Model Predictive Control (MPC)

Die modellprädiktive Regelung (MPC) ist eine Methode, um Aktionen auszuwählen, indem vorhergesagt wird, wie ein System in den nächsten Augenblicken reagieren wird, die beste Aktionssequenz ausgewählt und nur die erste davon ausgeführt wird. Danach misst die modellprädiktive Regelung, was tatsächlich passiert ist, und plant erneut. Man stelle sich einen Lagerroboter vor, der sich einer Kurve nähert: Anstatt sich ausschließlich an seiner aktuellen Position zu orientieren, berücksichtigt die modellprädiktive Regelung, wohin verschiedene Lenkentscheidungen ihn führen würden – und ob diese Pfade nahegelegene Regale freigeben würden.

Wie funktioniert die modellprädiktive Regelung?#

Ein Regler für die modellprädiktive Regelung benötigt einen Zustand, wie etwa die Position und Geschwindigkeit eines Roboters; ein Dynamikmodell, das vorhersagt, wie Aktionen diesen Zustand verändern; und ein Ziel, das ein gutes Ergebnis beschreibt. Dessen Optimierung könnte das Erreichen eines Ziels begünstigen und gleichzeitig abruptes Lenken bestrafen. Einschränkungen schließen inakzeptables Verhalten aus oder entmutigen es, wie etwa das Überschreiten der Geschwindigkeitsbegrenzung eines Motors oder das Betreten eines besetzten Raums.

In jedem Regelintervall sagt die modellprädiktive Regelung die Konsequenzen von Kandidatenaktionen über einen Prädiktionshorizont voraus. Die modellprädiktive Regelung wählt die Sequenz mit den geringsten Gesamtkosten aus, wendet ihre erste Aktion an und wiederholt dies mit aktualisierten Messungen. Diese wiederholte Neuplanung wird als rezedierende Horizontregelung bezeichnet. Die MathWorks-Einführung zur modellprädiktiven Regelung veranschaulicht diesen Rückkopplungskreis; deren Leitfaden zu Abtastzeit und Horizonten erklärt, warum ein weiterer Blick nach vorne die Antizipation verbessern, aber die Berechnung erhöhen kann.

Es gibt keine einzige universelle „Formel für die modellprädiktive Regelung“. In einfacher Sprache minimiert der Regler die vorhergesagte Summe aus Zielverfolgungsfehlern und Aktionskosten über seinen Horizont hinweg, vorbehaltlich seines Modells und seiner Einschränkungen. Die do-mpc-Erklärung zur modellprädiktiven Regelung zeigt zudem, wie sich diese Idee auf nichtlineare Systeme ausweitet, deren Reaktionen nicht durch ein einfaches lineares Modell adäquat dargestellt werden können.

Was tragen das Modell und die Messungen bei?#

Das Dynamikmodell sagt Konsequenzen voraus, nicht notwendigerweise Bilder. Das Dynamikmodell schätzt möglicherweise ab, wie sich die Position eines Roboters verändert, wenn sich die Radgeschwindigkeiten ändern, oder wie die Temperatur eines Raums auf Heizung und Außenwetter reagiert. Dessen Parameter können aus physikalischem Wissen, gemessenen Daten oder der prädiktiven Modellierung stammen. Das Erlernen des Modells beseitigt nicht die Notwendigkeit zu testen, ob die Vorhersagen des Modells in der Betriebsumgebung genau bleiben.

Messungen korrigieren den Plan. Kameras offenbaren möglicherweise Hindernisse, aber eine Bilderkennung ist nicht automatisch eine nutzbare physische Position. Ein Regler benötigt möglicherweise Kamerakalibrierung, Entfernungsinformationen und einen Zustandsschätzer, um Beobachtungen mit der Bewegungshistorie zu kombinieren. Ein Kalman-Filter ist ein möglicher Schätzer; der MathWorks-Leitfaden zur Reglerzustandsschätzung erklärt, warum die modellprädiktive Regelung häufig Zustände schätzt, die die modellprädiktive Regelung nicht direkt messen kann. Eine Neuplanung hilft bei unvollkommenen Prognosen, aber eine Neuplanung kann eine verzögerte oder unzuverlässige Beobachtung nicht von sich aus sicher machen.

Wo wird die modellprädiktive Regelung angewendet?#

• Navigation von Lagerrobotern: Ein mobiler Roboter verwendet Kamerabeobachtungen und eigene Bewegungsschätzungen, um einen kurzen Pfad um Arbeiter und Regale herum zu planen. Ein Regler für die modellprädiktive Regelung kann Lenk- und Geschwindigkeitssequenzen mit einem Reisezeit-Ziel und Bewegungsgrenzen vergleichen und dann die Wahl der modellprädiktiven Regelung überarbeiten, wenn sich Personen bewegen. Die Dokumentation zum prädiktiven Nav2-Regler liefert ein praktisches Robotikbeispiel zur Auswertung vorhergesagter Trajektorien.
• Gebäudeklimatisierung: Ein Gebäuderegler kann vorhersagen, wie sich Heiz- oder Kühlentscheidungen in den kommenden Stunden auf die Raumtemperaturen auswirken werden. Belegungsschätzungen und Wettervorhersagen helfen dem Gebäuderegler, sich auf die Nachfrage vorzubereiten und gleichzeitig den Energieverbrauch und die Komfortgrenzen auszugleichen. Die Übersicht des US-Energieministeriums über Gebäudesensoren und -regelungen beschreibt diese Kombination aus maschinellem Lernen und prädiktiver Regelung.

In beiden Fällen besteht der Nutzen nicht allein in der Vorhersage. Die modellprädiktive Regelung nutzt Vorhersagen, um eine Aktion innerhalb von Betriebsgrenzen auszuwählen, und überprüft dann den Plan der modellprädiktiven Regelung anhand der nächsten Beobachtung.

Inwiefern unterscheidet sich die modellprädiktive Regelung von verwandten Konzepten?#

Ein Weltmodell bildet ab, wie sich eine Umgebung entwickeln kann; die modellprädiktive Regelung ist ein Regelungsverfahren, das ein Dynamikmodell verwendet, um mögliche Aktionen zu vergleichen. Bestärkendes Lernen lernt typischerweise aus Erfahrung, wie man handelt, wohingegen die modellprädiktive Regelung während des Betriebs explizit ein vorausblickendes Planungsproblem löst. Das bestärkende Lernen und die modellprädiktive Regelung können kombiniert werden: Ein gelerntes Modell kann die Vorhersagen der modellprädiktiven Regelung liefern.

Ebenso schätzt die Objektverfolgung ab, wo sich ein Objekt über Frames hinweg befindet; die Objektverfolgung wählt keine Lenkbefehle aus. Die Objektverfolgung kann der modellprädiktiven Regelung Beobachtungen liefern, aber der Regler benötigt dennoch ein Bewegungsmodell, ein Ziel, Einschränkungen und eine Optimierungsmethode. Der MathWorks-Leitfaden zu Einschränkungen unterscheidet harte Grenzen von weichen Einschränkungen, die eine bestrafte Verletzung zulassen.

Wie kann Computer Vision eine Pipeline für die modellprädiktive Regelung unterstützen?#

Ultralytics YOLO26 kann durch Objekterkennung eine Wahrnehmungseingabe liefern. Dieser dokumentierte Inferenz-Arbeitsablauf liefert Begrenzungsrahmen für ein Bild:

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)

Die Ausgabe liefert Rahmenkoordinaten im Bildraum – keine Entfernungen, Geschwindigkeiten oder Steuerbefehle. Für eine sich bewegende Szene kann der YOLO-Verfolgungsmodus dabei helfen, Identitäten von Objekten beizubehalten, während die Tiefenschätzung Entfernungsschätzungen liefern kann. Ein separates Schätz- und System für die modellprädiktive Regelung muss geeignete Beobachtungen in einen Zustand umwandeln, Aktionsergebnisse vorhersagen, die eingeschränkte Optimierung lösen und die Hardware ansteuern.

Testen Sie vor dem Einsatz, ob die gesamte Wahrnehmungs-Aktions-Schleife innerhalb des Regelintervalls der Wahrnehmungs-Aktions-Schleife abgeschlossen ist. Werten Sie verpasste Erkennungen, Modell-Fehlanpassungen und Fälle aus, in denen Einschränkungen einen Plan undurchführbar machen; legen Sie ein definiertes Rückfallverhalten fest, anstatt anzunehmen, dass der Optimierer immer einen sicheren Befehl zurückgibt.