第1章 MPC基础

第1章：MPC基础——模型预测控制基本原理、MPC在ADAS中的角色、预测时域与控制时域概念

各位同学，欢迎来到《模型预测控制MPC在ADAS中的调参实战》课程。

我是你们的老朋友，一个在ADAS领域摸爬滚打多年的工程师。今天咱们开篇，不讲虚的，直接聊MPC最核心的三个东西：它到底是个什么原理？在车上能干啥？还有那两个让人头大的“时域”到底怎么理解。

嗯，我刚开始接触MPC时，也觉得这东西像个黑盒子。后来亲手调过几版参数，踩过坑，才慢慢摸到门道。咱们今天就把这层窗户纸捅破。

1.1 模型预测控制基本原理

模型预测控制，说白了就是“走一步看三步”。

你想想看，开车的时候，你不可能只盯着眼前一米的路吧？你得看前方50米、100米，甚至更远，才能决定现在该加速还是刹车。MPC干的就是这个活。

它的核心逻辑就三步：

建模：先建立一个数学模型，描述车辆怎么动。比如你给个方向盘转角，车会怎么转弯？给个油门，车会怎么加速？
预测：基于当前状态，用这个模型往前推一段，看看未来几秒车辆会跑到哪里去。
优化：算出一个最优的控制序列（比如未来1秒内，每0.1秒该打多少方向），让车辆既跟得上目标轨迹，又坐得舒服，还不违反物理极限。

然后呢？只执行第一步的控制量。下一时刻，重新测量状态，再来一遍。这就是所谓的“滚动优化”。

关键点：MPC不是一次性算完就拉倒，它是边走边算，实时修正。这一点和传统的PID控制完全不同。

我在项目中遇到过一个问题：模型建得太粗糙，预测出来的轨迹和实际偏差很大，结果控制效果还不如PID。后来我学乖了，模型精度和计算效率之间必须找个平衡。说白了，模型太准算不动，太糙又没用。

1.2 MPC在ADAS中的角色

MPC在ADAS里到底扮演什么角色？我个人的理解是——它是个“多面手”。

你想想看，ADAS系统要处理的任务五花八门：

自适应巡航（ACC）：既要跟上前车，又要保持安全距离，还不能急加速急减速。
车道保持（LKA）：既要让车在车道中间，又不能打方向太猛让乘客晕车。
自动紧急制动（AEB）：既要刹得住，又不能误触发。

这些任务有一个共同点：有约束。你不能无限加速，不能无限打方向，不能离前车太近。而MPC天生就是处理约束的专家。

我的经验：如果你用PID做ACC，遇到前车急刹，你很难同时兼顾“跟车距离”和“舒适性”。但MPC可以，因为它把这两个目标写进了同一个优化函数里，自动权衡。

另外，MPC还能处理多目标冲突。比如在变道辅助中，你既想快速变道，又不想让车太晃，还想避开旁边的车。这些目标往往是矛盾的。MPC通过调节权重，可以找到一个“最优折中”。

嗯，这里要注意：权重调不好，车要么像个新手一样猛打方向，要么像个老太太一样慢悠悠变道。这就是咱们后面调参课要重点讲的内容。

1.3 预测时域与控制时域概念

这两个概念，我当年学的时候绕了好久。其实没那么玄乎。

预测时域（Prediction Horizon, Np）

预测时域，就是你“往前看多远”。

举个例子：你开车时，看前方100米的路况。这个100米，就是你的预测时域。在MPC里，我们用时间或步数来表示。比如Np=20，意味着你往前预测了20个采样步（比如20×0.1秒=2秒）。

Np越大：你看得越远，决策更全局，但计算量也越大，而且远处的模型误差会累积，反而可能不准。

Np越小：你只看眼前，反应快，但容易短视，比如遇到弯道可能来不及减速。

避坑指南：我曾经在高速场景把Np设得太大（比如30步），结果模型预测的远处轨迹因为道路曲率变化，完全偏离实际，导致控制量震荡。后来我根据车速动态调整Np，车速快时看远点，车速慢时看近点，效果好了很多。

控制时域（Control Horizon, Nc）

控制时域，就是你“决定未来多少步的控制量”。

说白了，你不可能把未来20步的控制量都算得清清楚楚吧？通常你只算前面几步，后面的控制量保持最后一步不变。这个“前面几步”就是Nc。

Nc越小：你只优化前几步的控制量，计算快，但控制可能不够灵活。

Nc越大：你优化了更多步的控制量，控制更精细，但计算量爆炸。

我个人的习惯是：Nc通常取Np的1/3到1/2。比如Np=15，Nc就取5到8。这样既保证了控制自由度，又不会算到死机。

核心关系：预测时域决定你“看多远”，控制时域决定你“管多细”。两者配合好了，MPC才能既稳又准。

你想想看，如果Np=20，Nc=20，那你要同时优化20个控制量，计算量巨大，而且后面那些步的控制量其实对当前影响很小，纯属浪费。所以，Nc小于Np是常规操作。

1.4 一个小例子帮你理解

咱们用个简单的代码片段来感受一下。假设你有一个一维的车辆模型，目标是让车从位置0跑到位置10。

# 伪代码示例：MPC核心逻辑
Np = 10  # 预测未来10步
Nc = 3   # 只优化前3步的控制量

for each time step:
    # 1. 获取当前状态（位置、速度）
    state = get_current_state()
    
    # 2. 基于模型，预测未来Np步的状态
    predicted_states = model.predict(state, Np)
    
    # 3. 优化：找到最优的Nc个控制量
    #    目标：让预测轨迹接近目标轨迹
    #    约束：控制量不能太大，加速度不能太猛
    optimal_controls = optimizer.solve(predicted_states, target, Nc)
    
    # 4. 只执行第一个控制量
    apply_control(optimal_controls[0])
    
    # 5. 下一时刻，重复

你看，代码逻辑很清晰。但实际调参时，Np和Nc的取值会让你头疼。别急，后面几章我会专门讲怎么根据场景（高速、城区、泊车）来选这两个参数。

1.5 本章小结

好了，咱们把今天的内容捋一捋：

概念	一句话理解	我的建议
MPC基本原理	建模→预测→优化→滚动执行	模型精度和计算效率要平衡
MPC在ADAS中的角色	处理约束、多目标权衡	权重调参是核心难点
预测时域Np	看多远	根据车速动态调整
控制时域Nc	管多细	取Np的1/3到1/2

嗯，这一章咱们把地基打牢了。下一章，我会带你看看MPC的数学模型到底长什么样，以及怎么把它写成代码。到时候咱们再聊点更干的干货。

记住，调参没有银弹，但理解原理能让你少走弯路。咱们下章见。

📚 课程目录