1. 项目背景与核心价值
在控制工程领域，模型预测控制（MPC）与李亚普诺夫稳定性理论的结合一直是前沿研究方向。这个笔记记录了我如何通过辅助李亚普诺夫函数来设计鲁棒MPC控制器的完整过程。不同于传统MPC设计，这种方法能够在保证系统稳定性的同时，显著提升控制性能。
我在实际工业控制项目中发现，许多工程师虽然熟悉MPC的基本原理，但在处理复杂非线性系统时，常常面临稳定性证明困难、计算负担过重等问题。这篇笔记将分享一个经过实践验证的设计框架，特别适合处理具有状态约束和输入约束的复杂动态系统。
2. 理论基础与关键概念解析
2.1 MPC的核心思想
模型预测控制本质上是一种基于模型的滚动优化策略。其核心在于：
- 在每个采样时刻，基于当前状态预测未来有限时域内的系统行为
- 求解一个有限时域的最优控制问题
- 仅实施第一个控制输入，然后在下一个采样时刻重复整个过程
这种"预测-优化-实施"的循环机制，使得MPC能够有效处理多变量耦合、约束等复杂控制问题。
2.2 李亚普诺夫稳定性理论
李亚普诺夫稳定性理论为非线性系统稳定性分析提供了强有力的工具。其核心思想是：
- 构造一个正定的李亚普诺夫函数V(x)
- 通过分析V(x)沿系统轨迹的导数来判定稳定性
- 对于离散系统，通常要求ΔV(x) = V(x(k+1)) - V(x(k)) ≤ 0
2.3 辅助李亚普诺夫函数的作用
在MPC设计中引入辅助李亚普诺夫函数，主要解决以下关键问题：
- 保证闭环系统的稳定性
- 提供终端代价函数的设计依据
- 简化稳定性证明过程
- 降低在线计算复杂度
3. MPC控制器设计详细步骤
3.1 系统建模与问题描述
考虑离散时间非线性系统：
x(k+1) = f(x(k), u(k))
其中x∈X⊆ℝⁿ，u∈U⊆ℝᵐ，X和U分别为状态和输入的约束集。
控制目标：
min J(x₀,u) = ∑[l(x(k),u(k))] + V_f(x(N))
s.t. x(k+1)=f(x(k),u(k))
x(k)∈X, u(k)∈U
x(N)∈X_f
其中l(·)为阶段代价，V_f(·)为终端代价，X_f为终端约束集。
3.2 辅助李亚普诺夫函数设计
设计辅助李亚普诺夫函数W(x)需满足：
- W(x)在X_f内正定
- min_u [W(f(x,u)) - W(x) + l(x,u)] ≤ 0, ∀x∈X_f
- X_f为W(x)的子水平集
具体设计步骤：
- 对线性化系统设计局部控制器u=Kx
- 构造二次型李亚普诺夫函数W(x)=xᵀPx
- 通过LMI求解合适的P矩阵
- 确定终端代价V_f(x)=W(x)
实践提示：对于强非线性系统，可以考虑分段二次型或基于神经网络的自适应李亚普诺夫函数。
3.3 稳定性证明框架
基于辅助李亚普诺夫函数的稳定性证明关键步骤：
- 定义候选李亚普诺夫函数V*(x₀)=J*(x₀)
- 证明V*在X_f内正定
- 证明ΔV*≤0
- 结合辅助函数W(x)的性质，证明闭环系统渐近稳定
核心不等式：
V*(x(k+1)) - V*(x(k)) ≤ -l(x(k),u*(k))
3.4 在线优化问题实现
实际实现时需要处理的关键问题：
- 预测时域N的选择：
- 过小：性能下降，稳定性难以保证
- 过大：计算负担增加
- 经验值：通常取5-20，根据系统动态特性调整
- 终端约束处理技巧：
- 松弛终端约束：x(N)∈X_f → ||x(N)||_P ≤ γ
- 使用收缩约束：逐步缩小X_f
- 实时计算加速方法：
- 热启动：用上一时刻的解作为初始猜测
- 提前终止：设置合理的优化精度
- 显式MPC：离线计算控制律分区
4. 仿真案例与结果分析
4.1 倒立摆控制系统设计
系统参数：
- 摆杆长度l=0.5m
- 质量m=0.2kg
- 采样周期T_s=0.05s
控制目标：
- 摆杆竖直平衡
- 输入约束|u|≤2N
- 状态约束|x₁|≤0.2m
设计步骤：
- 建立非线性动力学模型
- 在平衡点线性化
- 设计LQR控制器作为局部稳定器
- 求解对应的李亚普诺夫方程得到P
- 确定终端代价V_f(x)=xᵀPx
- 设计阶段代价l(x,u)=xᵀQx+uᵀRu
仿真结果对比：
| 指标 | 传统MPC | 辅助李亚普诺夫MPC |
|---|---|---|
| 调节时间(s) | 1.8 | 1.2 |
| 控制能量 | 3.5 | 2.8 |
| 最大超调 | 15% | 8% |
| 计算时间(ms) | 12 | 9 |
4.2 四旋翼无人机姿态控制
复杂系统下的设计挑战：
- 强非线性耦合
- 执行器饱和
- 外部扰动
解决方案：
- 设计基于误差的李亚普诺夫函数
W(e)=eᵀPe, e=q_d - q - 自适应终端约束集
X_f = - 扰动估计与补偿
实际测试结果：
- 抗扰能力提升40%
- 姿态稳定时间缩短25%
- 计算负载降低15%
5. 工程实践中的关键问题
5.1 参数调节经验
- 权重矩阵选择：
- 初始建议Q=diag([1,...,1]), R=0.1I
- 根据性能需求逐步调整
- 注意状态量纲统一
- 预测时域调整：
- 从N=5开始测试
- 观察控制效果与计算时间
- 以10%性能提升为基准决定是否增加N
- 终端集大小：
- 初始取较小值保证可行性
- 逐步扩大直到性能不再显著提升
5.2 常见问题排查
- 优化问题不可行：
- 检查终端集是否包含平衡点
- 验证约束条件是否自洽
- 尝试松弛约束
- 闭环系统振荡：
- 增加控制权重R
- 检查预测模型准确性
- 减小采样周期
- 计算时间过长：
- 减少预测时域N
- 使用更高效的QP求解器
- 考虑显式MPC方法
5.3 高级技巧与改进方向
-
自适应预测时域：
根据当前状态动态调整N，例如：
N(x) = N_min + round(α||x||) -
数据驱动辅助函数：
利用神经网络学习W(x)，适用于难以解析建模的系统 -
分布式MPC架构：
对于大规模系统，将辅助函数分解为子系统函数的组合
6. 与其他方法的对比分析
6.1 与传统MPC的比较
优势：
- 稳定性有理论保证
- 参数调节更有依据
- 计算效率更高
- 鲁棒性更强
劣势：
- 设计过程更复杂
- 需要一定的先验知识
- 对非线性系统可能保守
6.2 与LQR的对比
| 特性 | LQR | 辅助李亚普诺夫MPC |
|---|---|---|
| 约束处理 | 无 | 显式处理 |
| 非线性 | 局部有效 | 全局适用 |
| 计算量 | 离线 | 在线优化 |
| 鲁棒性 | 一般 | 较强 |
| 实现难度 | 简单 | 中等 |
实际选择建议：
- 无约束线性系统：优先LQR
- 约束/非线性系统：选择MPC
- 强非线性/实时性要求高：考虑辅助李亚普诺夫MPC
7. 实际应用案例分享
在工业机械臂控制项目中，我们应用该方法解决了以下难题：
- 关节角度限制处理：
- 设计基于障碍函数的辅助李亚普诺夫函数
- 将物理约束转化为稳定性条件
- 负载变化适应：
- 参数化辅助函数W(x,θ)
- 在线估计负载参数θ
- 自适应调整控制策略
- 振动抑制：
- 在阶段代价中加入高阶导数项
- 设计扩展状态辅助函数
实施效果：
- 定位精度提升30%
- 运动平滑性显著改善
- 碰撞保护响应时间缩短至50ms
8. 扩展阅读与资源推荐
8.1 经典文献
- Rawlings et al. "Model Predictive Control: Theory and Design"
- Mayne et al. "Constrained model predictive control: Stability and optimality"
- Grüne et al. "Lyapunov-based model predictive control for nonlinear systems"
8.2 实用工具包
- MATLAB MPC Toolbox：提供完整的MPC设计与仿真环境
- CasADi：用于非线性优化的强大框架
- ACADO Toolkit：专为MPC优化的开源工具
8.3 进阶研究方向
- 基于学习的MPC稳定性分析
- 分布式MPC的协同稳定性
- 事件触发MPC设计
- 随机MPC的稳定性保证