上篇聊了MPC的约束处理。输入约束、状态约束、输出约束在优化框架里统一建模QP求解器一跑就出来了。但一跑就出来这句话在工程上没那么轻松。你做一个四旋翼的姿态控制控制频率500Hz每步只有2ms。你的MPC预测时域N20状态维度4输入维度1QP的变量数就是420120100个。2ms内要解一个100变量的QP还得算上状态估计和通信开销留给QP的时间可能只有500微秒。再极端一点你做自动驾驶的横向控制控制频率100Hz预测时域N50状态维度6输入维度2QP变量数就是650250400个。10ms内解400变量的QP这个难度就上来了。MPC的实时求解和嵌入式部署是决定MPC能不能从论文走向产品的关键。一、QP求解器从离线到在线MPC的优化问题是一个标准QPmin 0.5 * z^T * H * z f^T * z s.t. A_ineq * z b_ineq A_eq * z b_eq其中z是优化变量包含所有预测状态和控制量H是Hessian矩阵由Q和R构成f是线性项由参考轨迹构成约束矩阵A_ineq包含系统动态约束和各种物理约束。求解QP的算法主要分几类内点法Interior Point Method精度高迭代次数少通常20-50次但每次迭代要解一个线性方程组计算量大。适合变量多、精度要求高的场景。MATLAB的quadprog默认用内点法。活动集法Active Set Method思路是猜哪些约束是活跃的取到边界值然后只在这些约束下解等式约束的QP。猜对了就一步到位猜错了就调整活动集。对于约束稀疏的问题效率很高。qpOASES就是这个思路。算子分裂法Operator SplittingADMM交替方向乘子法和投影梯度法是代表。每次迭代计算量小矩阵向量乘法适合嵌入式实现。精度不如内点法但速度快。OSQP就是这个思路目前MPC领域用得最多。讲真选求解器没有最好只有最合适。嵌入式平台算力有限OSQP这种轻量级求解器是首选。PC端做仿真验证用内点法精度更高。二、加速技巧让MPC跑得更快实际工程中光靠求解器本身还不够。下面几个加速技巧是标配Warm Start热启动用上一步的优化解作为当前步的初始猜测。MPC是滚动时域相邻两步的优化问题非常相似热启动通常能让迭代次数减少50-80%。这个技巧几乎零成本必须用。约束裁剪Constraint Pruning很多约束在当前步根本不会激活比如力矩离上限还远得很。提前识别并去掉这些不活跃约束可以缩小QP的规模。之前做机械臂MPC的团队用过这个技巧约束数从200砍到80求解时间直接减半。显式MPCExplicit MPC对于低维系统状态维度小于10可以把QP的解离线算出来表示为状态的分段仿射函数。在线运行时只需要查表不需要解优化问题。缺点是离线计算量随维度指数增长高维系统用不了。代码生成Code Generation把求解器的核心计算用代码生成工具比如CasADi、FORCES PRO直接生成C代码跳过通用求解器的开销。生成的代码针对特定问题结构优化过比通用求解器快3-10倍。并行计算QP求解中的矩阵向量乘法可以并行化。如果硬件支持FPGA、GPU或多核DSP并行加速效果明显。不过对于中小规模QP并行化的开销可能比收益还大。三、嵌入式部署从PC到MCUMPC上嵌入式平台面临的挑战不只是算力。算力差距PC端一个100变量的QP可能1ms就解完了。同样的问题放到STM32Cortex-M4168MHz上可能需要50ms。放到更低的MCU上可能要几百毫秒。你得在算法层面做大量简化。浮点运算很多MCU没有硬件FPU浮点运算单元浮点运算全靠软件模拟速度慢10-100倍。解决办法是定点化——把浮点运算转成整数运算。但定点化会引入量化误差需要仔细评估对控制性能的影响。内存限制QP求解器需要存储Hessian矩阵、约束矩阵、工作变量等。100变量的QP可能需要几十KB的RAM。对于RAM只有几十KB的MCU内存可能不够用。需要选择内存效率高的求解器或者减小问题规模。确定性控制系统对实时性有严格要求。你不能用一个平均5ms但偶尔50ms的求解器。必须保证最坏情况下的求解时间也在控制周期以内。OSQP在这方面做得不错它的迭代次数有上界可以估计最坏情况。之前有个做微型无人机25g级别的团队用的是nRF52840Cortex-M4F64MHz256KB RAM。MPC预测时域只敢设5步状态维度压到2用了定点化代码生成最终QP求解时间控制在800微秒。整个过程花了两个月调优。四、代码示例OSQP求解器配置来看一个用OSQP做MPC实时求解的例子。OSQP是目前MPC嵌入式部署最流行的求解器之一。import osqp import scipy.sparse as spa import numpy as np # 构造MPC的QP问题简化示意 H_sparse spa.block_diag([...]).tocsc() # Hessian矩阵 A_constraint spa.random(100, 50, density0.3).tocsc() l_bound np.full(100, -5.0) u_bound np.full(100, 5.0) # OSQP关键配置 prob osqp.OSQP() prob.setup(PH_sparse, qnp.zeros(50), AA_constraint, ll_bound, uu_bound, warm_startTrue, # 热启动必须开 max_iter100, # 限制最大迭代次数 eps_abs1e-3, # MPC不需要太高精度 time_limit0.001) # 时间限制1ms # 在线求解 for step in range(1000): prob.update(qnew_q) # 更新参考轨迹 result prob.solve() if result.info.status solved: u_opt result.x[:nu] else: u_opt last_u # 超时就用上一次的结果OSQP的几个关键配置warm_start让相邻步复用解max_iter保证最坏情况下的时间上界time_limit直接卡死求解时间eps_abs1e-3对MPC来说精度足够。五、面试实战QMPC求解时间超过控制周期怎么办A几个策略1减小预测时域N2用warm start加速收敛3降低求解精度eps从1e-6放到1e-34用代码生成跳过通用求解器开销5实在不行就切换到备份控制器比如PID。QOSQP和qpOASES有什么区别AOSQP基于ADMM算子分裂每次迭代计算量小适合嵌入式精度中等。qpOASES基于活动集法精度高适合中小规模问题warm start效果好。工业界两个都用OSQP在嵌入式场景更常见。Q显式MPC了解吗A显式MPC把优化问题的解离线算出来表示为状态的分段仿射PWA函数。在线只需要查表简单计算不需要迭代求解。适合低维系统状态维度10高维系统离线计算量爆炸。讲真MPC的实时求解能力是区分会写论文和能做产品的分水岭。面试时你能聊到warm start、代码生成、定点化这些工程细节面试官就知道你真正做过MPC的落地。小结MPC的实时求解是工程落地的关键瓶颈。QP求解器的选择OSQP/qpOASES/内点法、加速技巧warm start/约束裁剪/代码生成、嵌入式部署算力/浮点/内存/确定性每个环节都需要工程经验。好消息是随着硬件性能提升和求解器技术进步MPC的部署门槛在持续降低。几年前只有高端处理器才能跑的MPC现在中端MCU就能搞定。控制理论的基础部分聊了差不多了。从下篇开始我们进入一个新的领域——自适应控制。当系统参数在运行过程中发生变化时传统固定参数的控制器就不够用了。如果这篇文章对你有帮助欢迎点赞、在看、转发三连。 你的支持是我持续更新的最大动力。「机器人软件开发面试·从入门到精通」连载系列上一篇第195篇 MPC约束处理——输入/状态/输出约束的工程实现下一篇预告第197篇 自适应控制——系统参数变化时怎么保持性能有任何问题欢迎评论区留言我会尽量回复。