On Real-Time Feasibility of High-Rate MPC using an Active-Set Method on Nano-Quadcopters

该论文通过实验证明，在资源受限的 Crazyflie 2.1 微型四旋翼飞行器上，基于 DAQP 的双主动集求解器能以 500 Hz 频率运行并优于 TinyMPC，同时结合主成分分析的数据驱动集选择方法实现了该求解器的离线实时可行性认证。

要点

这篇论文讲述了一个关于如何让微型无人机“大脑”转得更快、更聪明的故事。

想象一下，你手里拿着一只像手掌一样大的微型无人机（Crazyflie 2.1）。它非常轻，只有 29 克，但它的任务很艰巨：要在空中做出极其敏捷、甚至有点疯狂的飞行动作，同时还要避开障碍物。

为了做到这一点，科学家给它装上了一个叫做**模型预测控制（MPC）**的“超级大脑”。

1. 核心挑战：小脑袋，大任务

这个“超级大脑”的工作原理有点像下棋。

• 普通控制：就像下棋时只看眼前一步，看到前面有石头就躲开。
• MPC（模型预测控制）：就像一位象棋大师，它会提前计算未来 15 步会发生什么。它会问：“如果我往左飞，下一秒会撞到什么？再下一秒呢？”然后它会根据这些预测，瞬间算出最优的飞行路线。

问题在于：这种“算未来”的能力非常消耗算力。而这只微型无人机的“大脑”（芯片）非常小，就像是用计算器去跑超级计算机的任务。通常，这种复杂的计算要么算得太慢，要么根本算不出来，导致无人机飞不起来。

2. 解决方案：换一把更锋利的“手术刀”

为了解决这个问题，研究团队尝试了两种不同的“解题工具”（数学算法）：

• 工具 A (TinyMPC)：这是一种目前很流行的方法，就像用流水线的方式处理问题。它很通用，但在处理这种极度复杂的实时任务时，有时候显得有点笨重。
• 工具 B (DAQP - 本文的主角)：这是一种对偶主动集法。你可以把它想象成一位经验丰富的老侦探。它不盲目地遍历所有可能性，而是通过一种聪明的策略，直接锁定那些“关键线索”（也就是飞行中真正会遇到的限制条件），从而跳过那些无关紧要的计算。

实验结果令人惊讶：
在这个只有 29 克重、算力极低的微型无人机上，这位“老侦探”（DAQP）不仅跑得比“流水线”（TinyMPC）更快，而且更稳定。它竟然能以每秒 500 次的频率（500 Hz）进行这种复杂的“未来预测”，这意味着无人机每秒钟都在进行 500 次微调，飞得既稳又快。

3. 最大的创新：给“大脑”做体检（实时认证）

除了飞得快，这篇论文还有一个非常酷的贡献：如何保证这个“大脑”永远不会死机？

在航空领域，如果无人机在关键时刻算不出结果，就会坠毁。所以，我们需要在起飞前就100% 确定：无论遇到什么情况，这个算法都能在规定的时间内算出答案。

• 传统方法：就像为了测试一辆车的刹车，你让它在各种极端路况下（包括根本不可能发生的“在月球上刹车”）都跑一遍。这太浪费时间了，而且很多测试是多余的。
• 新方法（PCA 数据驱动）：研究团队发明了一种**“智能筛选”**技术。
  • 他们先让无人机飞几次，收集数据。
  • 然后利用一种叫主成分分析（PCA）的数学工具，像过滤网一样，把那些“不可能发生”的极端情况过滤掉，只保留真正会遇到的飞行场景。
  • 最后，他们只针对这些“真实场景”进行严格的“压力测试”。

比喻：
这就好比你要证明一个消防员能在火灾中救火。

• 旧方法：你要测试他在火山爆发、海底、甚至外太空能不能救火（太保守，没必要）。
• 新方法：你通过数据分析，发现火灾通常只发生在厨房和卧室。于是你只针对这两个房间进行最严格的测试。如果他在厨房和卧室都能完美救火，你就有把握说他是合格的。

4. 总结与启示

这篇论文告诉我们：

1. 小芯片也能干大事：只要算法选得对（像 DAQP 这种“老侦探”），即使是微型无人机也能运行极其复杂的智能控制算法。
2. 安全是可以“算”出来的：通过新的“体检”方法，我们可以在无人机起飞前，就通过数学计算保证它不会在关键时刻“掉链子”。
3. 未来可期：这项技术让微型机器人（比如用于搜救、室内巡检的微型无人机）变得更加智能和可靠，它们不再只是简单的遥控玩具，而是能自主应对复杂环境的智能助手。

一句话总结：
研究人员给微型无人机换了一个更聪明的“大脑”，并发明了一套“体检”方法，证明这个小家伙不仅能算得快，还能在关键时刻绝对靠谱，为未来微型机器人的普及铺平了道路。

技术摘要

这是一份关于论文《On Real-Time Feasibility of High-Rate MPC using an Active-Set Method on Nano-Quadcopters》（基于主动集方法在微型四旋翼飞行器上实现高频率模型预测控制的实时可行性）的详细技术总结。

1. 研究背景与问题 (Problem)

• 核心挑战：在资源受限的微型嵌入式平台（如 Crazyflie 2.1 微型四旋翼）上部署模型预测控制（MPC）极具挑战性。MPC 需要在线求解二次规划（QP）问题，计算量大，而微型飞行器的机载微控制器（MCU）计算能力有限。
• 现有局限：
  • 以往研究多采用一阶方法（如 ADMM）进行底层控制，或将主动集方法仅用于高层控制。
  • 对于包含 12 个状态变量的复杂底层控制回路，尚未有报告成功部署高效的二阶主动集方法。
  • 缺乏针对此类平台的 MPC 实时性认证（Real-time Certification），即无法在飞行前严格证明最坏情况执行时间（WCET）满足控制周期要求。
• 研究目标：验证在 STM32F405 微控制器上，以 500 Hz 的高频率运行基于**对偶主动集（Dual Active-Set）**求解器（DAQP）的 12 状态 MPC 控制器的可行性，并对其进行严格的实时性认证。

2. 方法论 (Methodology)

2.1 控制系统设计

• 平台：Bitcraze Crazyflie 2.1（29g），搭载 STM32F405 Cortex-M4 微控制器（168 MHz）。
• MPC 模型：
  • 状态维度 $n_z = 12$（位置、速度、姿态、角速度）。
  • 输入维度 $n_u = 4$（四个电机的 PWM 指令）。
  • 预测时域 $N=15$，控制频率 500 Hz。
  • 使用线性时不变（LTI）模型和二次成本函数。
• 求解器对比：
  • DAQP：本文提出的对偶主动集求解器（二阶方法）。
  • TinyMPC：基于交替方向乘子法（ADMM）的一阶求解器（作为基准对比）。
  • 两者使用相同的 MPC 问题设置、参数整定（来自 TinyMPC 固件）和硬件环境，确保公平比较。

2.2 实时性认证与复杂度分析

• 理论框架：利用 Arnström 等人提出的复杂度认证框架，将 MPC 问题视为参数 $\theta$（初始状态）的函数。
• 工作集序列分析：主动集算法的迭代次数取决于初始状态所在的参数区域。通过划分参数空间 $\Theta$，可以确定每个区域内的精确迭代次数序列。
• 最坏情况执行时间 (WCET) 认证：
  • 在参数空间的每个区域 $\Theta_j$ 中选取代表性样本点。
  • 测量求解器在这些点上的执行时间 $\tau_j$。
  • 取最大值 $\tau = \max \tau_j$ 作为 WCET 证书。

2.3 数据驱动的集合选择 (Data-Driven Set Selection)

• 问题：传统的超矩形参数空间（Box）包含大量非物理的、飞行中不可能达到的状态组合，导致认证过程过于保守且计算量大。
• 解决方案：引入主成分分析 (PCA)。
  • 收集实际飞行或仿真中的误差状态数据。
  • 利用 PCA 将数据投影到新的正交基上，构建一个更贴合实际飞行轨迹的旋转超矩形（Rotated Hyper-rectangle）。
  • 通过引入安全裕度 $\delta$，在缩小参数集规模的同时覆盖所有可能的飞行状态。
  • 这使得认证过程更高效，且能更准确地反映实际控制器的实时能力。

3. 主要贡献 (Key Contributions)

1. 首次实现：在资源受限的 MCU 上，成功部署了基于对偶主动集求解器（DAQP）的 12 状态底层 MPC 控制器，实现了 500 Hz 的控制更新频率。
2. 性能基准测试：在 Crazyflie 平台上对 DAQP 和 TinyMPC 进行了直接的实验对比。结果表明，尽管主动集方法通常被认为更复杂，但在该特定应用场景下，DAQP 的执行时间始终短于 TinyMPC，更能满足实时性要求。
3. 实时性认证框架的应用：首次将 WCET 分析框架应用于该平台的 MPC 设计阶段。该工具能够在离线阶段确认或拒绝控制设计的实时可行性，提高了系统的可靠性。
4. PCA 辅助的认证优化：提出了一种基于 PCA 的数据驱动参数集选择策略。该方法显著减少了认证所需的计算量，并消除了传统保守边界带来的误判（即避免了因包含非物理状态而错误地判定控制器不满足实时性）。

4. 实验结果 (Results)

• 执行时间对比：
  • 在超过 100 万次采样测试中，DAQP 的计算时间始终小于 TinyMPC。
  • 直方图显示，DAQP 比 TinyMPC 快，且差异始终为正。
  • 累积分布函数（CDF）分析表明，使用均匀分布采样（传统方法）可能会掩盖主动集求解器的最坏情况，而基于认证框架的采样能更准确地揭示性能边界。
• 飞行实验：
  • 在 500 Hz 频率下，DAQP 和 TinyMPC 均能完成飞行任务。
  • 在特定的阶跃响应轨迹测试中，使用原始参数整定时，两者在高度跟踪上均存在稳态误差（归因于重力补偿项 $u_0$ 的偏差）。
  • 参数调整测试：减小控制权重 $R$ 可以改善跟踪精度，但会导致计算时间增加。当 $R$ 减小到 50 时，在下降阶段 DAQP 违反了 500 Hz 的实时性要求，验证了认证工具预测失效的能力。
• PCA 认证效果：
  • 使用原始参数（$R=900$）时，基于 PCA 的认证显示 DAQP 满足实时性要求（WCET = 1375 µs < 2000 µs）。
  • 使用激进参数（$R=50$）时，认证工具成功预测了控制器将违反实时性要求，与实验观察一致。

5. 意义与结论 (Significance & Conclusion)

• 技术突破：证明了二阶主动集方法（DAQP）在微型无人机底层控制中不仅可行，而且在计算效率上优于当前流行的 ADMM 方法（TinyMPC）。这打破了“一阶方法更适合嵌入式 MPC"的固有认知。
• 可靠性提升：通过引入离线实时性认证和 PCA 辅助的参数集选择，为嵌入式优化控制提供了严格的数学保证。设计者可以在飞行前就排除不满足实时性要求的设计方案，降低了试飞风险。
• 未来展望：虽然本文主要关注计算实时性，但实验结果已验证了控制性能。未来的工作将集中在利用无偏 MPC（Offset-free MPC）等工具进一步优化控制性能，并改进认证算法的计算效率。

总结：该论文通过结合先进的二阶求解器、严格的复杂度认证理论以及数据驱动的参数集优化，成功解决了微型四旋翼飞行器上高频率 MPC 控制的实时性难题，为资源受限硬件上的可靠嵌入式优化控制树立了新的标杆。