Model Predictive Control for Robots: A Survey
该论文是机器人模型预测控制（Model Predictive Control, MPC）领域的综合性综述，系统梳理了MPC在机器人系统中的建模、求解、部署和学习方法。MPC的核心思想是：在每个控制周期内，基于当前状态和系统动态模型，求解一个有限时域的最优控制问题，将最优控制序列的第一个动作应用于系统，然后在下一个周期重复该过程。论文将MPC方法分为四大类：1）线性MPC，包括基于线性化模型的MPC、线性二次调节器（LQR）扩展等；2）非线性MPC（NMPC），包括基于直接法的NMPC、基于间接法的NMPC、实时迭代方法等；3）学习型MPC（Learning-based MPC），包括基于高斯过程的MPC、基于神经网络的MPC、基于强化学习的MPC等；4）鲁棒MPC和随机MPC，包括基于管的鲁棒MPC、基于场景的随机MPC、分布鲁棒MPC等。论文详细讨论了MPC的建模方法（运动学/动力学/接触模型）、求解算法（QP/NLP/凸优化）、实时性保证（预热启动/提前终止/代码生成）、与学习的结合，以及在机械臂、移动机器人、人形机器人、无人机、自动驾驶等领域的应用。该综述引用超过1500次，是机器人MPC领域的重要参考资料。
主体信息
该论文是机器人模型预测控制（Model Predictive Control, MPC）领域的综合性综述，系统梳理了MPC在机器人系统中的建模、求解、部署和学习方法。MPC的核心思想是：在每个控制周期内，基于当前状态和系统动态模型，求解一个有限时域的最优控制问题，将最优控制序列的第一个动作应用于系统，然后在下一个周期重复该过程。论文将MPC方法分为四大类：1）线性MPC，包括基于线性化模型的MPC、线性二次调节器（LQR）扩展等；2）非线性MPC（NMPC），包括基于直接法的NMPC、基于间接法的NMPC、实时迭代方法等；3）学习型MPC（Learning-based MPC），包括基于高斯过程的MPC、基于神经网络的MPC、基于强化学习的MPC等；4）鲁棒MPC和随机MPC，包括基于管的鲁棒MPC、基于场景的随机MPC、分布鲁棒MPC等。论文详细讨论了MPC的建模方法（运动学/动力学/接触模型）、求解算法（QP/NLP/凸优化）、实时性保证（预热启动/提前终止/代码生成）、与学习的结合，以及在机械臂、移动机器人、人形机器人、无人机、自动驾驶等领域的应用。该综述引用超过1500次，是机器人MPC领域的重要参考资料。