斯坦福大学AA203最优控制与基于学习的控制课程 | 2026春季学期 | 第11讲：模型预测控制（

（原标题：Stanford AA203 Optimal and Learning-Based Control | Spring 2026 | Lecture 11: Introduction to MPC）

🎯 核心概述

本内容系统阐述了模型预测控制（MPC）的理论基础、安全约束处理机制及可行性保障策略。通过引入 Hamilton-Jacobi-Isaacs (HJI) 方程计算可达集与避碰集，将离散的安全逻辑转化为连续的最优控制代价函数；同时深入解析了 MPC 的滚动时域优化本质，探讨了如何通过终端约束与控制不变集理论解决高维状态空间下的持久可行性与闭环稳定性问题，为实时控制系统中复杂硬约束的处理提供了严谨的数学框架与工程实现路径。

📐 基础概念与集合定义

• 可行初始状态集：定义为存在满足控制约束 $u_k \in U$ 的状态序列，使得系统轨迹始终处于状态约束内且终端状态落入目标集合的初始状态集合。该概念是评估控制系统在给定约束下能否完成任务的基础前提。
• 一步可控集：针对自主系统，指应用一次动力学后能进入指定集合 $S$ 的所有前驱状态；对于受控系统，则要求存在控制输入 $u$ 使系统在一步内进入 $S$。这一概念强调了控制输入对状态转移的即时影响能力。
• 控制不变集：若从集合 $C$ 中的任一状态出发，均存在控制输入 $u$ 使得下一时刻状态仍留在 $C$ 中，则该集合为控制不变集。包含所有此类集合的最大集合称为最大控制不变集，它是保证系统长期运行不越界的关键几何结构。
• 可达管概念：引入“可达管”（Reachable Tube）以确保轨迹在整个时间范围内满足安全约束，而非仅关注终点状态。这一概念将瞬时点状约束扩展为时空域内的体积约束，显著提升了动态环境下的安全性评估精度。

📊 MPC 理论框架与历史演进

• 算法起源与背景：MPC 起源于 20 世纪 70-80 年代的化学工程领域。该领域存在强约束需求且过程演化较慢（秒级），适合当时计算机算力下的在线优化，从而奠定了 MPC 在工业控制中的地位。
• 核心机制解析：MPC 通过“滚动时域优化”结合开环计算速度与闭环反馈能力，成为继 PID 后应用最广泛的控制策略。其本质是求解有限时域内的开环最优控制问题，仅执行首个控制输入并基于最新状态测量重新规划，从而在数学上实现闭环稳定性与可行性保障。
• 设计要素调优：核心调优参数包括预测时域长度、终端代价函数及终端约束集（$X_f$）。这些参数用于平衡计算成本与前瞻能力，防止系统因“短视”导致任务失败或违反物理限制。
• 理论目标定位：MPC 主要解决两个核心问题——持久可行性（确保每一步优化问题均有解）和闭环稳定性（保证状态收敛至原点）。早期依赖启发式方法，90 年代后通过不变集理论从终端函数直接推导条件，无需分析复杂的内层优化动力学即可保证性能。

🛡️ 安全约束与 HJI 方程应用

• HJI 方程核心作用：利用 Hamilton-Jacobi-Isaacs (HJI) 方程计算可达集（Reachable Sets）与避碰集（Avoidance Sets），将安全约束转化为最优控制问题。通过定义目标函数的零水平集（Zero Level Set）编码集合成员资格，实现从布尔逻辑到连续代价函数的映射。
• 集合定义差异：避碰集要求存在干扰使得系统进入目标集；可达集要求对所有干扰均存在控制使系统进入目标集。这种对偶性反映了系统在对抗性环境与确定性环境下的不同安全边界特征。
• 微分博弈结构：避碰问题为 Minimax 优化（玩家最小化风险，自然最大化干扰），可达问题则互换极值操作。这种博弈论视角使得安全约束能够量化最坏情况下的系统行为，而非仅基于平均性能。
• 计算维度限制：基于 Hamilton-Jacobi 方程的精确求解受“维度灾难”限制，通常仅适用于 5-6 维状态空间；更高维度需依赖神经网络或采样近似方法。这一局限性决定了 HJI 方法在复杂高自由度机器人控制中的应用边界。

📉 持久可行性与稳定性理论

• 持久可行性引理：若截断可行集（在时域 $N-1$ 上求解的可行状态集）构成系统的控制不变集，则模型预测控制律具备持久可行性。该引理建立了终端约束与系统长期运行能力之间的数学联系。
• 理论操作性局限：该引理本身不具备直接操作性，因为工程师无法直接调节截断可行集，而是通过调整终端集合、终端代价矩阵 $P$ 和时域长度 $N$ 来间接影响系统特性。这要求设计者具备将抽象几何条件转化为具体参数配置的能力。
• 稳定性推导路径：通过推导基于终端集合、$P$ 矩阵和时域 $N$ 的显式条件，确保系统在满足持久可行性的同时具备稳定性。这种从终端函数直接推导条件的做法，避免了分析复杂的内层优化动力学，简化了理论证明过程。
• 计算工具支持：提及使用 MATLAB 中的 MPT 工具箱来计算上述不变集与可控集。该工具将作为课程作业的一部分进行应用，表明理论推导与实际工程实现之间存在紧密的工具链支撑关系。

🛩️ 工程应用与案例解析

• 双机避碰案例：基于单摆动力学（Unicycle Dynamics），计算两架飞机相对位置与航向的联合状态空间。该案例展示了如何将抽象的安全集合概念应用于具体的多智能体相对运动控制场景。
• 结果解读分析：当相对航向接近 $\pi$（对头飞行）时，避免碰撞所需的纵向分离距离显著增加，形成非对称的安全边界形状。这一发现揭示了安全约束的非线性特征，即危险程度不仅取决于距离，还强烈依赖于相对速度方向。
• 工程价值体现：该方法提供精确的安全缓冲区量化，可用于轨迹优化中的硬约束或评估机器人控制权限是否充足。通过将安全约束转化为代价函数，MPC 能够在保证安全的前提下最大化任务性能，实现鲁棒性与效率的平衡。

💡 综合结论与未来方向

• 框架本质认知：MPC 并非单一算法而是一个框架，其成功关键在于合理配置终端约束与代价以维持系统可行性。理解这一框架性特征有助于工程师在不同应用场景中灵活调整设计参数。
• 性能平衡优势：相比纯开环或纯闭环最优控制，MPC 在计算效率与控制鲁棒性之间取得了最佳平衡点，适用于需要处理复杂约束的实时控制系统。这种平衡使其成为现代自动驾驶、机器人及过程工业的首选控制策略。
• 教学与实践衔接：将在下一讲中证明上述引理（预计耗时约五分钟），随后深入探讨稳定性理论，最终形成一套完整的 MPC 参数整定准则供学生实践验证。这表明该内容处于从基础理论向高级应用过渡的关键节点，强调理论与实践的闭环验证。