Model Predictive Control (MPC)

Модельное прогностическое управление (MPC) — это способ выбора действий путем прогнозирования того, как система отреагирует в течение следующих нескольких моментов, выбора наилучшей последовательности действий и выполнения только первого действия. Затем оно измеряет то, что произошло на самом деле, и планирует заново. Представь складского робота, приближающегося к повороту: вместо того чтобы управлять движением исключительно из текущего положения, он учитывает, к чему приведут различные варианты руления и будут ли эти траектории безопасными по отношению к близлежащим стеллажам.

Как работает MPC?#

Контроллеру MPC требуются состояние, такое как положение и скорость робота; модель динамики, которая прогнозирует, как действия изменяют это состояние; и целевая функция, которая описывает хороший результат. Его оптимизация может отдавать предпочтение достижению пункта назначения при одновременном сокращении резких маневров руления. Ограничения исключают или делают нежелательным неприемлемое поведение, такое как превышение ограничения скорости мотора или въезд в занятое пространство.

На каждом интервале управления MPC прогнозирует последствия возможных действий на протяжении горизонта прогнозирования. Он выбирает последовательность с наименьшей общей стоимостью, применяет свое первое действие и повторяет процедуру с обновленными измерениями. Такое повторяющееся перепланирование называется управлением с подвижным горизонтом. В введении в MPC от MathWorks проиллюстрирован этот цикл обратной связи; в руководстве MathWorks по времени дискретизации и горизонтам объясняется, почему взгляд дальше вперед может улучшить предвидение, но увеличить нагрузку на вычисления.

Не существует единой универсальной «формулы MPC». Простым языком, контроллер минимизирует прогнозируемую сумму ошибок отслеживания цели и затрат на действия в пределах своего горизонта, с учетом своей модели и ограничений. В объяснении MPC от do-mpc также показано, как эта идея распространяется на нелинейные системы, отклик которых нельзя адекватно представить с помощью простой линейной модели.

Что вносят модель и измерения?#

Модель динамики прогнозирует последствия, а не обязательно изображения. Она может оценивать, как меняется положение робота при изменении скорости колес или как температура в помещении реагирует на отопление и погоду на улице. Ее параметры могут быть получены из физических знаний, измеренных данных или прогностического моделирования. Обучение модели не отменяет необходимости проверять, остаются ли ее прогнозы точными в рабочей среде.

Измерения корректируют план. Камеры могут выявлять препятствия, но обнаружение объекта на изображении автоматически не является пригодным для использования физическим положением. Контроллеру могут потребоваться калибровка камеры, информация о расстоянии и оценщик состояния для объединения наблюдений с историей движения. Фильтр Калмана является одним из возможных оценщиков; в руководстве MathWorks по оценке состояния контроллера объясняется, почему MPC часто оценивает состояния, которые не может измерить напрямую. Перепланирование помогает справляться с несовершенными прогнозами, но само по себе оно не может сделать запоздалое или ненадежное наблюдение безопасным.

Где применяется MPC?#

• Навигация складского робота: Мобильный робот использует данные наблюдения с камер и собственные оценки движения для планирования короткого пути в обход работников и стеллажей. Контроллер MPC может сравнивать последовательности руления и скорости с целью достижения времени в пути и ограничениями движения, а затем пересматривать свой выбор по мере перемещения людей. В документации по прогностическому контроллеру Nav2 приводится практический пример робототехники по оценке прогнозируемых траекторий.
• Климат-контроль здания: Контроллер здания может прогнозировать, как решения по отоплению или охлаждению повлияют на температуру в помещениях в течение предстоящих часов. Оценки заполняемости и прогнозы погоды помогают ему готовиться к спросу, одновременно балансируя между потреблением энергии и ограничениями комфорта. В обзоре датчиков и средств управления зданиями Министерства энергетики США описывается это сочетание машинного обучения и прогностического управления.

В обоих случаях преимущество заключается не только в прогнозировании. MPC использует прогнозы для выбора действия в рамках эксплуатационных ограничений, а затем проверяет свой план по следующему наблюдению.

Чем MPC отличается от связанных концепций?#

Модель мира представляет то, как может развиваться окружение; MPC — это процедура управления, которая использует модель динамики для сравнения возможных действий. Обучение с подкреплением обычно учится действовать на основе опыта, в то время как MPC явно решает задачу перспективного планирования во время работы. Их можно комбинировать: обученная модель может предоставлять прогнозы для MPC.

Аналогично, отслеживание объектов оценивает положение объекта по кадрам; оно не выбирает команды руления. Отслеживание может передавать наблюдения для MPC, но контроллеру по-прежнему необходимы модель движения, целевая функция, ограничения и метод оптимизации. В руководстве по ограничениям MathWorks жесткие пределы отличаются от мягких ограничений, которые допускают штрафуемое нарушение.

Как компьютерное зрение может поддерживать конвейер MPC?#

Ultralytics YOLO26 может предоставить входные данные восприятия посредством обнаружения объектов. Этот задокументированный рабочий процесс вывод выдает ограничивающие рамки для одного изображения:

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)

Результат выдает координаты рамок в пространстве изображения — не расстояния, скорости или команды управления. Для движущейся сцены режим отслеживания YOLO может помочь сохранить идентификаторы объектов, в то время как оценка глубины может предоставить оценки расстояния. Отдельная система оценки и MPC должна преобразовывать подходящие наблюдения в состояние, прогнозировать исходы действий, решать задачу условной оптимизации и отдавать команды оборудованию.

Перед развертыванием проверьте, что весь цикл от восприятия до действия завершается в пределах своего интервала управления. Оценивайте пропущенные обнаружения, несоответствие моделей и ситуации, в которых ограничения делают план невыполнимым; задайте определенное запасное поведение вместо того, чтобы предполагать, что оптимизатор всегда будет возвращать безопасную команду.