Einführung in die Regelungstechnik: Modellprädiktive Regelung – Handeln innerhalb von Beschränkungen

Contents — find the section you need

Die modellprädiktive Regelung (MPC) prognostiziert die Auswirkungen eines aktuellen Befehls auf die folgenden Schritte, wählt eine Befehlssequenz, die das optimale Verhältnis zwischen Nachführung und Aufwand unter Einhaltung der Randbedingungen gewährleistet, wendet zunächst nur den ersten Befehl an und führt anschließend eine erneute Messung und Berechnung durch. Diese Regelung mit gleitendem Horizont ist besonders nützlich, wenn Eingangsgrößen Grenzwerte oder Zustandsvariablen Sicherheitsgrenzen aufweisen, Eingangsgrößen interagieren oder zukünftige Krümmungen und Verzögerungen relevant sind. Sie findet Anwendung in Prozessanlagen, Fahrzeugen, Roboterbewegungen und Energiesystemen.

MPC ist kein universeller Ersatz für PID-Regler. Ein prädiktiver Optimierer mit einer verspäteten Zustandsschätzung, einem fehlerhaften Modell, einem unlösbaren Problem oder einer verpassten Frist wird nicht automatisch sicher, nur weil seine mathematischen Randbedingungen vollständig erscheinen. Viele bewährte Architekturen verwenden unterhalb der MPC weiterhin schnelle PID-Regelkreise für Strom und Geschwindigkeit zur Pfad-, Energie-, Wärme- oder Mehrgrößenkoordination. Lesen Sie ROS 2 Primer für die Ausführungsgrenzen und Visual SLAM Primer für die Timing- und Lokalisierungsannahmen, die einem mobilen Roboter-Controller zugrunde liegen.

Die praktische Schlussfolgerung

Erstellen Sie den Horizont $N$ aus dem Zustand $x$ und der Eingabe $u$ und integrieren Sie Eingabe-, Eingaberaten-, Zustands- und Sicherheitsbeschränkungen in die Optimierung, anstatt einen unbeschränkten Befehl nachträglich zu beschneiden.
Legen Sie vor der Bereitstellung fest, was passiert, wenn der Solver zu spät kommt, numerisch fehlschlägt oder nicht durchführbar ist. Deadline-, Fallback- und unabhängiges Stoppverhalten sind Bestandteile des Controllers.
Beginnen Sie mit dem kleinsten Modell, das den relevanten Zeitrahmen vorhersagt. Ein größeres Modell kann die Laufzeit, den Identifikationsfehler und den Wartungsaufwand verschlechtern, ohne die Entscheidungen zu verbessern.
Horizont und Gewichtungen anhand expliziter betrieblicher Prioritäten anpassen: Sicherheitsmarge, Spurtreue, Energie, Verschleiß, Komfort und Rechenaufwand – nicht durch blindes Erhöhen der Spurtreue-Gewichtung.

Intuition: Vor der Kurve bremsen

Ein einfacher Regler kann ein Fahrzeug nach Erkennung eines Seitenfehlers ablenken. MPC berücksichtigt die Kurve, Geschwindigkeit, Lenkbereich, Reifengrenzen, Beschleunigung und Hindernisfreiheit. Es bewertet mögliche Lenk- und Beschleunigungssequenzen, wählt eine innerhalb des zulässigen Bereichs aus, führt nur die erste Bewegung aus und verwirft die alte Vorhersage bei einer neuen Messung. MPC ist daher kein Wahrsager. Es handelt sich um eine Regelung, die kurzlebige Hypothesen über die Zukunft wiederholt testet.

Signalfluss und der gleitende Horizont

MPC: Referenz-, Modell-, Nebenbedingungen- und geschätzte Zustandsoptimierung; Wende den ersten Zug an und beobachte erneut. — Referenz, Modell, Nebenbedingungen und geschätzter Zustand werden separat in den Optimierer eingespeist. Der gestrichelte Pfad liefert neue Beobachtungen für die nächste Lösung. Open Abbildung in voller Größe

Diagramm: Duskcoil, konzeptionell statt gemessen. Eine vorhergesagte Trajektorie ist ein modellbasierter Kandidat und muss nach Anwendung einer Aktion durch Beobachtung aktualisiert werden.

Eine minimale lineare MPC-Formulierung

Für das diskrete lineare Modell

x_{k+1}=Ax_k+Bu_k+Ew_k,\qquad y_k=Cx_k

$x$ ist der Zustand, $u$ die Eingabe, $w$ die Störung und $y$ die Ausgabe. Über einen Vorhersagehorizont $N$ (siehe Referenz $r$ ) ergibt sich eine gängige quadratische Kostenfunktion:

J=\sum_{i=0}^{N-1}\left(\lVert x_{k+i}-x_{ref,k+i}\rVert_Q^2+\lVert u_{k+i}\rVert_R^2+\lVert\Delta u_{k+i}\rVert_S^2\right)+\lVert x_{k+N}-x_{ref,k+N}\rVert_P^2

wobei $\Delta u_k=u_k-u_{k-1}$ und $Q,R,S,P$ die Bedeutung von Zustandsverfolgung, Steuergröße, abrupten Änderungen und Endverhalten ausdrücken. Dies sind technische Prioritäten in mathematischer Form. Die alleinige Bestrafung von Seitenfehlern kann beispielsweise zu heftigen Lenkbewegungen führen, die für Insassen, Reifen oder Aktuatoren inakzeptabel sind.

Der wesentliche Unterschied zu einem unbeschränkten Regler liegt in der expliziten Menge der zulässigen Werte:

u_{min}\le u_{k+i}\le u_{max},\quad \Delta u_{min}\le\Delta u_{k+i}\le\Delta u_{max},\quad x_{min}\le x_{k+i}\le x_{max}

Die Grenzen können Lenkung, Stromstärke, Temperatur, Gelenkwinkel, Batteriezustand, Druck oder Hindernisfreiheit repräsentieren. Beschränkungen können sich widersprechen. Unverletzliche Kollisions- oder Hardwaregrenzen sollten strikt eingehalten werden; ein nichtnegativer Spielraum $\epsilon\ge0$ sollte nur für bewusst lockerbare Beschränkungen verwendet und bestraft werden, z. B. durch eine Begrenzung der zulässigen Werte. $\rho\lVert\epsilon\rVert^2$ . Protokollieren Sie, wann Slack verwendet wurde: Eine weiche Beschränkung ist ein deklarierter Kompromiss, kein Beweis dafür, dass die Verletzung unschädlich ist.

Schätzung, Verzögerung und Modellabweichung

MPC prognostiziert den Zustand anhand von $x_k$ , dieser Zustand ist jedoch normalerweise eine Schätzung aus der Sensorfusion. Bei einem mobilen Roboter, der visuelles SLAM verwendet, verfälschen Lokalisierungslatenz, Relokalisierungssprünge und inkonsistente Frames den Anfangszustand jeder Optimierung; siehe Visual SLAM Primer. Die Lösung eines idealen Problems mit einem alten Zustand und einer neuen Referenz führt zu einem physikalisch verzögerten Befehl.

Abweichungen umfassen Reibung, Nutzlast, Wind, Reifenschlupf, veränderliche Wärmekapazität und nicht modellierte Flexibilität. Zu den Reaktionen gehören Störungszustandserweiterung oder Integralwirkung, Online-Parameteraktualisierungen, mehrere Modelle, robuste/Tube-MPC-Margen und ein schneller stabilisierter innerer Regelkreis. Keine ersetzt das unabhängige Stoppverhalten, wenn die Abweichung außerhalb des Auslegungsbereichs liegt.

Optimierungshorizont und Gewichtungen

Wählen Sie die Abtastzeit $T_s$ und den Horizont $N$ so, dass $NT_s$ die relevante Verzögerung, den Stoppabstand, das dominante Einschwingverhalten und die Krümmung der Route abdeckt – jedoch nicht so weit, dass Laufzeit und Modellfehler in ferner Zukunft dominieren. Ein kürzerer Regelungshorizont kann spätere Eingangsgrößen konstant halten und die Anzahl der Entscheidungsvariablen reduzieren.

Optimieren Sie in dieser Reihenfolge: Legen Sie die Einheiten und die Sicherheitsgrenzen fest; wählen Sie die Tracking-Gewichtungen $Q$ für die operative Aufgabe; erhöhen Sie $R$ und $S$ , um Energieverbrauch, Verschleiß und Glättung zu optimieren; messen Sie anschließend die Laufzeit des Lösers im ungünstigsten Fall sowie die Unzulässigkeit unter Rauschen, Last, Latenz und Störungen. Testen Sie sowohl einen kurzen Horizont $N$ als auch einen langen Horizont, bevor Sie den Betriebspunkt auswählen. Eine Erhöhung von $Q$ bis zu einem scheinbar schnellen Systemzustand kann dazu führen, dass der Optimierer an den Grenzen harter Nebenbedingungen verharrt und selbst bei deren Erfüllung nur wenig Spielraum lässt.

Beobachtung	Plausible Ursache	Zuerst prüfen	Typische Maßnahme
Spät in einer Kurve	Horizont zu kurz; Zustandsverzögerung	vorhergesagter vs. gemessener Pfad, Zeitstempel	Horizont anpassen, Plan beschleunigen, Verzögerungsbehandlung
Unregelmäßige Befehle	niedriger Wert von $S$ ; verrauschte Schätzung	$\Delta u$ und Sensordaten	Bewegungsstrafe erhöhen; Schätzer/Filter verbessern
Häufige Über-/Untergrenzen	Diskrepanz; kein Spielraum	Über-/Untergrenzen, aktive Nebenbedingungen, Störung	Spielraum hinzufügen, Störungsmodell, sanftere Referenz
Keine Lösung	widersprüchliche Nebenbedingungen	Solver-Status und aktive Menge	unzulässige Strategie definieren; nur zulässige Grenzen abschwächen

Fristüberschreitung | Problem zu groß/variabel | Lösezeit im ungünstigsten Fall | Modell/Horizont reduzieren; Solver konfigurieren |

Zusammenhang mit PID und Sicherheit

Ein MPC-Regelkreis kann mit 10–100 Hz laufen, um Geschwindigkeits-, Lage- oder Trajektorienvorgaben zu liefern, während Motortreiber oder PID-Regelkreise Strom, Geschwindigkeit oder Position mit höherer Frequenz regeln. Der MPC muss wissen, was der innere Regelkreis tatsächlich leisten kann: Sättigung, Verzögerung, Timeout und Nachführgrenzen. Wenn der Optimierer zu spät kommt oder nicht realisierbar ist, benötigt der untere Regelkreis eine definierte sichere Referenz, z. B. Nullgeschwindigkeit, kontrollierte Verzögerung oder Halten.

Sicherheitsfunktionen müssen unabhängig vom Optimierer sein: Not-Aus, Kollisionserkennung, feste Fahrgrenzen, Überstrom-/Übertemperaturschutz, Geschwindigkeitsüberwachung und Kommunikationsüberwachung. Definieren Sie eine Reaktion für eine fehlende Lösung, einen numerischen Fehler, einen veralteten Zustand, eine ungültige Referenz und einen Fehler im Schätzer. Die Realisierbarkeit im Optimierungsmodell ist nicht gleichzusetzen mit der Sicherheit in der Praxis.

Aktuelle Software, Produkte und Forschungsbeispiele

MPC hat sich von der kontinuierlichen Prozessindustrie auf Fahrzeuge, Robotik und Energiemanagement ausgeweitet. Eine implementierte Lösung umfasst neben einer Kostenfunktion auch einen Solver, Modellidentifizierung, Zustandsschätzung, Überwachung und Terminmanagement. OSQP stellt einen Open-Source-Solver für konvexe quadratische Programmierung sowie MPC-orientiertes Material bereit. MathWorks’ MPC overview beschreibt die Struktur für Vorhersage, Nebenbedingungen und wiederholte Optimierung. Diese dienen als primäre Implementierungsreferenzen und stellen keine Produktempfehlungen dar.

Im Bereich der Robotik verwaltet ros2_control Hardware-Schnittstellen, Controller-Lebenszyklen, asynchrone Aktualisierungen und die Verkettung von Controllern. Die Integration eines MPC-Knotens in ROS 2 ermöglicht jedoch weder Echtzeitplanung noch die Ausrichtung von Zustands- und Referenzzeitstempeln oder einen sicheren, unabhängigen Regelkreis. Aktuelle Forschung umfasst nichtlineare MPC, gelernte Dynamik, verteilungsrobuste MPC und gemeinsame Wahrnehmungs-Planungs-Optimierung. Laufzeit, Erklärbarkeit, Unsicherheit und Sicherheitsgewährleistung stellen weiterhin praktische Grenzen dar.

Checkliste für die Implementierung

Definieren Sie Einheiten, Frames, Aktualisierungsraten, Latenz, Aktualität, Horizont und Bewegungsgewicht für Zustand, Eingabe, Störung und Referenz.
Trennen Sie harte physikalische von bewusst weichen betrieblichen Beschränkungen.
Testen Sie die Lösungszeit im ungünstigsten Fall, Timeout, Unzulässigkeit und den Fallback bei numerischem Fehler.
Protokollieren Sie Vorhersagen, Messwerte, Eingabesequenz, aktive Beschränkungen, Slack und Solver-Status in einem Taktzyklus.
Fügen Sie Fehlanpassungen, Störungen, Schlupf, Sensorverzögerungen/-ausfälle und Kommunikationsverluste hinzu.
Stellen Sie sicher, dass die MPC die Sättigung der inneren Schleife erkennt und dass der unabhängige Stoppschutz bei einem Fehler der MPC, von ROS 2 oder der Schätzung funktioniert.

Grenzfälle, die zuerst in der Simulation getestet werden sollten

MPC kann in der Simulation attraktive Trajektorien erzeugen. Daher können normale Bedingungen allein gefährliche Annahmen verschleiern. Automatisieren Sie abrupte Referenzänderungen, Reibungs- und Nutzlaständerungen, Aktuatorsättigung, verzögerte oder fehlende Messungen sowie absichtlich kurze Solver-Deadlines. Protokollieren Sie, welche Nebenbedingung aktiv wurde, wie viele Zyklen für den sicheren Ausweichmodus benötigt wurden und welches Signal die Entscheidung rechtfertigte. Wechseln Sie mit niedriger Geschwindigkeit und großzügiger Sicherheitsmarge zur Hardware und überwachen Sie Residuen, Sättigungszeit, Spielraum und Stoppstrecke anstatt nur das Solver-Erfolgsflag.

Überprüfen Sie Ihr Verständnis

Wird die gesamte optimierte Eingabesequenz ausgeführt?

Normalerweise wird nur die erste Eingabe angewendet, dann wird das Problem mit neuen Beobachtungen erneut gelöst. Dies berücksichtigt Abweichungen von der Vorhersage.