Model Predictive Control (MPC)

التحكم التنبؤي للنماذج (MPC) هو طريقة لاختيار الإجراءات عن طريق التنبؤ بكيفية استجابة النظام خلال اللحظات العديدة القادمة، واختيار أفضل تسلسل للإجراءات، وتنفيذ الأول منها فقط. ثم يقيس ما حدث بالفعل ويخطط مرة أخرى. تفكر في روبوت مستودع يقترب من منعطف: فبدلاً من توجيه نفسه بناءً على موقعه الحالي فقط، يأخذ في الاعتبار المكان الذي ستتركه فيه خيارات التوجيه المختلفة، وما إذا كانت تلك المسارات ستخلي الأرفف القريبة.

كيف يعمل التحكم التنبؤي للنماذج (MPC)؟#

يتحتم على وحدة تحكم التحكم التنبؤي للنماذج (MPC) وجود حالة، مثل موقع الروبوت وسرعته؛ ونموذج ديناميكي يتنبؤ بكيفية تغيير الإجراءات لتلك الحالة؛ وهدف يصف نتيجة جيدة. قد تفضل عملية التحسين الخاصة بها الوصول إلى الوجهة مع معاقبة التوجيه المفاجئ. تستبعد القيود أو تثبط السلوك غير المقبول، مثل تجاوز حد سرعة المحرك أو دخول مساحة مشغولة.

في كل فترة تحكم، يتنبؤ التحكم التنبؤي للنماذج (MPC) بعواقب الإجراءات المرشحة عبر أفق التنبؤ. وهو يختارة التسلسل ذو التكلفة الإجمالية الأقل، ويطبق إجرائه الأول، ويكرر ذلك مع القياسات المحدثة. يسمى هذا التخطيط المتكرر المتكرر التحكم ذو الأفق المتراجع. توضح مقدمة MathWorks للتحكم التنبؤي للنماذج (MPC) حلقة التعليقات هذه؛ وتشرح دليل MathWorks لوقت العينة والآفاق سبب أن النظر إلى مسافة أبعد يمكن أن يحسن التوقع ولكنه يزيد من الحوسبة.

لا توجد "صيغة تحكم تنبؤي للنماذج (MPC)" عالمية واحدة. بلغة بسيطة، تقلل وحدة التحكم المجموع المتنبأ به لأخطاء تتبع الأهداف وتكاليف الإجراءات على مدى أفقها، خاضعة لنموذجها وقيودها. يوضح شرح do-mpc للتحكم التنبؤي للنماذج (MPC) أيضًا كيف تمتد هذه الفكرة إلى الأنظمة غير الخطية، التي لا يمكن تمثيل استجاباتها بشكل كافٍ بواسطة نموذج خطي بسيط.

ماذا يساهم النموذج والقياسات؟#

يتنبؤ النموذج الديناميكي بالعواقب، وليس بالضرورة الصور. وقد يقدر كيف يتغير موقع الروبوت عندما تتغير سرعات العجلات، أو كيف تستجيب درجة حرارة الغرفة للتدفئة والطقس الخارجي. يمكن أن تأتي معلماتها من المعرفة الفيزيائية، أو البيانات المقاسة، أو النمذجة التنبؤية. لا يلغي تعلم النموذج الحاجة إلى اختبار ما إذا كانت تنبؤاته تظل دقيقة في بيئة التشغيل.

تصصح القياسات الخطة. قد تكشف الكاميرات عن عقبات، لكن الكشف عن الصورة ليس بالضرورة وضعًا فيزيائيًا قابلًا للاستخدام تلقائيًا. قد تحتاج وحدة التحكم إلى معايرة الكاميرا، ومعلومات المسافة، ومقدر الحالة للجمع بين الملاحظات وتايخ الحركة. يعتبر فلتر كالمان أحد المقدرات الممكنة؛ ويوضح دليل MathWorks لتقدير حالة وحدة التحكم سبب قيام التحكم التنبؤي للنماذج (MPC) غالبًا بتقدير الحالات التي لا يمكنه قياسها بشكل مباشر. يساعد إعادة التخطيط في التنبؤات غير الكاملة، لكنه لا يمكنه جعل الملاحظة المتأخرة أو غير الموثوقة آمنة بمفردها.

أين يتم تطبيق التحكم التنبؤي للنماذج (MPC)؟#

• ملاحة روبوت المستودع: يستخدم روبوت متنقل ملاحظات الكاميرا وتقديرات حركته الخاصة لتخطيط مسار قصير حول العمال والأرفف. يمكن لوحدة تحكم التحكم التنبؤي للنماذج (MPC) مقارنة تسلسلات التوجيه والسرعة مقابل هدف وقت السفر وقيود الحركة، ثم مراجعة خيارها مع تحرك الناس. توفر وثائق وحدة التحكم التنبؤية Nav2 مثالاً عملياً للروبوتات على تقييم المسارات المتنبأ بها.
• التحكم في مناخ المبنى: يمكن لوحدة تحكم المبنى التنبؤ بكيفية تأثير قرارات التدفئة أو التبريد على درجات حرارة الغرفة خلال الساعات القادمة. تساعد تقديرات الاشغال وتوقعات الطقس في الاستعداد للطلب مع موازنة استخدام الطاقة حدود الراحة. توضح نظرة عامة على مستشفيات وعناصر التحكم في المباني التابعة لوزارة الطاقة الأمريكية هذا المزيج من التعلم الآلي والتحكم التنبؤي.

في كلتا الحالتين، الفائدة ليست التنبؤ وحدها. يستخدم التحكم التنبؤي للنماذج (MPC) التنبؤات لاختيار إجراء ضمن الحدود التشغيلية، ثم يتحقق من خطته مقابل الملاحظة التالية.

كيف يختلف التحكم التنبؤي للنماذج (MPC) عن المفاهيم ذات الصلة؟#

يمثل نموذج العالم كيف يمكن أن تتطور البيئة؛ والتحكم التنبؤي للنماذج (MPC) هو إجراء تحكم يستخدم نموذجًا ديناميكيًا لمقارنة الإجراءات الممكنة. يتعلم التعلم التعزيزي عادةً كيفية التصرف من الخبرة، بينما يحل التحكم التنبؤي للنماذج (MPC) بوضوح مشكلة تخطيط تتطلع إلى الأمام أثناء التشغيل. يمكن دمجهما: قد يوفر النموذج المتعلم تنبؤات التحكم التنبؤي للنماذج (MPC).

وبالمثل، يقدر تتبع الكائنات مكان وجود الكائن عبر الإطارات؛ فهو لا يختار أوامر التوجيه. يمكن أن يوفر التتبع الملاحظات للتحكم التنبؤي للنماذج (MPC)، لكن وحدة التحكم لا تزال بحاجة إلى نموذج حركي، وهدف، وقيود، وطريقة تحسين. يميز دليل قيود MathWorks الحدود الصارمة عن القيود اللينة التي تسمح بانتهاك معاقب عليه.

كيف يمكن لرؤية الكمبيوتر دعم خط أنابيب التحكم التنبؤي للنماذج (MPC)؟#

يمكن لـ Ultralytics YOLO26 توفير مدخلات إدراكية من خلال اكتشاف الكائنات. يعيد سير عمل الاستدلال الموثق هذا مربعات الإحاطة لصورة واحدة:

from ultralytics import YOLO

# Load a pretrained detection model.
model = YOLO("yolo26n.pt")

# Observe objects in the current image.
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# Inspect image-space locations available to a perception pipeline.
print(result.boxes.xyxy)

يعطي الناتج إحداثيات الصندوق في مساحة الصورة—وليس المسافات، أو السرعات، أو أوامر التحكم. بالنسبة لمشهد متحرك، يمكن لـ وضع تتبع YOLO المساعدة في الحفاظ على هويات الكائنات، بينما يمكن لـ تقدير العمق توفير تقديرات المسافة. يجب على نظام التقدير والتحكم التنبؤي للنماذج (MPC) المنفصل تحويل الملاحظات المناسبة إلى حالة، والتنبؤ بنتائج الإجراءات، وحل التحسين المقيد، وإعطاء الأوامر للأجهزة.

قبل نشر التطبيق، اختبر أن حلقة الإدراك إلى العمل بأكملها تنتهي ضمن فترة التحكم الخاصة بها. قم بتقييم الاكتشافات المفقودة، وعدم تطابق النموذج، والحالات التي تجعل القيود الخطة غير قابلة للتطبيق؛ وقم بتعيين سلوك احتياطي محدد بدلاً من افتراض أن المحسن سيُرجع دائمًا أمرًا آمنًا.