Model Predictive Control (MPC)

La commande prédictive (MPC) est une méthode pour choisir des actions en prédisant comment un système réagira au cours des prochains instants, en sélectionnant la meilleure séquence d'actions et en n'exécutant que la première. Ensuite, la commande prédictive (MPC) mesure ce qui s'est réellement passé et planifie à nouveau. Pensez à un robot d'entrepôt approchant d'un virage : plutôt que de diriger uniquement à partir de sa position actuelle, le robot d'entrepôt considère où différents choix de direction le laisseraient, et si ces chemins dégageraient les étagères voisines.

Comment fonctionne la MPC ?#

Un contrôleur MPC a besoin d'un état, tel que la position et la vitesse d'un robot ; d'un modèle de dynamique, qui prédit comment les actions modifient cet état ; et d'un objectif, qui décrit un bon résultat. L'optimisation du contrôleur MPC peut favoriser l'atteinte d'une destination tout en pénalisant une direction brusque. Des contraintes éliminent ou découragent un comportement inacceptable, tel que le dépassement de la limite de vitesse d'un moteur ou l'entrée dans un espace occupé.

À chaque intervalle de contrôle, la MPC prédit les conséquences d'actions candidates sur un horizon de prédiction. La MPC choisit la séquence ayant le coût global le plus bas, applique la première action de la séquence, et répète avec des mesures actualisées. Cette replanification répétée est appelée commande à horizon glissant. L'introduction de MathWorks à la MPC illustre cette boucle de rétroaction ; le guide de MathWorks sur le temps d'échantillonnage et les horizons explique pourquoi regarder plus loin en avant peut améliorer l'anticipation mais augmenter le calcul.

Il n'y a pas de « formule MPC » universelle unique. En langage simple, le contrôleur minimise la somme prédite des erreurs de suivi d'objectifs et des coûts d'action sur son horizon, sous réserve de son modèle et de ses contraintes. L'explication de do-mpc sur la MPC montre également comment cette idée s'étend aux systèmes non linéaires, dont les réponses ne peuvent pas être adéquatement représentées par un modèle linéaire simple.

Que contribuent le modèle et les mesures ?#

Le modèle de dynamique prédit des conséquences, pas nécessairement des images. Le modèle de dynamique pourrait estimer comment la position d'un robot change lorsque les vitesses des roues changent, ou comment la température d'une pièce réagit au chauffage et aux conditions météorologiques extérieures. Les paramètres du modèle de dynamique peuvent provenir de connaissances physiques, de données mesurées ou de la modélisation prédictive. L'apprentissage du modèle ne supprime pas le besoin de tester si les prédictions du modèle restent exactes dans l'environnement opérationnel.

Les mesures corrigent le plan. Des caméras peuvent révéler des obstacles, mais une détection d'objet n'est pas automatiquement une position physique utilisable. Un contrôleur peut avoir besoin d'un étalonnage de caméra, d'informations de distance et d'un estimateur d'état pour combiner les observations avec l'historique des mouvements. Un filtre de Kalman est un estimateur possible ; le guide de MathWorks sur l'estimation d'état du contrôleur explique pourquoi la MPC estime souvent des états qu'elle ne peut pas mesurer directement. La replanification aide à faire face aux prévisions imparfaites, mais ne peut pas rendre une observation retardée ou peu fiable sûre par elle-même.

Où la MPC est-elle appliquée ?#

• Navigation de robot d'entrepôt : Un robot mobile utilise des observations de caméra et ses propres estimations de mouvement pour planifier un chemin court autour des travailleurs et du rayonnage. Un contrôleur MPC peut comparer les séquences de direction et de vitesse par rapport à un objectif de temps de trajet et à des limites de mouvement, puis réviser son choix à mesure que les gens se déplacent. La documentation du contrôleur prédictif Nav2 fournit un exemple pratique en robotique d'évaluation de trajectoires prévues.
• Climatisation de bâtiment : Un contrôleur de bâtiment peut prédire comment les décisions de chauffage ou de climatisation affecteront les températures ambiantes au cours des heures à venir. Les estimations d'occupation et les prévisions météorologiques aident le contrôleur de bâtiment à se préparer à la demande tout en équilibrant l'utilisation d'énergie et les limites de confort. L'aperçu des capteurs et des commandes de bâtiments du Département de l'Énergie des États-Unis décrit cette combinaison d'apprentissage automatique et de commande prédictive.

Dans les deux cas, l'avantage n'est pas la prédiction seule. La MPC utilise des prédictions pour choisir une action dans des limites opérationnelles, puis vérifie son plan par rapport à l'observation suivante.

En quoi la MPC est-elle différente des concepts apparentés ?#

Un modèle du monde représente la manière dont un environnement peut évoluer ; la MPC est une procédure de commande qui utilise un modèle de dynamique pour comparer des actions possibles. L'apprentissage par renforcement apprend généralement à agir à partir de l'expérience, tandis que la MPC résout explicitement un problème de planification prospectif pendant le fonctionnement. Les deux peuvent être combinés : un modèle appris peut fournir les prédictions de la MPC.

De même, le suivi d'objets estime la position d'un objet d'une image à l'autre ; il ne choisit pas les commandes de direction. Le suivi d'objets peut fournir des observations au MPC, mais le contrôleur a toujours besoin d'un modèle de mouvement, d'un objectif, de contraintes et d'une méthode d'optimisation. Le guide des contraintes MathWorks distingue les limites strictes des contraintes souples qui permettent une violation pénalisée.

Comment la vision par ordinateur peut-elle prendre en charge un pipeline MPC ?#

Ultralytics YOLO26 peut fournir une entrée de perception grâce à la détection d'objets. Ce flux de travail d'inférence documenté renvoie des boîtes englobantes pour une image :

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 sortie donne des coordonnées de boîte dans l'espace image — pas des distances, des vitesses ou des commandes de contrôle. Pour une scène en mouvement, le mode de suivi YOLO peut aider à maintenir les identités des objets, tandis que l'estimation de profondeur peut fournir des estimations de distance. Un système d'estimation et MPC séparé doit transformer les observations appropriées en un état, prédire les résultats des actions, résoudre l'optimisation contrainte et commander le matériel.

Avant le déploiement, testez que la boucle complète de la perception à l'action se termine dans son intervalle de contrôle. Évaluez les détections manquées, l'inadéquation de modèle et les cas où les contraintes rendent un plan infaisable ; définissez un comportement de repli défini plutôt que de supposer que l'optimiseur renverra toujours une commande sûre.