束，把参考斜坡加长。状态估计和测量差得远，先修观测器，不要动 MPC 参数。模型失配导致的问题，权重怎么调都没有用，因为控制器在用错误的模型做预测。这个顺序能避免大多数越调越乱的情况。

6. 进阶：用闭环“两步检验法”验证你的 MPC 是否真正到位

MPC 能在仿真里跑是一回事，交付前我会固定做两道检验。第一步，用与 MPC 完全一致的模型做闭环阶跃，此时如果收敛慢或振荡，说明基础窗口或权重有问题，别急着甩锅给模型。第二步，把对象模型的增益改 10% 到 20%，加量测噪声，再跑三个不同幅度的设定值，观察超调、控制量抖动和无解次数。这一步过不了，就回去改模型或约束，而不是靠调参掩盖。

具体判定指标：超调小于 5%，控制量最大变化量小于执行器速率上限的一半，所有prob.status都是 optimal。如果第二步出现控制量抖，优先检查 R 和状态估计；如果稳态误差不为零，优先检查扰动观测器和模型增益；如果 infeasible，优先检查软约束和参考斜坡。两步都通过后，我会把参数放到一个独立配置块里，Ts、Np、Nc、Q、R、约束、求解器容差全部集中管理，换设备只改配置，不碰控制代码。这个习惯帮我节省了大量翻找参数的时间，也避免“上次在别的地方调过”这种说不清的状态。

有一次我就是在双积分模型上把权重调得很漂亮，忘记加模型失配和噪声，结果一接实物就开始抖。随后补上两步检验法，才把问题定位到状态估计，而不是继续跟 Q/R 较劲。从那以后，这一步成了我交付前的最后一道关卡。希望帮到你。

本文还有配套的精品资源，点击获取