Model Predictive Control (MPC)

El control predictivo basado en modelo (MPC) es una forma de elegir acciones prediciendo cómo responderá un sistema durante los próximos momentos, seleccionando la mejor secuencia de acciones y ejecutando únicamente la primera. Luego mide lo que realmente sucedió y vuelve a planificar. Piensa en un robot de almacén que se aproxima a un giro: en lugar de dirigir exclusivamente desde su posición actual, considera dónde lo dejarían las diferentes opciones de giro y si esos caminos despejarían las estanterías cercanas.

¿Cómo Funciona el MPC?#

Un controlador MPC necesita un estado, como la posición y la velocidad de un robot; un modelo de dinámica, que predice cómo las acciones cambian ese estado; y un objetivo, que describe un resultado favorable. Su optimización podría favorecer llegar a un destino mientras penaliza los giros abruptos. Las restricciones descartan o desincentivan el comportamiento inaceptable, como superar el límite de velocidad de un motor o entrar en un espacio ocupado.

En cada intervalo de control, el MPC predice las consecuencias de las acciones candidatas a lo largo de un horizonte de predicción. Elige la secuencia con el costo global más bajo, aplica su primera acción y repite con mediciones actualizadas. Esta replanificación repetida se denomina control de horizonte deslizante. La introducción al MPC de MathWorks ilustra este bucle de retroalimentación; su guía sobre el tiempo de muestreo y los horizontes explica por qué mirar más adelante puede mejorar la anticipación pero incrementar la computación.

No existe una única "fórmula de MPC" universal. En lenguaje sencillo, el controlador minimiza la suma prevista de los errores de seguimiento de objetivos y los costos de las acciones a lo largo de su horizonte, sujeto a su modelo y restricciones. La explicación de MPC de do-mpc también muestra cómo esta idea se extiende a sistemas no lineales, cuyas respuestas no pueden ser representadas adecuadamente por un modelo lineal simple.

¿Qué Aportan el Modelo y las Mediciones?#

El modelo de dinámica predice consecuencias, no necesariamente imágenes. Podría estimar cómo cambia la posición de un robot cuando cambian las velocidades de las ruedas, o cómo responde la temperatura de una habitación a la calefacción y al clima exterior. Sus parámetros pueden provenir de conocimientos físicos, datos medidos o modelado predictivo. Aprender el modelo no elimina la necesidad de probar si sus predicciones siguen siendo precisas en el entorno operativo.

Las mediciones corrigen el plan. Las cámaras pueden revelar obstáculos, pero una detección de objetos no es automáticamente una posición física utilizable. Un controlador puede necesitar calibración de la cámara, información de distancia y un estimador de estado para combinar las observaciones con el historial de movimiento. Un filtro de Kalman es un estimador posible; la guía de MathWorks sobre estimación del estado del controlador explica por qué el MPC a menudo estima estados que no puede medir directamente. La replanificación ayuda con los pronósticos imperfectos, pero por sí sola no puede hacer que una observación retrasada o poco confiable sea segura.

¿Dónde se Aplica el MPC?#

• Navegación de robots de almacén: Un robot móvil utiliza las observaciones de la cámara y sus propias estimaciones de movimiento para planificar un camino corto alrededor de los trabajadores y el estante. Un controlador MPC puede comparar secuencias de dirección y velocidad con un objetivo de tiempo de viaje y límites de movimiento, y luego revisar su elección a medida que las personas se mueven. La documentación del controlador predictivo de Nav2 proporciona un ejemplo práctico de robótica para evaluar trayectorias predichas.
• Control climático de edificios: Un controlador de edificios puede predecir cómo las decisiones de calefacción o refrigeración afectarán las temperaturas de las habitaciones durante las próximas horas. Las estimaciones de ocupación y los pronósticos meteorológicos lo ayudan a prepararse para la demanda mientras equilibra el uso de energía y los límites de confort. La descripción general de sensores y controles de edificios del Departamento de Energía de EE. UU. describe esta combinación de aprendizaje automático y control predictivo.

En ambos casos, el beneficio no es solo la predicción. El MPC utiliza predicciones para elegir una acción dentro de los límites operativos, y luego verifica su plan frente a la siguiente observación.

¿En qué se Diferencia el MPC de los Conceptos Relacionados?#

Un modelo del mundo representa cómo puede evolucionar un entorno; el MPC es un procedimiento de control que utiliza un modelo de dinámica para comparar acciones posibles. El aprendizaje por refuerzo típicamente aprende a actuar a partir de la experiencia, mientras que el MPC resuelve explícitamente un problema de planificación orientado al futuro durante la operación. Se pueden combinar: un modelo aprendido puede proporcionar las predicciones del MPC.

Del mismo modo, el seguimiento de objetos estima dónde está un objeto a través de los fotogramas; no elige comandos de dirección. El seguimiento puede proporcionar observaciones al MPC, pero el controlador aún necesita un modelo de movimiento, un objetivo, restricciones y un método de optimización. La guía de restricciones de MathWorks distingue los límites estrictos de las restricciones flexibles que permiten una infracción penalizada.

¿Cómo Puede la Visión por Computadora Respaldar una Tubería de MPC?#

Ultralytics YOLO26 puede proporcionar una entrada de percepción a través de la detección de objetos. Este flujo de trabajo de inferencia documentado devuelve cuadros delimitadores para una imagen:

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)

La salida proporciona coordenadas de cuadro en el espacio de la imagen, no distancias, velocidades o comandos de control. Para una escena en movimiento, el modo de seguimiento de YOLO puede ayudar a mantener las identidades de los objetos, mientras que la estimación de profundidad puede proporcionar estimaciones de distancia. Un sistema separado de estimación y MPC debe convertir las observaciones adecuadas en un estado, predecir los resultados de las acciones, resolver la optimización restringida y comandar el hardware.

Antes de la implementación, pruebe que todo el bucle de percepción a acción termine dentro de su intervalo de control. Evalúe las detecciones perdidas, la discrepancia del modelo y los casos en los que las restricciones hacen que un plan sea inviable; establezca un comportamiento de reserva definido en lugar de asumir que el optimizador siempre devolverá un comando seguro.