主要观点总结
文章介绍了模型预测控制（MPC）的基本原理、流程、优点以及应用，包括MPC与最优控制的区别、MPC的整体流程、约束、MPC流程、MPC与LQR的比较、MPC设计、以及MPC在无人车轨迹跟踪中的应用。文章详细描述了模型预测控制的工作原理，通过求解优化问题得到控制序列，并根据控制序列的第一部分执行控制动作，从而实现滚动优化。
关键观点总结
关键观点1: 模型预测控制（MPC）原理
MPC的核心思想是以优化方法求解最优控制器，优化方法大多采用二次规划。MPC控制器优化得到的控制输出是系统在未来有限时间步的控制序列，但只执行输出序列中的第一个控制输出。
关键观点2: MPC与最优控制的区别
最优控制强调在整个时间域上的最优性，而MPC仅考虑未来几个时间步，一定程度上牺牲了最优性。
关键观点3: MPC整体流程
MPC整体流程包括预测区间与控制区间，约束，MPC流程，以及MPC与LQR的比较。其中，预测区间和控制区间是预测和控制输出的时间步数，约束分为Hard约束和Soft约束，MPC流程包括获取系统状态、基于控制输入进行最优化处理、只取当前时刻的输入施加在系统上。
关键观点4: MPC设计
当模型是线性的时候，MPC的设计求解一般使用二次规划方法。设计步骤包括定义线性模型、定义代价函数、求解优化问题得到控制序列。
关键观点5: MPC在无人车轨迹跟踪中的应用
文章介绍了MPC在无人车轨迹跟踪中的应用，包括参考轨迹的计算、MPC控制实现，以及主函数流程。
文章预览
作者 | CHH3213 编辑 | 自动驾驶技术网 原文链接： https://blog.csdn.net/weixin_42301220/article/details/124566369 1. 基本概念 模型预测控制（MPC）的核心思想就是以优化方法求解最优控制器，其中优化方法大多时候采用二次规划（Quadratic Programming）。 MPC控制器优化得到的控制输出也是系统在未来有限时间步的控制序列。当然，由于理论构建的模型与系统真实模型都有误差，所以，实际上更远未来的控制输出对系统控制的价值很低，故MPC仅执行输出序列中的第一个控制输出。 模型(Model) 分为 机理模型 和 基于数据的模型 （例如用神经网络训练的一个model）使用基于数据的模型的MPC可以结合model based RL使用。 预测(Predict) 模型就是用来预测的，预测的目的是为了更好的决策 控制(Control) 控制即决策，根据预测来作出决策。 MPC利用一个 已有的模型 、 系统当前的状态 和
………………………………
