4. MPC理论基础：最优控制问题、滚动时域原理、预测模型与代价函数设计
各位同学，欢迎来到第四章。
前面我们聊了MPC在自动驾驶里到底能干啥。今天，咱们得把袖子撸起来，看看MPC的「内功心法」到底是什么。
说白了，MPC就是一个「走一步，看三步」的决策方法。它不像PID那样傻傻地只看当前误差，而是会预测未来一段时间的状态，然后选一个最优的动作序列。嗯，这里要注意，它只执行第一个动作，然后重新预测、重新规划。这就是它的精髓。
4.1 最优控制问题：MPC到底在解什么题？
先问大家一个问题：自动驾驶的决策，本质上是个什么问题？
我个人习惯把它理解成一个「带约束的优化问题」。你想想看，我们想让车沿着参考线走，这是目标；但车不能超速、不能压线、方向盘不能打太猛，这是约束。在满足这些约束的前提下，找一个最好的控制量——这就是最优控制问题。
核心公式（离散时间形式）：
min J = Σ (x_k - x_ref)ᵀ Q (x_k - x_ref) + Σ u_kᵀ R u_k
s.t. x_{k+1} = f(x_k, u_k) // 车辆动力学
x_min ≤ x_k ≤ x_max // 状态约束
u_min ≤ u_k ≤ u_max // 控制量约束这里J就是代价函数，x_k是状态（位置、速度、航向角），u_k是控制量（油门、刹车、方向盘转角）。
我在项目中遇到过一个问题：刚开始做MPC时，只关注了目标函数，忽略了约束的可行性。结果仿真跑得好好的，实车一跑，方向盘直接打到底——因为约束设得太紧了，求解器找不到解。嗯，这是个坑。
4.2 滚动时域原理：为什么MPC能实时运行？
滚动时域，英文叫Receding Horizon。这个名字起得挺形象——就像潮水一样，每次只往前看一段，然后退回来，再往前看一段。
具体流程是这样的：
- 预测：在当前时刻t，基于当前状态x_t，预测未来N步的状态。
- 优化：求解一个N步的最优控制问题，得到控制序列u_t, u_{t+1}, ..., u_{t+N-1}。
- 执行：只应用第一个控制量u_t。
- 滚动：时间步进到t+1，重复步骤1-3。
为什么会这样设计？你想想看，如果一次性规划出未来10秒的轨迹，那计算量得有多大？而且环境是变化的，预测越远越不准。滚动时域的好处就是：每次只算一小段，算得快，而且能及时修正误差。
个人经验：预测时域N的选择很关键。N太小，MPC退化成PID，没有预见性；N太大，计算量爆炸，实时性跟不上。我一般从N=10开始调，根据CPU负载和车速动态调整。高速场景N可以小一点，低速泊车N可以大一点。
下面这张图，是我自己画的MPC滚动时域原理示意图，帮你直观理解这个过程：
4.3 预测模型：MPC的「水晶球」
MPC之所以能预测未来，靠的就是预测模型。这个模型描述了车辆在给定控制输入下，状态会如何变化。
常用的预测模型有几种：
| 模型类型 | 精度 | 计算量 | 适用场景 |
|---|---|---|---|
| 运动学模型（自行车模型） | 中等 | 低 | 低速泊车、城市道路 |
| 动力学模型（二自由度） | 较高 | 中等 | 高速巡航、变道 |
| 非线性轮胎模型（Pacejka） | 高 | 高 | 极限工况、漂移控制 |
我个人习惯在项目初期先用运动学模型。为什么？因为简单、快、容易调试。等基本功能跑通了，再换成动力学模型提升精度。我曾经在一个项目中，直接用运动学模型做高速MPC，结果在80km/h以上时预测误差越来越大——嗯，轮胎侧偏角不能忽略了，必须上动力学模型。
避坑指南：我曾经犯过一个错误——模型太复杂，导致求解器每次要算200ms，而控制周期只有50ms。结果就是：车都跑出去老远了，控制指令还没算出来。记住：实时性永远比精度重要。算不出来的最优解，等于没有解。
4.4 代价函数设计：如何让MPC「懂事」？
代价函数，就是告诉MPC「什么才是好的行为」。设计得好，MPC就像个老司机；设计得不好，它可能像个刚拿驾照的新手——要么太激进，要么太保守。
典型的代价函数包含三部分：
- 跟踪误差代价：偏离参考线越远，代价越大。用Q矩阵加权。
- 控制量代价：油门刹车打得太猛，代价大。用R矩阵加权。
- 控制量变化率代价：防止方向盘来回抖。用S矩阵加权。
完整的代价函数形式：
J = Σ (x_k - x_ref)ᵀ Q (x_k - x_ref) // 跟踪误差
+ Σ u_kᵀ R u_k // 控制量
+ Σ (u_k - u_{k-1})ᵀ S (u_k - u_{k-1}) // 控制量变化率这里Q、R、S都是权重矩阵。调参的时候，我一般遵循一个原则：先调Q，再调R，最后调S。Q决定了跟踪的紧度，R决定了控制的力度，S决定了平顺度。
举个例子：在高速公路上，我希望车稳稳地保持在车道中央，这时候Q可以设大一点；但在泊车场景，我更关心控制量的平顺性，R和S就要大一些。
一个小技巧：Q矩阵的对角线元素，我通常按物理单位归一化。比如位置误差的单位是米，速度误差的单位是米/秒，它们的数值量级可能差10倍。如果不归一化，MPC会「偏科」——只优化数值大的那个量。我习惯把每个状态量的权重除以它的典型误差范围，这样各个维度就公平了。
好了，这一章的内容就到这里。MPC的理论基础，说白了就是三件事：预测未来、滚动优化、代价引导。下一章我们会深入代码层面，看看这些理论怎么变成实实在在的C++代码。
公众号:蓝海资料掘金营，微信deep3321