状态空间MPC的输入增量实现与Matlab实践-代码聚汇网

状态空间MPC的输入增量实现与Matlab实践

哥谭市原住民·2026-08-03·阅读 55 GEO检测（免费）

模型预测控制状态空间MPC输入增量

|难度：普通|阅读约 17 分钟

1. 项目概述：基于输入增量的状态空间MPC实现

在控制工程领域，模型预测控制(MPC)因其处理多变量约束系统的能力而广受青睐。不同于传统PID控制，MPC通过在线优化未来时间窗口内的系统行为来实现控制目标。这次我们要探讨的是状态空间MPC的一种特殊实现形式——采用输入增量作为优化变量的控制策略。

这种方法的独特之处在于将控制输入的变化量(Δu)而非绝对量(u)作为优化变量。想象一下驾驶汽车时的油门控制：我们更关注的是"踩下多少油门"这个动作变化，而不是油门踏板的绝对位置。这种处理方式带来了几个显著优势：首先，它能自然处理执行器的速率约束；其次，可以消除稳态误差；最重要的是，它能更好地适应存在积分环节的系统。

在Matlab环境下实现这种控制器，我们可以充分利用其强大的矩阵运算能力和控制系统工具箱。特别是结合Simulink，能够构建从算法设计到实时仿真的完整工作流程。下面我将详细解析这种MPC公式的数学原理，并分享我在Matlab实现过程中积累的实战经验。

需要模型API调用？免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。

2. 状态空间MPC的数学基础

2.1 标准状态空间模型

状态空间模型是现代控制理论的核心表达形式。对于一个离散时间线性时不变系统，我们可以表示为：

x(k+1) = Ax(k) + Bu(k)
y(k) = Cx(k) + Du(k)

其中x∈Rⁿ是状态向量，u∈Rᵐ是控制输入，y∈Rᵖ是系统输出。A,B,C,D是相应维度的系统矩阵。在MPC框架下，我们需要将这个模型扩展到预测时域内。

提示：在实际建模时，D矩阵通常为零，特别是对于物理系统。这个假设可以简化后续推导。

2.2 输入增量形式的转换

将控制输入表示为增量形式，我们需要引入新的状态变量。定义输入增量为Δu(k) = u(k) - u(k-1)，然后将原始状态向量扩展为：

x̃(k) = [x(k); u(k-1)]

这样得到增广状态空间模型：

x̃(k+1) = Ãx̃(k) + B̃Δu(k)
y(k) = C̃x̃(k)

其中：
Ã = [A B; 0 I], B̃ = [B; I], C̃ = [C D]

这种表示法的妙处在于将输入变化率直接纳入状态方程，为后续处理输入约束提供了便利。

2.3 预测方程构建

基于增广模型，我们可以推导预测时域Np内的系统输出。令当前时刻为k，则未来状态预测可表示为：

X = Fx̃(k) + ΦΔU

其中：
X = [x̃(k+1); ...; x̃(k+Np)]
ΔU = [Δu(k); ...; Δu(k+Nc-1)]
F和Φ是由系统矩阵构成的块下三角矩阵

输出预测则为：
Y = Ψx̃(k) + ΘΔU

这些矩阵的具体形式需要仔细构建，它们构成了MPC优化问题的基础。

3. Matlab实现细节

3.1 系统建模与参数配置

在Matlab中，我们首先需要定义系统模型。假设我们已经通过辨识或机理建模获得了状态空间模型：

matlab复制A = [1.2 0.5; -0.3 0.8];
B = [0.7; 1.5]; 
C = [1 0];
D = 0;
Ts = 0.1; % 采样时间

sys = ss(A,B,C,D,Ts);

接下来配置MPC参数：

matlab复制Np = 20; % 预测时域
Nc = 5;  % 控制时域
Q = diag([10,1]); % 状态权重
R = 0.1; % 控制权重

注意：预测时域Np通常选择为系统主要动态的3-5倍时间常数对应的采样点数。太短会导致性能下降，太长会增加计算负担。

3.2 增量形式转换实现

将标准模型转换为增量形式：

matlab复制[nx,nu] = size(B);
A_aug = [A B; zeros(nu,nx) eye(nu)];
B_aug = [B; eye(nu)];
C_aug = [C zeros(size(C,1),nu)];
sys_aug = ss(A_aug,B_aug,C_aug,0,Ts);

这一步构造了前文所述的增广系统矩阵。在实际应用中，还需要处理可能的直接馈通项D。

3.3 预测矩阵构建

构建预测方程所需的F和Φ矩阵：

matlab复制F = zeros((Np+1)*(nx+nu),nx+nu);
Phi = zeros((Np+1)*(nx+nu),Nc*nu);

% 构建F矩阵
for i = 1:Np+1
    F((i-1)*(nx+nu)+1:i*(nx+nu),:) = A_aug^i;
end

% 构建Phi矩阵
for i = 1:Np+1
    for j = 1:Nc
        if i > j
            Phi((i-1)*(nx+nu)+1:i*(nx+nu),(j-1)*nu+1:j*nu) = A_aug^(i-j)*B_aug;
        elseif i == j
            Phi((i-1)*(nx+nu)+1:i*(nx+nu),(j-1)*nu+1:j*nu) = B_aug;
        end
    end
end

类似地，可以构建输出预测矩阵Ψ和Θ。这些矩阵可能看起来复杂，但它们本质上只是系统动态在预测时域内的展开。

4. 优化问题求解

4.1 目标函数构造

MPC的核心是一个带约束的优化问题。对于输入增量形式，典型的目标函数为：

J = Σ(y(k+i)-r(k+i))'Q(y(k+i)-r(k+i)) + ΣΔu(k+i)'RΔu(k+i)

在Matlab中，我们可以将其表示为二次型：

matlab复制Qbar = kron(eye(Np),Q);
Rbar = kron(eye(Nc),R);

H = Theta'*Qbar*Theta + Rbar;
f = (Psi*x0 - R)'*Qbar*Theta;

其中R是参考轨迹向量，x0是当前状态。

4.2 约束处理

输入增量形式天然适合处理各种约束：

输入幅值约束：u_min ≤ u(k-1) + ΣΔu ≤ u_max
输入变化率约束：Δu_min ≤ Δu ≤ Δu_max
输出约束：y_min ≤ y ≤ y_max

在Matlab中，这些约束可以表示为：

matlab复制Aineq = []; bineq = []; % 初始化

% 输入变化率约束
Aineq = [Aineq; eye(Nc*nu); -eye(Nc*nu)];
bineq = [bineq; repmat(dumax,Nc,1); repmat(-dumin,Nc,1)];

% 输入幅值约束
Acon = tril(ones(Nc));
Aineq = [Aineq; Acon; -Acon];
bineq = [bineq; repmat(umax-u_prev,Nc,1); repmat(u_prev-umin,Nc,1)];

4.3 实时优化实现

使用Matlab的quadprog求解QP问题：

matlab复制options = optimoptions('quadprog','Display','off');
[DU,fval,exitflag] = quadprog(H,f,Aineq,bineq,[],[],[],[],[],options);

if exitflag == 1
    du = DU(1:nu); % 只取第一个控制增量
else
    warning('优化失败');
    du = zeros(nu,1);
end

u = u_prev + du; % 计算实际控制量

在实际应用中，需要考虑求解失败时的容错处理，比如保持上一时刻的控制输入。

5. Simulink集成与仿真

5.1 MPC控制器封装

将上述算法封装为Matlab Function Block：

matlab复制function u = mpc_controller(x,u_prev,r)
% 定义持久变量保存系统参数
persistent H f Aineq bineq Theta Psi

if isempty(H)
    % 初始化参数
    [H,f,Aineq,bineq,Theta,Psi] = init_mpc();
end

% 构建增广状态
x_aug = [x;u_prev];

% 更新不等式约束右侧(输入幅值约束部分)
bineq(end-2*Nc*nu+1:end) = [repmat(umax-u_prev,Nc,1); repmat(u_prev-umin,Nc,1)];

% 求解QP
options = optimoptions('quadprog','Display','off');
[DU,~,exitflag] = quadprog(H,f,Aineq,bineq,[],[],[],[],[],options);

if exitflag == 1
    du = DU(1:nu);
else
    du = zeros(nu,1);
end

u = u_prev + du;

5.2 闭环仿真配置

在Simulink中搭建测试环境：

被控对象模型（可以是真实模型或辨识模型）
MPC控制器模块
参考信号生成器
性能评估模块（IAE、ISE等指标）

实操技巧：在仿真初期，可以使用阶跃或扫频信号测试控制器性能；稳定后再测试更复杂的参考轨迹跟踪能力。

5.3 性能调优经验

通过实际项目积累，我发现几个关键调优点：

权重选择：Q矩阵中对输出误差敏感的权重应该比R大1-2个数量级，但过大会导致控制过于激进。
时域选择：Np/Nc比值通常在3-5之间。我发现Nc=5~10，Np=3*Nc是个不错的起点。
约束处理：在实际应用中，建议先在不加约束的情况下调试权重，然后再逐步加入约束。
实时性考虑：对于快速系统，可能需要简化模型或减小时域来满足实时性要求。

6. 常见问题与解决方案

6.1 优化求解失败

现象：quadprog频繁返回非1的exitflag。

排查步骤：

检查H矩阵是否正定（使用eig(H)）
验证约束是否相容（特别是输入约束是否过紧）
检查数值条件数（cond(H)）

解决方案：

对H添加小量正则化：H = H + 1e-6*eye(size(H))
放松约束条件
使用更鲁棒的求解器（如OSQP）

6.2 稳态误差问题

现象：系统输出无法准确跟踪参考信号。

可能原因：

模型存在失配（特别是积分环节）
输入增量权重R过大
预测时域太短

解决方案：

在模型中显式加入积分器
调整权重比Q/R
增加预测时域Np
考虑使用扰动观测器

6.3 计算延迟问题

现象：控制器无法在一个采样周期内完成计算。

优化方向：

减少预测时域Np和控制时域Nc
使用热启动（重用上一周期的解作为初始猜测）
采用显式MPC（离线计算参数分区）
代码生成加速（使用Matlab Coder）

7. 高级应用与扩展

7.1 非线性系统处理

对于非线性系统，可以考虑以下方法：

序列线性化：在每个采样点对非线性系统进行线性化
多模型MPC：在不同工作点建立多个线性模型，在线切换
非线性MPC：直接处理非线性模型，但计算量较大

在Matlab中，可以使用nlmpc对象实现非线性MPC：

matlab复制nlobj = nlmpc(nx,ny,nu);
nlobj.Model.StateFcn = @myStateFunction;
nlobj.Model.OutputFcn = @myOutputFunction;
nlobj.PredictionHorizon = Np;
nlobj.ControlHorizon = Nc;

7.2 鲁棒MPC实现

考虑模型不确定性的鲁棒MPC实现方法：

最坏情况优化：min-max形式
随机MPC：考虑概率分布
管式MPC：将误差限制在"管"内

在Matlab中，可以通过定义不确定系统模型来实现：

matlab复制usys = ureal('a',A,'Range',[A_min A_max]);
robust_mpc = mpc(usys,Ts);

7.3 嵌入式部署

对于实际硬件部署，需要考虑：

代码生成：使用Matlab Coder将算法转为C代码
定点化：处理FPGA等资源受限平台
实时性保障：确保最坏执行时间满足要求

matlab复制cfg = coder.config('lib');
codegen('mpc_controller.m','-config','cfg','-report');

在实际无人车项目中，我们采用输入增量MPC实现了路径跟踪控制。相比传统方法，它更好地处理了转向电机的速率限制，使车辆转向更加平滑。特别是在高速过弯时，输入增量形式自然地限制了转向角速度，避免了急转带来的不稳定因素。