模型预测控制（MPC）

模型预测控制（MPC）因其能够系统性的处理非线性、约束和最优性能，在机器人和自动化系统（例如，自动驾驶、工业过程）中受到广泛关注。然而，作为一种基于模型的控制方法，由模型不确定性和未知外部扰动引起的预测模型不准确，会显著降低其在高端控制性能需求场景中的应用。当前已有研究工作着眼于提升不确定性环境下的MPC性能，包括考虑最坏场景的鲁棒控制设计方法，以及基于扰动观测器（DOB）的实时扰动补偿策略。然而，上述方法或牺牲了标称控制性能，或依赖于先验的扰动模型选取，在实际应用中存在一定局限性。近年来，随着算力平台的不断发展，数据驱动方法在控制和机器人界获得了广泛关注。然而，纯粹的数据驱动方法通常表现出较差的泛化能力和可解释性，且需要大量的数据进行学习，大大限制了这类方法在实际控制系统设计中的应用。

为解决上述问题，东南大学自动化学院苏金亚教授及其团队，在英国拉夫堡大学Wen-Hua Chen教授的指导下，联合南京科远智慧（流程工业龙头企业），开展了《融入残差学习与实时干扰抑制的模型预测控制：设计与实验》，旨在利用高斯过程（GP）模型残差学习策略对数据依赖程度低的优势，结合DOB干扰实时估计补偿策略，为提升MPC在系统未建模动态及未知扰动影响下的控制性能提供新的思路。该研究成果已在控制工程领域知名Elsevier期刊《Control Engineering Practice》上发表。

一、研究方案：

方案创新及优势

1. 稀疏GP学习残差动力学，在低样本量字典下实现在线残差动力学模型学习，提升预测模型精度及模型可解释性；
2. GESO实时估计剩余不确定性及外部扰动；

3. 首次在实物实验平台（麦克纳姆轮移动机器人）进行算法室内与室外验证。

   
   

二、实验验证：

该实验由麦克纳姆轮小车、动作捕捉系统等组成。其中，CHINGMU青瞳视觉光学动捕系统可对系统的物理运动进行精确的捕捉呈现，以保障实验数据的可靠有效性。该系统基于MC1300相机，CMTracker软件和ROS vrpn功能包构建。如图三所示，高速摄像机捕捉小车上4个荧光特征点的时变位置信息，再由CMTracker软件获取位置变化数据，进而通过ROS vrpn功能包将位置信息广播至实验MWMR平台机载计算设备，实现控制器闭环设计。

*图3 室内实验场景示意图

实验综合设计了仿真实验，不同实验条件下的室内轨迹跟踪实物实验，以及室外双纽线轨迹跟踪实验，其中室外轨迹跟踪实验的位置信息采用了自研开源的基于无人机的定位算法。图四展示了稀疏GP对模型残差的学习效果，可以看出其能在30个样本点的前提下有效学习出系统的未建模动态，并输出相应的不确定性；图五、六展示了室内两种参考速度下的圆形轨迹跟踪实验及双纽线轨迹跟踪实验。实验结果表明，所提出GP-MPC-GESO框架的残差学习+模型预测+扰动补偿设计能有效提升传统模型预测控制在不确定性和外界扰动下的标称性能及鲁棒性。

*图6 室内双纽线轨迹跟踪实验协同运输实验过程

图9 室外双纽线轨迹跟踪实验结果

上述图表中的结果显示，在麦克纳姆轮移动机器人上进行的室内外多种设置下的对比轨迹跟踪控制实验表明，所提出的GP-MPC-GESO控制器在室内外双纽线跟踪中，与最先进的MPC-GESO控制器相比，分别将RMSE降低了12.4%和16.2%，充分验证了所提出方法的有效性与鲁棒性。

三、实验成果：

该研究首次在硬件平台上实现了GP残差学习与GESO扰动估计相结合的非线性MPC控制，并通过青瞳视觉定位系统为实验提供了可靠、精准的真实数据支持。实验结果表明，该方法在提升轨迹跟踪精度、减小扰动影响方面具有显著优势，为机器人自主控制提供了新的思路。

参考文献：

[1] Kabzan, Juraj, Lukas Hewing, Alexander Liniger, and Melanie N. Zeilinger. "Learning-based model predictive control for autonomous racing." IEEE Robotics and Automation Letters 4, no. 4 (2019): 3363-3370.

[2] Chen, Wen-Hua, Jun Yang, Lei Guo, and Shihua Li. "Disturbance-observer-based control and related methods—An overview." IEEE Transactions on industrial electronics 63, no. 2 (2015): 1083-1095.

[3] Zhang, Haodi and Su, Jinya and Yang, Jun and Li, Shihua. DA-MPPI: Disturbance-Aware Model Predictive Path Integral via active disturbance estimation and compensation, 2025 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), accepted.