💻 computer science

NMPCM: Nonlinear Model Predictive Control on Resource-Constrained Microcontrollers

本文提出了一种名为 NMPCM 的高效方法，成功实现了在资源受限的微控制器上部署非线性模型预测控制（NMPC），并通过仿真与实物实验验证了其在四旋翼无人机实时高频控制中的有效性。

原作者： Van Chung Nguyen, Pratik Walunj, Chuong Le, An Duy Nguyen, Hung Manh La

发布于 2026-02-27

📖 1 分钟阅读☕ 轻松阅读

原作者： Van Chung Nguyen, Pratik Walunj, Chuong Le, An Duy Nguyen, Hung Manh La

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一个非常酷的技术突破：如何让那些“大脑”很小、算力很弱的微型机器人芯片，也能运行原本只有超级电脑才能处理的复杂飞行控制程序。

为了让你更容易理解，我们可以用几个生活中的比喻来拆解这项技术。

1. 核心难题：让“算盘”跑“超级计算机”的算法

想象一下，非线性模型预测控制（NMPC） 就像是一个超级精明的飞行教练。

它的特长：它不仅仅看无人机现在在哪，还能“预知未来”。它会模拟接下来几秒钟内可能发生的所有情况（比如突然有阵风、电机转速变化），然后计算出完美的飞行路径，确保无人机飞得稳、准、快，而且不会撞到东西。
它的缺点：这个教练太聪明了，计算量巨大。通常，它需要一台像笔记本电脑甚至服务器那样强大的电脑（比如论文里提到的 Jetson Xavier）才能每秒运行几百次。

而这篇论文研究的对象是微型无人机（比如只有手掌大小，甚至更小）。

它们的“大脑”：这些无人机为了轻便和便宜，使用的是微型控制器（MCU）。这就像是一个老式计算器或者电子表的芯片。
矛盾点：你想让一个“老式计算器”去跑“超级教练”的算法，这就像试图用算盘去解量子物理方程，通常是不可能的，因为算盘转得太慢，内存也太小。

2. 解决方案：给“老式计算器”装上“作弊码”

作者团队（来自内华达大学雷诺分校）想出了一个聪明的办法，让微型芯片也能跑这个复杂的算法。他们做了三件关键的事：

A. 代码生成器：把“菜谱”翻译成“傻瓜指令”

通常，写这种控制程序需要很复杂的数学软件。作者使用了一个叫 ACADO 的工具。

比喻：想象你要教一个只会做简单动作的机器人做菜。你不需要给它一本厚厚的《米其林三星烹饪全书》（复杂的数学模型），而是让 ACADO 这个“翻译官”把书里的复杂理论，直接翻译成一步一步的、死记硬背的傻瓜指令（生成的 C++ 代码）。
效果：这些指令非常精简，不需要复杂的思考，只需要按部就班地执行，非常适合算力弱的芯片。

B. 热身运动：先给个“大概方向”

在让微型芯片开始计算完美路径之前，作者先让它用一个简单的 PID 控制器（一种基础的自动调节系统，就像老式空调的恒温器）先飞一会儿。

比喻：这就好比你要解一道很难的数学题，直接硬算很难。但如果你先猜一个大概的答案（比如猜个 50），然后告诉计算器：“在这个答案附近找更精确的数”，计算器就会快得多。
作用：这个“猜测”作为初始值（Warm Start），让复杂的 NMPC 算法不用从零开始算，大大节省了时间。

C. 选择最省力的“解题工具”

他们选择了一个叫 qpOASES 的求解器。

比喻：这就好比在迷宫里找出口。有的方法（如 CasADi）是拿着地图把整个迷宫画出来再找路，很慢；而 qpOASES 就像是一个经验丰富的向导，它知道怎么用最少的步数、最省力的方式（活动集算法）直接走到出口。

3. 实验结果：小芯片也能“飞”出大精彩

作者把这套系统装在了一个名为 Teensy 4.1 的微型芯片上（这芯片比你的大拇指指甲大不了多少，内存只有 512KB，比一张旧软盘还小）。

速度惊人：这套系统每秒能运行 1000 次（1 kHz）。这意味着无人机每秒钟能调整 1000 次飞行姿态，反应极快，非常稳定。
对比测试：
- 用传统超级电脑软件（CasADi）在普通电脑上跑，每秒只能跑 30 次，而且无人机飞着飞着就晕了（震荡）。
- 用他们的“微型芯片版”，无人机飞得又稳又快，甚至能完美避开障碍物（在模拟中）。
真实飞行：他们在真实的四旋翼无人机上测试了，无人机不仅能飞，还能精准地按照指令转弯、悬停，而且控制信号非常平滑，没有乱抖。

4. 总结：这意味着什么？

这项研究就像是为微型机器人世界打开了一扇新大门：

以前：如果你想让微型无人机飞得聪明、灵活，你必须给它背一个沉重的“电脑包”（外挂电脑），或者只能让它飞得很笨拙。
现在：你可以把“超级大脑”直接塞进无人机小小的身体里。

未来的影响：
想象一下未来的微型救援机器人。它们可以像昆虫一样钻进废墟的缝隙里，不需要连接任何外部电脑，自己就能在复杂的瓦砾堆中自主规划路线、避开障碍、寻找幸存者。因为它们的“大脑”（微型芯片）现在足够聪明，能处理最复杂的飞行任务了。

一句话总结：
作者通过“翻译代码”和“聪明热身”，让原本只能跑简单程序的微型芯片，成功跑起了最复杂的飞行控制算法，让微型无人机从此拥有了“超级大脑”。

1. 研究背景与问题 (Problem)

核心挑战：非线性模型预测控制（NMPC）因其能够处理系统动力学约束并优化控制输入，是控制高动态机器人系统（如四旋翼无人机）的强大工具。然而，NMPC 涉及复杂的在线优化计算，计算复杂度极高。
现有局限：
- 传统的 NMPC 实现通常需要依赖机载高性能计算机（如 NVIDIA Jetson 系列）或地面站，无法在资源受限的微控制器（MCU，如 8 位或低端 32 位 MCU）上运行。
- 现有的微控制器部署方案多局限于线性模型预测控制（LMPC），通过线性化动力学来降低计算量，但这牺牲了非线性系统的控制精度和性能。
目标：如何在 RAM、Flash 存储和处理器速度极其有限的微控制器上，实现高频、实时的全非线性模型预测控制（NMPC），以控制四旋翼无人机。

2. 方法论 (Methodology)

该论文提出了一种名为 NMPCM 的框架，旨在将生成的 NMPC 代码高效部署在资源受限的微控制器上。主要技术路线如下：

A. 系统建模与控制架构

动力学模型：使用四旋翼无人机的完整非线性运动学模型（包含位置 $p,q,r$ 和姿态 $\phi, \theta, \psi$ 及其导数），而非线性化模型。
混合控制策略：
- 级联 PID (Cascaded PID)：作为“热启动”（Warm Start）机制。PID 控制器首先计算参考轨迹和初始控制输入，为 NMPC 求解器提供一个高质量的初始猜测（Initial Guess），从而显著加快收敛速度并提高稳定性。
- NMPC 优化层：在 PID 提供的初始解基础上，利用 NMPC 进行在线优化，以处理约束并优化性能。

B. 代码生成与求解器

ACADO 工具包：利用 ACADO 代码生成工具，将非线性最优控制问题（OCP）转化为适合嵌入式部署的 C++ 代码。
- 采用多重射击法 (Multiple Shooting) 离散化非线性动力学。
- 利用高斯 - 牛顿法 (Gauss-Newton) 近似 Hessian 矩阵，将问题转化为序列二次规划（SQP）问题。
- 仅执行每个时间步的一次 SQP 迭代（Real-time Iteration），以满足实时性要求。
qpOASES 求解器：
- 选择 qpOASES 作为二次规划（QP）求解器，而非 CVXGEN 或 IPOPT。
- 原因：qpOASES 基于活动集算法 (Active-set)，具有专用的热启动能力（Warm-starting），在处理动态变化的约束时通常比内点法更快，且生成的代码仅使用静态内存分配，非常适合嵌入式环境。

C. 硬件部署

目标硬件：Teensy 4.1 微控制器（ARM Cortex-M7, 600 MHz, 512 KB RAM）。
实现流程：传感器数据（IMU、光流）输入 $\rightarrow$ 卡尔曼滤波 $\rightarrow$ 获取参考轨迹 $\rightarrow$ PID 计算初始解 $\rightarrow$ NMPC 求解器优化 $\rightarrow$ 输出 PWM 信号给电子调速器（ESC）。

3. 主要贡献 (Key Contributions)

新颖的 NMPCM 框架：提出了一种在资源受限微控制器上部署生成式 NMPC 代码的完整框架，通过引入级联 PID 作为初始猜测，显著提升了求解器的性能和收敛性。
开源实现：发布了基于 ACADO 生成代码和 qpOASES 求解器的开源 C++ 代码，实现了在微控制器上的实时运行。
高频实时性能：在 Gazebo/ROS 仿真和真实硬件实验中，实现了高达 1 kHz 的 NMPC 执行频率，远超传统基于 CasADi 的求解器（通常限制在 30 Hz 左右）。
多平台验证：不仅在仿真中验证，还在多种不同机架结构的四旋翼无人机（F450, H-Frame, X-Frame 等）上进行了实地飞行测试。

4. 实验结果 (Results)

A. 仿真结果 (Gazebo/ROS 2)

求解速度：提出的 NMPCM 方法求解频率达到 1 kHz，而基于 CasADi 的 NMPC 仅能达到 30 Hz。
跟踪性能：
- NMPCM 在 $x, y, z$ 轴及角速度上的跟踪效果优于级联 PID。
- 与 MPCC（模型预测轮廓控制）相比，NMPCM 在稳态误差和超调量之间取得了更好的平衡，且没有 MPCC 在平衡点附近的波动问题。
- 在满足控制输入约束（推力、力矩限制）的前提下，实现了无稳态误差的轨迹跟踪。
基准测试：在调节时间、超调量、积分绝对误差 (IAE) 和积分时间乘绝对误差 (ITAE) 等指标上，NMPCM 均优于 CasADi 求解的 NMPC、MPCC 和纯级联 PID。

B. 硬件实验 (Teensy 4.1)

资源消耗：在 512 KB RAM 的限制下，成功运行了 NMPC 求解器。
- 预测时域（Horizon）限制在 18 步以内（积分步长为 5 时），否则内存溢出。
- 求解时间与积分步长呈正相关，体现了精度与计算时间的权衡。
飞行测试：
- 在四种不同机架的四旋翼上成功实现了稳定飞行和轨迹跟踪。
- 控制信号平滑度：相比级联 PID 产生的高频波动，NMPCM 生成的 PWM 信号更加平滑，减少了机械磨损和能量损耗。
- 误差对比：实验数据显示，NMPCM 在姿态角（ $\phi, \theta, \psi$ ）的 ISE（积分平方误差）和 ITAE 指标上比级联 PID 降低了约 90% 以上（例如 $\phi$ 角的 ITAE 从 128.8 降至 24.3）。

5. 意义与展望 (Significance & Future Work)

技术突破：该研究证明了无需昂贵机载计算机，仅凭低成本、低功耗的微控制器即可实现高性能的非线性模型预测控制。这极大地降低了小型无人机（如搜救、巡检机器人）的硬件门槛和成本。
应用价值：使得微型机器人能够在完全自主的状态下处理复杂的非线性动力学和约束问题，无需依赖地面站或外部计算单元，提高了系统的可靠性和抗干扰能力。
未来工作：
- 引入势场法或最优时间优化进行导航规划。
- 增加对障碍物避障和外部扰动（如风扰）的处理能力，以实现完全自主的复杂环境作业。

总结：这篇论文通过结合代码生成技术（ACADO）、高效的 QP 求解器（qpOASES）以及智能的初始猜测策略（级联 PID），成功解决了 NMPC 在嵌入式微控制器上“算不动”的难题，为微型机器人的自主控制开辟了新路径。