⚡ electrical engineering

Unifying Sequential Quadratic Programming and Linear-Parameter-Varying Algorithms for Real-Time Model Predictive Control

本文提出了一种统一框架，通过微分形式LPV-MPC、特定调度变量选择及微积分基本定理嵌入技术，将序列二次规划（SQP）与迭代线性变参数模型预测控制（LPV-MPC）相结合，从而提升了鲁棒和随机MPC问题的计算效率，并通过仿真实验及基于高斯过程的自动驾驶赛车实车测试验证了该方法的有效性。

原作者： Kristóf Floch, Amon Lahr, Roland Tóth, Melanie N. Zeilinger

发布于 2026-04-10

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Kristóf Floch, Amon Lahr, Roland Tóth, Melanie N. Zeilinger

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

这篇论文就像是在解决一个**“如何既快又准地驾驶赛车”**的难题。

想象一下，你正在开一辆自动驾驶的赛车，赛道上有很多弯道，而且路面情况（比如摩擦力、轮胎磨损）随时都在变。你的任务是：在极短的时间内，计算出下一步该踩多少油门、打多少方向盘，既要跑得快，又绝对不能冲出赛道。

这就涉及到一个叫做**模型预测控制（MPC）**的技术。简单来说，就是赛车的大脑在脑海里不断“预演”未来的几十步，看看哪种走法最好。

这篇论文的核心贡献，就是把两种原本不同的“预演”方法统一了起来，就像把“左脑”和“右脑”的思维方式打通了。

1. 两种不同的“预演”方法

在赛车大脑里，主要有两种计算未来的方法：

方法 A：SQP（像“步步为营”的修正派）
- 比喻：这就好比你在走迷宫。你每走一步，都停下来，看看周围的路是不是直的。如果是弯的，你就画一条直线（线性化）来近似这段路，然后算出下一步怎么走。走一步，修正一次，再画一条新的直线。
- 特点：这种方法很精准，因为它不断修正，但每次修正都要重新计算，比较费脑子（计算量大），容易在复杂的弯道里“卡壳”。
方法 B：LPV-MPC（像“万能地图”的规划派）
- 比喻：这就好比你不是画直线，而是手里有一张**“万能地图”**。这张地图能根据你当前的位置和速度，自动把弯曲的路“变形”成直线。你不需要每走一步都重新画地图，而是直接利用这张地图的变形能力来规划路线。
- 特点：这种方法在处理复杂、非线性的变化（比如赛车过弯时的离心力）时，往往能一次性给出一个很好的全局方案，计算起来可能更顺畅。

2. 论文做了什么？（统一框架）

以前的科学家认为这两种方法是完全不同的流派，互不相通。但这篇论文发现：它们其实是一回事，只是“看问题的角度”不同！

核心发现：作者发现，如果你把“万能地图”（LPV）里的参考点选得和“步步为营”（SQP）的修正点一样，那么这两种方法就会完全重合。
打个比方：就像你既可以“走一步看一步”（SQP），也可以“拿着地图走一步”（LPV）。作者发现，如果你拿着地图，并且把地图上的参考点设定为你“刚刚走过的路”，那你其实就是在“走一步看一步”。
意义：这意味着我们可以建立一个通用的“赛车大脑”框架。在这个框架下，我们可以灵活切换：
- 需要极致精准时，用 SQP 模式。
- 需要处理复杂不确定性（比如路面突然变滑）时，用 LPV 模式。
- 甚至可以把两者结合，取长补短。

3. 零阶近似：给大脑“减负”

赛车在高速飞驰，大脑必须在毫秒级时间内算出结果。如果计算太慢，车就撞了。

问题：有些计算（比如预测轮胎打滑的不确定性）非常复杂，如果每次都把这些复杂变量算进“主计划”里，大脑会累死（计算量爆炸）。
解决方案（零阶近似）：作者提出，我们可以把那些“难算的变量”先暂时移出主计算圈。
- 比喻：就像你在开车时，先把“轮胎磨损”这个复杂因素单独放在副驾驶座位上算，算出个大概结果后，再告诉主驾驶（主控制器）：“嘿，轮胎大概有点滑，你稍微慢点”。主驾驶不需要自己去算轮胎，只需要根据这个结果调整方向。
- 效果：这大大减少了计算量，让赛车能在更短的时间内做出反应。

4. 实际效果：真的能跑吗？

作者不仅是在纸上谈兵，他们真的把这个理论用在了真实的微型赛车上（就像 F1 赛车的缩小版）。

实验场景：让赛车在真实的赛道上跑圈。
结果：
- 使用他们提出的统一框架（特别是结合了“零阶近似”和“高斯过程学习”的版本），赛车不仅能跑得很快，而且非常安全。
- 传统的 SQP 方法虽然快，但在面对真实路面的不确定性时，容易算不准，导致赛车为了安全不得不跑得很慢，或者差点撞墙。
- 新的统一方法（LPV 版本）因为能更好地处理“地图变形”（非线性），在保持速度的同时，还能自动适应路面的变化，跑出了更完美的路线。

总结

这篇论文就像是一个**“赛车算法的瑞士军刀”**：

统一了两种流派：证明了 SQP 和 LPV 本质相通，可以放在同一个框架里用。
学会了偷懒：通过“零阶近似”，把复杂的计算外包出去，让大脑转得更快。
实战成功：在真实的自动驾驶赛车比赛中，这套方法让车跑得更快、更稳、更安全。

简单来说，他们让自动驾驶的“大脑”变得更聪明、反应更快，既能像老练的司机一样步步为营，又能像拥有上帝视角一样规划全局，最终让赛车在赛道上飞驰。

论文技术总结：统一序列二次规划与线性参数变化算法用于实时模型预测控制

1. 研究背景与问题定义

背景：
模型预测控制（MPC）因其处理约束和预测能力，已成为动态系统安全控制的关键技术。对于非线性系统，非线性 MPC（NMPC）需要在线求解非线性规划（NLP）问题。目前主流的求解方法包括序列二次规划（SQP）和内点法。SQP 通过迭代求解一系列二次规划（QP）子问题来近似 NLP，在实时迭代（RTI）方案中表现优异。

问题：
另一种处理非线性的方法是线性参数变化（LPV）MPC，它利用积分中值定理（FTC）将非线性系统精确嵌入到 LPV 形式中，通过迭代求解线性 MPC 问题（即 QP）来逼近原问题。
尽管 SQP 和基于 FTC 的 LPV-MPC 在数学形式上相似（均属于非精确牛顿类方法），但两者之间的关系尚未被彻底厘清。特别是，文献中提出的零阶（Zero-order）近似方法（用于消除不确定性传播对优化变量数量的二次缩放影响）在 SQP 和 LPV-MPC 中分别被独立应用，但缺乏统一的理论框架。此外，基于 FTC 的迭代 LPV-MPC 尚未在真实硬件实验中得到广泛验证。

核心目标：
本文旨在建立一个统一的框架，将 SQP 和基于 FTC 的 LPV-MPC 联系起来，揭示它们的等价性，并将零阶近似方法整合其中，以提升鲁棒和随机 MPC 问题的计算效率。

2. 方法论与统一框架

2.1 统一数学形式

作者通过微分形式（Differential Formulation）重新表述了 LPV-MPC 的 QP 子问题，使其与 SQP 的形式完全一致。

SQP 方法：基于当前猜测点 $(\hat{x}, \hat{u})$ 对非线性动力学 $f(x,u)$ 进行一阶泰勒展开（线性化），使用雅可比矩阵 $A_i, B_i$ 。
FTC-LPV 方法：利用微积分基本定理（FTC），将非线性函数表示为积分形式：
$f(x, u) = \int_0^1 \frac{\partial f}{\partial \eta} \bigg|_{\tilde{\eta} + \lambda(\eta-\tilde{\eta})} d\lambda \cdot (\eta - \tilde{\eta}) + f(\tilde{\eta})$
其中 $\tilde{\eta}$ 是锚点（Anchor Points）。LPV 矩阵 $A(\rho), B(\rho)$ 是沿轨迹积分得到的平均雅可比矩阵。

统一结论：
通过引入统一的 QP 形式（公式 16），作者证明了：

当 LPV-MPC 的锚点选择为上一轮迭代的解（即 $\tilde{x}_i = \hat{x}_i, \tilde{u}_i = \hat{u}_i$ ）时，FTC 积分退化为该点的雅可比矩阵，此时LPV-MPC 迭代完全等同于 SQP 迭代。
如果锚点选择为 KKT 点，则 LPV-MPC 算法在该点达到稳态。

2.2 零阶近似（Zero-order Approximation）的统一

针对复杂系统（如包含不确定性或高维状态），为了减少优化变量数量，常采用零阶近似，将部分状态（如不确定性传播部分）从优化循环中解耦，仅在求解器外部传播。

SQP 视角：通过特定的雅可比结构近似（ $A_{zy}=0, B_z=0$ ），使辅助状态 $z$ 独立于优化变量。
LPV 视角：将辅助状态 $z$ 视为扩展调度变量的一部分（ $\rho = [y^\top, u^\top, z^\top]^\top$ ），并在外部根据非线性动力学传播 $z$ 。
统一性：论文证明了这两种视角在数学上是等价的。这使得基于高斯过程（GP）的随机 MPC 可以利用 LPV 的调度机制来高效处理不确定性，同时保持 SQP 的零阶优势。

3. 主要贡献 (Contributions)

统一求解方法 (C1)：提出了一种统一的 NMPC 求解框架，证明 SQP 和基于 FTC 的 LPV-MPC 是该框架的特例。具体展示了通过选择特定的锚点，FTC 嵌入方法可以精确恢复 SQP。
零阶近似整合 (C2)：展示了如何将雅可比矩阵的零阶近似整合到统一框架中，并将其解释为 LPV-MPC 变体中使用了扩展的调度变量。
收敛性与复杂度对比 (C3)：在仿真中对比了 SQP 和 LPV-MPC 的收敛行为和计算复杂度，揭示了不同锚点选择对性能的影响。
真实世界验证 (C4)：将统一的零阶方案应用于基于学习的自动驾驶赛车控制（GP-MPC），在仿真和真实硬件（1/28 比例赛车）上验证了 SQP 和 LPV 版本的性能。

4. 实验结果与分析

4.1 仿真研究（倒立摆与自动驾驶赛车）

收敛性：在倒立摆实验中，当 LPV-MPC 使用上一轮优化序列作为锚点时，其收敛行为与 SQP 完全一致（验证了命题 3.1）。若使用固定锚点，LPV-MPC 收敛于次优解，但有时迭代次数更少。
计算效率：
- SQP：准备时间（构建 QP）较短，因为只需计算一次雅可比矩阵。
- LPV-MPC：准备时间较长，因为需要数值积分（计算 FTC 嵌入），但可以通过并行化加速。
- 权衡：对于大规模系统，LPV-MPC 可能因减少 QP 迭代次数而更具优势；对于中小规模，SQP 通常更快。
自动驾驶赛车 (MPCC)：在实时迭代（RTI）模式下，LPV-MPC 表现出更小的 NLP 残差，表明其在全局嵌入方面更有效，能更接近最优解。

4.2 真实硬件实验（高斯过程 MPC）

设置：在 ETH Zurich 的 1/28 比例电动赛车上，结合高斯过程（GP）学习残差动力学，实施随机 MPC。
零阶方案优势：利用零阶近似，将 GP 协方差传播从优化变量中解耦，避免了优化变量数量随状态维度的二次增长。
性能对比：
- 安全性：基于 GP 的控制器（GP-LPV 和 GP-SQP）能够安全地在赛道上行驶，无需像标称模型那样手动收紧约束（防止碰撞）。
- 计算时间：SQP 在准备时间上仍优于 LPV（2.17ms vs 17.60ms），因为避免了积分计算。但在包含 GP 的复杂场景下，LPV 通过更好的模型近似实现了更低的平均控制成本。
- 结论：虽然 SQP 计算更快，但 LPV-MPC 在模型不匹配严重的情况下（如真实硬件），通过更精确的非线性嵌入提供了更好的控制性能。

5. 意义与影响

理论统一：打破了 SQP 和 LPV-MPC 之间的理论壁垒，表明它们本质上是同一类算法在不同参数选择下的表现。这为算法选择提供了理论依据。
算法设计指导：明确了锚点选择对收敛性和最优性的影响，指导工程师根据具体应用场景（是追求极致速度还是全局最优）选择策略。
实时控制推进：通过统一框架和零阶近似，显著提升了处理不确定性（如 GP-MPC）时的计算效率，使得复杂的随机 MPC 能够在实时硬件（如赛车）上运行。
开源贡献：作者提供了基于 ACADOS 和 L4ACADOS 的开源实现代码，促进了该领域算法的复现和进一步研究。

总结：
本文通过微积分基本定理（FTC）和微分形式，成功构建了连接 SQP 和 LPV-MPC 的桥梁。研究表明，通过灵活选择锚点和调度变量，可以在保持计算效率的同时，获得更好的非线性逼近效果。这一框架特别适用于需要处理复杂不确定性（如基于学习的控制）的实时应用场景。