Model Predictive Control Toolkit for Robotics
Model Predictive Control Toolkit for Robotics（MPC Toolkit）是一个面向机器人模型预测控制的开源工具包，提供了系统建模、最优控制问题求解、实时部署和学习型MPC等完整功能。工具包支持多种MPC范式，包括线性MPC（基于QP求解）、非线性MPC（NMPC，基于NLP求解）、学习型MPC（基于高斯过程/神经网络/强化学习的MPC）、鲁棒MPC（基于管的鲁棒MPC、min-max MPC）、随机MPC（基于场景的随机MPC、分布鲁棒MPC）等；支持多种系统模型，包括运动学模型、动力学模型、接触模型、柔性体模型等；支持多种求解算法，包括QP求解器（OSQP、qpOASES）、NLP求解器（IPOPT、SNOPT）、凸优化（CVXPY）、实时迭代方法等；支持多种代码生成和实时部署方法，包括ACADO、CasADi、FORCES Pro等；支持多种学习方法与MPC的结合，包括基于高斯过程的模型学习、基于神经网络的模型学习、基于强化学习的代价函数学习等。工具包基于Python和C++实现，提供了与ROS、MoveIt、MuJoCo、PyBullet、Gazebo等工具的接口，支持多种机器人平台（机械臂、移动机器人、人形机器人、无人机等）。工具包采用BSD 3-Clause开源协议，GitHub星标超过900，是机器人MPC领域使用最广泛的开源工具之一。
项目说明
Model Predictive Control Toolkit for Robotics（MPC Toolkit）是一个面向机器人模型预测控制的开源工具包，提供了系统建模、最优控制问题求解、实时部署和学习型MPC等完整功能。工具包支持多种MPC范式，包括线性MPC（基于QP求解）、非线性MPC（NMPC，基于NLP求解）、学习型MPC（基于高斯过程/神经网络/强化学习的MPC）、鲁棒MPC（基于管的鲁棒MPC、min-max MPC）、随机MPC（基于场景的随机MPC、分布鲁棒MPC）等；支持多种系统模型，包括运动学模型、动力学模型、接触模型、柔性体模型等；支持多种求解算法，包括QP求解器（OSQP、qpOASES）、NLP求解器（IPOPT、SNOPT）、凸优化（CVXPY）、实时迭代方法等；支持多种代码生成和实时部署方法，包括ACADO、CasADi、FORCES Pro等；支持多种学习方法与MPC的结合，包括基于高斯过程的模型学习、基于神经网络的模型学习、基于强化学习的代价函数学习等。工具包基于Python和C++实现，提供了与ROS、MoveIt、MuJoCo、PyBullet、Gazebo等工具的接口，支持多种机器人平台（机械臂、移动机器人、人形机器人、无人机等）。工具包采用BSD 3-Clause开源协议，GitHub星标超过900，是机器人MPC领域使用最广泛的开源工具之一。