显式MPC参考轨迹压缩：降维原理、方法与实践指南

1. 项目概述：当显式MPC遇上“臃肿”的参考轨迹

在工业过程控制、机器人运动规划这些领域，模型预测控制（MPC）早已不是什么新鲜词。它那种“走一步，看三步”的优化思想，确实能解决很多传统PID搞不定的复杂约束和动态优化问题。但真把MPC，特别是显式MPC（Explicit MPC）往实际系统里塞的时候，一个看似不起眼的东西往往会成为“拦路虎”——那就是参考轨迹。

你可能遇到过这种情况：设计一个机械臂的轨迹跟踪控制器，期望的轨迹是一条复杂的时间序列，包含上百甚至上千个未来时刻的设定点。理论上，MPC的优化问题里，这些未来的参考点都是已知参数。但对于显式MPC来说，麻烦就大了。显式MPC的核心思想，是离线求解参数化优化问题，把最优控制律表达成系统状态和优化问题参数（这里就包括参考轨迹）的分段仿射函数，并存储在一个查找表里。在线运行时，只需测量当前状态，查表就能得到控制量，计算速度极快。然而，这个“参数化”的维度，直接决定了离线计算的复杂度和在线查找表的规模。一条长达N步的参考轨迹，意味着优化问题的参数维度至少是N（单输出）或N乘以输出维度。维度一高，离线求解所需的多参数规划计算会呈指数级爆炸，生成的分区数量可能多到内存根本存不下，所谓的“显式”也就失去了实时应用的可行性。

这就是“参考轨迹压缩”要解决的核心痛点：如何在保持控制性能的前提下，大幅降低参考轨迹在优化问题中的参数维度，从而让显式MPC能够处理更长的预测时域、更复杂的轨迹，真正走向实用。这不仅仅是数学上的降维，更是一个在工程精度与计算负担之间寻找最佳平衡点的艺术。下面，我就结合自己的实践，拆解这里面的门道。

2. 参考轨迹的“负担”与压缩的必要性

2.1 显式MPC的计算瓶颈到底在哪？

要理解为什么压缩如此重要，得先看清显式MPC的“阿喀琉斯之踵”。我们假设一个标准的线性MPC问题，预测时域为N，系统有p个输出。那么，未来N步的参考轨迹r(k+1), r(k+2), ..., r(k+N)就构成了一个p x N维的参数向量。在线性MPC的二次规划（QP）表述中，这些参考点会出现在目标函数里，例如最小化输出跟踪误差的项(y(k+i) - r(k+i))^T Q (y(k+i) - r(k+i))。

当我们将这个QP问题进行多参数规划求解时，这个p x N维的参数向量，连同系统状态x(k)，共同构成了参数空间。多参数规划算法（如多参数二次规划，mpQP）会把这个高维参数空间划分成许多个凸多面体区域（Critical Region, CR），每个区域对应一个最优控制律的仿射表达式。分区数量CR的数量，在最坏情况下会随着参数维度（状态维度 + 参考轨迹参数维度）的增长而呈指数级增加。

我做过一个简单的双积分器系统测试，状态维度2，单输出。当预测时域N=5时，参考轨迹参数维度为5，加上2个状态，总参数维度7，生成的显式控制器分区数在几百个量级，尚可接受。但当N增加到10时，总参数维度12，分区数量直接飙升到数万，不仅离线求解时间长达数小时，生成的查找表文件大小也超过了百兆字节，对于嵌入式设备的存储和在线查表速度都是巨大挑战。这还只是一个极其简单的系统。对于更复杂的多输入多输出系统，N稍微大一点，显式MPC就变得完全不可行。

2.2 压缩的本质：从“点序列”到“基函数组合”

参考轨迹压缩，其核心思想是参数化降维。我们不再把未来N个时刻的每一个参考点r(k+i)都当作独立的优化参数，而是认为整条参考轨迹可以由一组预先选定的基函数（Basis Functions）的线性组合来近似描述。

举个例子，假设我们预期参考轨迹变化比较平滑。我们可以选择一组多项式基函数（例如，常数、一次项、二次项）。那么，未来任意时刻的参考值可以近似为：r(k+i) ≈ θ_0 + θ_1 * i + θ_2 * i^2这里，θ_0, θ_1, θ_2就是3个压缩后的参数。无论预测时域N有多长，优化问题中的参考轨迹参数维度从N降低到了3。这3个参数θ取代了原先的N个点，成为了新的优化参数。

这样一来，多参数规划求解的维度就变成了：状态维度 +dim(θ)。只要dim(θ)远小于N，计算复杂度和分区数量就能得到 dramatic 的降低。在线应用时，我们也不需要存储完整的未来轨迹，只需要根据当前时刻对轨迹的估计或规划，在线计算出这少数几个θ参数，然后代入显式控制律即可。

注意：压缩必然会引入近似误差。我们的目标不是追求数学上的无损压缩，而是在可接受的跟踪性能损失下，换取计算可行性的巨大提升。这是一种典型的工程折中。

3. 核心压缩方法与工程选型考量

压缩方法的选择，直接决定了最终的控制性能和复杂度。没有一种方法放之四海而皆准，需要根据参考轨迹的先验知识来权衡。

3.1 基于函数逼近的压缩方法

这是最直观的一类方法，适用于参考轨迹具有明显函数形态的场景。

1. 多项式/样条逼近：

   • 原理：用低阶多项式或样条曲线拟合未来参考轨迹。参数就是多项式的系数或样条的控制点。
   • 适用场景：平滑变化的轨迹，如设定点缓变、抛物线型运动轨迹。例如，AGV从A点到B点的期望路径，可以用一条三次样条来参数化。
   • 实操心得：阶数不宜过高。通常2阶（二次）或3阶（三次）多项式足以描述大多数工业过程的设定点变化。阶数越高，虽然拟合精度越高，但参数维度也增加了，失去了压缩的意义。我曾在一个温度控制项目中，用一阶多项式（即直线）来近似未来30分钟的设定温度变化（由于生产计划，温度是缓慢斜坡上升的），将参数维度从30降为2，显式控制器分区数减少了两个数量级，而控制效果肉眼几乎看不出差别。

2. 傅里叶级数/频域基：

   • 原理：将周期或准周期性的参考轨迹用一组正弦/余弦基函数的组合来表示。参数是各频率分量的幅值和相位。
   • 适用场景：周期性负载扰动抑制、往复运动控制（如活塞运动、振动台）。例如，抑制一个已知频率的周期性干扰，可以用该频率对应的正弦和余弦项作为基。
   • 注意事项：需要预先知道或估计出主导频率。对于非平稳周期信号，可能需要结合小波变换等时频分析方法来确定基函数。

3.2 基于数据驱动的压缩方法

当参考轨迹形态不规则，缺乏明确的函数模型时，数据驱动方法更有效。

1. 主成分分析（PCA）压缩：

   • 原理：收集大量历史参考轨迹数据作为样本，通过PCA找到能够解释数据大部分方差的前几个主成分（特征向量）。任何一条新的参考轨迹都可以近似表示为这几个主成分的线性组合，组合系数即为压缩参数。
   • 适用场景：参考轨迹形态多样但存在内在规律和相关性。例如，在不同工况下，反应器的温度压力设定曲线虽然不同，但变化模式是有限的。
   • 实操步骤： a.数据准备：收集M条历史参考轨迹，每条长度为N。构成M x N的数据矩阵。 b.中心化：每列减去该列的均值。 c.计算协方差矩阵与特征分解。 d.选择主成分：根据特征值大小，选取前K(K << N) 个主成分向量V_K。 e.在线压缩：对于新轨迹r_new(已中心化)，压缩参数θ = V_K^T * r_new。重构轨迹为r_approx = mean + V_K * θ。
   • 踩过的坑：PCA对数据的尺度敏感。如果参考轨迹不同分量的物理单位和量级差异很大（比如温度是摄氏度，压力是兆帕），必须先进行标准化处理（如Z-score归一化），否则量级大的变量会主导主成分方向。

2. 字典学习与稀疏编码：

   • 原理：比PCA更灵活。从一个过完备的基字典（通过学习得到）中，为当前参考轨迹选择少数几个基进行线性组合。参数是所选基的索引和系数。由于只使用少数基，参数更稀疏。
   • 适用场景：参考轨迹由若干“典型片段”组合而成，如机械加工中的不同G代码段对应的轨迹。
   • 优缺点：压缩效率可能更高，但需要离线训练字典，且在线需要解决一个稀疏编码问题（如LASSO），这会引入额外的在线计算量，需要权衡。

3.3 基于模型预测的压缩（滚动压缩）

这是一种非常工程化的思路，特别适合显式MPC。

• 原理：我们不压缩未来整个时域N的轨迹，而是只压缩未来最近L步 (L < N) 的轨迹。在MPC的滚动优化框架下，每次求解时，我们只对未来L步进行精细参数化（例如用多项式），而对于L步之后的轨迹，则用一个简单的外推模型（如保持L步末的值不变，或以其一阶/二阶导数外推）。这样，优化问题的参数维度只与L有关，而与N无关。
• 操作意图：这相当于把长预测时域带来的“参数负担”转移给了“模型预测”部分。我们相信，对于足够稳定的系统，预测时域后半段的参考轨迹对当前控制决策的影响较小，可以用粗糙的预测来近似。
• 实测效果：在一个无人机轨迹跟踪项目中，预测时域N=30，我采用L=5的三次多项式压缩。参数维度从30降为4（三次多项式4个系数）。离线计算时间从“不可接受”降低到几分钟，在线性能损失在末端跟踪误差上大约增加了5%，但在计算资源受限的机载计算机上，这是完全可以接受的折中。

4. 压缩集成到显式MPC的完整流程与实现细节

理论说再多，不如看怎么落地。下面我以一个经典的直流电机位置跟踪为例，拆解将PCA压缩集成到显式MPC中的完整步骤。系统为双积分器模型，状态为位置和速度，输出为位置，希望跟踪一条给定的位置轨迹。

4.1 步骤一：系统建模与标准MPC问题定义

首先，建立离散状态空间模型：x(k+1) = A x(k) + B u(k)y(k) = C x(k)其中，x = [位置; 速度]，u为电压（控制量），y为位置。

定义标准MPC优化问题（二次型目标）：

min_{U} Σ_{i=1}^{N} [ (y(k+i|k) - r(k+i))^2 * Q + u(k+i-1)^2 * R ] s.t. u_min ≤ u(k+i-1) ≤ u_max, i=1,...,Nc （控制时域） x(k+i|k) ∈ X （状态约束，可选）

这里，r(1:N)就是未来N步的参考位置序列，是优化问题的参数。

4.2 步骤二：离线收集数据与PCA训练

1. 生成训练数据：根据电机可能运行的工况，生成一批有代表性的期望位置轨迹r_traj。例如，不同幅值、频率的正弦波、阶跃信号、斜坡信号、S曲线等。假设生成M=500条轨迹，每条长度N=20。
2. 数据预处理：将每条轨迹存储为列向量，形成20 x 500的数据矩阵D。对每一行（即同一预测时刻的所有样本）进行中心化，减去该行的均值向量mean_r。
3. 执行PCA：对中心化后的数据矩阵计算协方差矩阵并进行特征分解。假设我们选择保留前K=3个主成分，对应的特征向量矩阵为V_K(尺寸20 x 3)。
4. 评估压缩误差：用留出法或交叉验证，计算用3个主成分重构轨迹的平均误差。确保误差在控制性能允许的范围内。

4.3 步骤三：重构参数化MPC问题

这是最关键的一步。原始的参考轨迹r被其PCA近似r_approx替代：r_approx = mean_r + V_K * θ其中，θ是一个3 x 1的向量，即新的压缩参数。

将r_approx代入原MPC目标函数：

min_{U} Σ_{i=1}^{N} [ (y(k+i|k) - mean_r(i) - (V_K(i,:) * θ) )^2 * Q + u(k+i-1)^2 * R ]

这里V_K(i,:)是V_K矩阵的第i行。

现在，优化问题的参数从原来的(x(k), r(1:N))变成了(x(k), θ)。参数维度从2 + 20 = 22降到了2 + 3 = 5。

4.4 步骤四：离线多参数规划求解

使用mpQP求解器（如MPT3工具箱、POP）对这个参数维度为5的新优化问题进行离线求解。求解器会返回：

• 分区（Partition）：参数空间(x, θ)被划分成多个凸多面体区域。
• 最优控制律：每个区域对应一个关于(x, θ)的仿射函数U* = F_i * [x; θ] + g_i。通常我们只关心第一个控制量u(k)。

由于参数维度大幅降低，这个求解过程会快得多，生成的分区数量也会少得多。

4.5 步骤五：在线滚动执行

在线控制时，在每个采样时刻k，执行以下步骤：

1. 测量/估计状态：获取当前电机位置和速度x(k)。
2. 参数计算：根据当前时刻已知或预测的未来期望轨迹r_real(k+1 : k+N)，计算压缩参数θ(k)：θ(k) = V_K^T * ( r_real(k+1 : k+N) - mean_r )注意：r_real是实际期望的完整轨迹，这一步就是在线“压缩”过程。
3. 查表计算控制量：将[x(k); θ(k)]作为查询点，在离线计算好的分区中查找所属区域，获取对应的仿射函数系数F_i, g_i，计算最优控制量：u(k) = F_i(1,:) * [x(k); θ(k)] + g_i(1)F_i(1,:)表示取F_i的第一行，对应第一个控制量。
4. 施加控制：将u(k)作用于电机。
5. 滚动更新：k = k+1，重复步骤1-4。

重要提示：在线计算θ(k)的步骤（步骤2）是必须的，它建立了从实际参考轨迹到压缩参数的映射。这步计算量很小，只是一个矩阵向量乘法（O(K*N)），相比于求解一个QP问题，可以忽略不计。

5. 工程实践中的关键问题与避坑指南

在实际项目中应用参考轨迹压缩，会遇到一些理论分析时容易忽略的细节问题。

5.1 压缩误差对闭环稳定性的影响

压缩是一种近似，近似误差可视为对参考轨迹施加了一个有界的“扰动”。从鲁棒控制的角度看，这相当于在跟踪问题中引入了一个额外的输入扰动。

• 影响分析：如果原始的显式MPC控制器具有一定的鲁棒性（例如，对参考输入变化不敏感，或者系统本身具有良好的扰动抑制能力），那么小的压缩误差通常不会破坏稳定性。但若误差较大，可能导致稳态跟踪偏差增大，甚至在某些临界情况下引发振荡。
• 如何保障：
  1. 在目标函数中引入松弛变量：对输出误差约束或终端约束加入松弛，给压缩误差留出“缓冲空间”。
  2. 选择保守的压缩维度K：通过仿真，测试在不同K值下，闭环系统在最坏情况轨迹下的性能。选择能满足性能要求的最小K值。
  3. 验证鲁棒性：在设计完成后，进行蒙特卡洛仿真，在压缩重构轨迹上叠加一个与压缩误差界相当的随机噪声，检验闭环系统的稳定性和性能衰减程度。

5.2 在线参数计算与实时性保障

计算θ(k) = V_K^T * ( r_real - mean_r )看似简单，但需要注意r_real的获取。

• 场景一：轨迹已知：如果整个未来轨迹是预先规划好的（如数控代码），那么直接读取即可。
• 场景二：轨迹由上层规划器实时生成：这是更常见的情况。例如，自动驾驶的路径规划器每秒输出一次未来轨迹。此时，MPC控制器需要与规划器同步。务必确保在MPC控制周期开始时，最新的r_real已经就绪。规划器的计算延迟和通信延迟必须小于MPC的采样周期，否则就会使用过时的参考轨迹。
• 我的经验：在软件架构上，最好采用“生产者-消费者”模式，并带有时戳检查。规划器作为生产者，将计算好的轨迹（及对应的压缩参数θ）放入共享内存或消息队列。MPC控制器作为消费者，在每个周期读取最新时戳的数据。如果发现数据过期，应启用一个安全的降级策略，比如切换到上一周期的轨迹或使用一个恒定的预测值。

5.3 分区查找的效率与实现

显式MPC在线查表的速度取决于分区数量和数据结构的效率。

• 数据结构选择：对于分区数量较少（几千以内）的情况，简单的顺序查找或二分查找树（如BST）足够。对于分区数量多（上万）的情况，必须使用更高效的空间划分数据结构，如二叉搜索树（BSP tree）、桶查找或活动集索引法。MPT3工具箱在导出显式控制器时，就提供了生成搜索树的选项。
• 嵌入式代码生成：许多工具（如MPT3、Hybrid Toolbox）支持将分区和搜索逻辑自动生成C代码。务必检查生成代码的效率和内存占用。我曾遇到自动生成的顺序查找代码在分区数超过5000时，查表时间超过了采样周期。后来手动改用了基于BSP树的查找，才满足了实时性要求。
• 边界情况处理：查询点[x; θ]可能由于噪声或数值误差，落在所有分区之外。必须实现一个可靠的“越界处理”逻辑。常见的策略是：找到最近的分区（计算到每个分区边界的距离），或者使用该点所在区域的参数化最优解（如果求解器支持输出全局参数化解）。绝不能简单地不输出控制量。

5.4 压缩方法与系统特性的匹配

没有最好的方法，只有最合适的方法。

• 慢变过程 vs. 快变轨迹：对于化工过程控制（温度、压力），参考轨迹通常是缓慢变化的设定点。此时，低阶多项式（0阶或1阶）压缩效果就非常好，参数维度极低。对于机器人高速运动轨迹，轨迹曲率变化大，可能需要更高阶的多项式或样条，或者采用PCA从大量运动数据中学习基函数。
• 周期性任务：如果任务具有强周期性（如拾放操作），傅里叶基或从周期数据中学习的PCA基是绝佳选择，压缩效率会非常高。
• 混合方法：有时可以组合使用。例如，对于一条轨迹，前段是快速运动的复杂曲线，后段是平稳保持。可以采用“分段压缩”：前段用PCA基，后段用常数基。这需要将分段信息也作为参数的一部分，会稍微增加复杂度，但比压缩整条复杂轨迹更高效。

参考轨迹压缩不是MPC理论的炫技，而是一项解决实际工程瓶颈的务实技术。它的价值在于，通过精妙的降维，打通了显式MPC从理论优美到实践可用的“最后一公里”。每一次压缩方案的设计，都是对具体应用场景的深度理解，是在模型精度、计算负担和实时性能之间反复权衡的艺术。当你面对一个因为参考轨迹太长而“算不动”的显式MPC设计时，不妨从压缩的角度思考一下，或许就能找到那条通往可行解的捷径。