R机器人实验室ROBOTICS ATLAS
模块 / M53 / 模型预测控制与约束处理
v2 课件目录完整实验台 ↗
① G1 实验台 · C04兴趣引入 · 复用原站点演示 复用本站 C04 课时真实 G1 人形实验台;先看整机,再回到本章的人形问题
独立打开 ↗
② 二阶闭环阶跃响应概念演示 · 与本模块同步 拖参数,看图形与读数

改增益与时延,看超调、调节时间与稳定裕度怎么变。

本模块核心关系 · 教学示意min Σ‖xₖ−xᵣ,ₖ‖²_Q + ‖uₖ‖²_R s.t. xₖ₊₁=Axₖ+Buₖ, uₖ∈U
看什么:看响应曲线与 ±2% 调节带;比较 Kp / Kd 与通信延迟对超调、RMS 误差与稳态误差的影响。

模块 M53 · L6 控制:从误差动力学到闭环 · 必修 · 单页课件

模型预测控制与约束处理

会写出滚动时域 QP,说明约束激活时的行为与重规划频率的代价,并比较 MPC / LQR / PID。

内容主体:本科机器人学课程体系 v2(Craig 骨架 · 路径轨迹与控制扩展)中的章节正文;以 G1 人形机器人为贯穿案例 | 配套:① 原站点演示 + ② 本模块概念交互台

怎么用左边两个演示:先在 ① 的真实 G1 人形平台上动手试一次,把本章的人形问题提出来;再到 ② 里拖参数,看图形与读数怎样随核心关系变化。① 是本站已有真实实验台,用作兴趣 / 问题引入,不是本模块专属仿真;② 才与本模块核心关系直接对应。右栏的「在 ② 里看」按钮会把概念台切到对应预设。

人形机器人 · 本章引入 G1 案例

关节快撞上机械限位、足底接触力快超限时,预测控制能提前几步调整力矩,而不是撞上再纠正。

① 的真实 G1 三维实验台是这一章的兴趣引入:先在左栏看整机的姿态与读数,把「这台人形机器人为什么需要本章」提出来;再到 ② 把核心关系亲手拖一遍。

本节要解决的问题 章节定位

关节快撞上机械限位时,MPC 为什么能提前几步改变力矩,而 LQR 不能?

为什么独立成章:控制层里真正把「约束」写进优化问题的章节;与 L5 的 TOPP 是同一套思想在不同时间尺度上的应用。

知识层级L6 · 控制:从误差动力学到闭环
课程性质本科必修 · 3 学时
学习结果会写出滚动时域 QP,说明约束激活时的行为与重规划频率的代价,并比较 MPC / LQR / PID。
概念台模型response

概念辨析 5 组

滚动时域每周期在有限预测区间 N 内解一次优化,只执行第一个控制量,下一周期重解。
预测模型与约束x_{k+1} = Ax_k + Bu_k;输入限幅、状态限位、关节角与速度约束直接写成不等式。
QP 求解二次目标 + 线性约束 = 二次规划;约束未激活时解退化为 LQR。
软约束与松弛硬约束无解时引入松弛变量与惩罚,保证求解器总能给出指令。
与轨迹层的关系以 M49 下发的 q_d(t) 为参考序列;MPC 与 TOPP 都在解「带约束的优化」,只是一个离线给时间律、一个在线给力矩。

核心关系式 Craig Ch9–10;Ogata;MIT Underactuated Ch8

式 (M53.1)min Σₖ ‖xₖ − xᵣ,ₖ‖²_Q + ‖uₖ‖²_R

有限时域二次目标。

式 (M53.2)s.t. xₖ₊₁ = Axₖ + Buₖ , uₖ ∈ U , xₖ ∈ X

预测模型 + 输入 / 状态约束。

式 (M53.3)只执行 u₀,下一周期以新测量重解

滚动时域的闭环本质。

↔ 概念演示先把第一组条件放到 ② 里亲手拖一遍。

方法与步骤

  1. 选预测时域 N 与采样周期 → 建立约束集 → 每周期解 QP → 只下发 u₀。
  2. 用约束激活实验观察 MPC 如何提前减速,而不是撞上限位再纠正。
  3. 把 N 调大并测量单周期求解时间,找到实时性边界。

工程例子 把式子落到真实约束上

关节接近机械限位时,LQR 仍按线性律给出力矩直到撞限;MPC 在几步之前就看到约束并提前调整,代价是每周期多一次 QP 求解。

滚动时域把 u ∈ U、x ∈ X 直接写进 QP;约束未激活时解退化为 LQR,只执行 u₀ 并用新测量重解,闭环由此获得约束感知。

↔ 概念演示换一组预设,看关系在不同条件下怎样变化。

② 概念台怎么读

二阶闭环阶跃响应。改增益与时延,看超调、调节时间与稳定裕度怎么变。

看什么:看响应曲线与 ±2% 调节带;比较 Kp / Kd 与通信延迟对超调、RMS 误差与稳态误差的影响。

滑块分别改变 比例增益 Kp、微分增益 Kd、延迟;读数板列出中间量与判定。预设「临界阻尼 ζ=1」等对应最容易出错的几组条件。

概念台边界:② 只演示「延迟 / 约束意识」对响应形状的影响,没有在线 QP 求解器;MPC 的标准优化式在右栏给出。

章节依据 可逐条追溯

主干 / 主补充:

  • RAWLINGS & MAYNE《Model Predictive Control: Theory and Design》
  • MIT Underactuated Ch10 轨迹优化
  • SICILIANO 预测控制章节

其他参照:BOYD《Convex Optimization》QP;LAVALLE Ch14 微分约束

先修链 显式 DAG

M52LQR 与最优控制入门(L6)
M48轨迹优化:目标、约束与最优时间参数化(L5)

先修关系写在 curriculum-craig-v2/curriculum.json 的 prereq 字段,50 个模块整体无环、可直接拓扑排序。

编写状态与使用边界 如实标注

页面形态:A01 单页两栏课件 右栏:章节讲义教学版(概念 / 公式 / 方法 / 例子) ① 真实 G1 演示:兴趣 / 问题引入 ② 概念交互台:与本模块核心关系对应 教材正文:未复制、未镜像

使用边界:商业教材只登记公开目录、算法事实与公式;① 是本站已有真实交互实验台,用作兴趣 / 问题引入,不是本模块专属仿真;② 是教学示意模型,数值用于观察关系,不作为工程计算结果。

自测 · 掌握证据

题目:约束没有被激活时,MPC 的解与 LQR 有什么关系? 预测时域 N 增大带来什么收益、什么代价?

提示:从 ② 里找证据

先在概念台里复现一组典型条件,再用核心关系式逐项核对读数;能说清「哪个量变了、哪个量没变、为什么」,才算达到本模块的掌握证据。

出处 · 本模块内容来源

  • 内容主体 curriculum-craig-v2/curriculum.json 与 01_课程体系大纲_路径轨迹与控制扩展.md 中的章节 M53;主干教材为 Craig《Introduction to Robotics》4/e。
  • ① 兴趣引入 站点原有 G1 三维实验台 c04.html,通过 ?embed=topic 嵌入模式复用,未改写原页面代码。
  • ② 概念演示 本页新增的参数化 SVG 交互台,用于直观呈现本模块核心关系;教学示意模型,不是真实机器人仿真。
  • 主干 / 主补充章节(可逐条追溯) RAWLINGS & MAYNE《Model Predictive Control: Theory and Design》;MIT Underactuated Ch10 轨迹优化;SICILIANO 预测控制章节
  • 其他参照 BOYD《Convex Optimization》QP;LAVALLE Ch14 微分约束
使用边界:本页按 v2 大纲逐节展开概念辨析、核心关系式、方法步骤与工程例子,是章节讲义的教学版,不是教材正文的复制;商业教材只用公开目录、算法事实与公式。Craig / Biagiotti / Siciliano / Ogata 等为商业教材;MIT OCW 与作者公开预印本按各自许可引用。概念台数值用于观察关系,不作为工程计算结果。

本页按 A01 单页课件模式生成,承载 v2 体系重写 / 新增的扩展章节;17 份课件独立存放在全新目录,v1 体系、19 份缺口课件、32 份课时课件与 91 模块课件一份未动。① 需经本地 HTTP 服务加载 ES module 与模型;② 为页内 SVG,离线可用。