之前的mpc方法说的都没错，但是执行起来看着就很复杂。 实际上，这种复杂来自于对非独立变量的省略（MPC问题中，独立变量只有控制输入），但是如果允许非独立变量的存在，设计过程将会被非常简明。

模型预测控制（MPC）的强健版本可以在存在有界扰动的情形下，仍确保符合状态的限制条件。有三种主要的强健模型预测控制作法： Min-max模型预测控制。在此作法下，会考虑扰动的所有可能演变来进行最佳化。

2）mpc相比于其它的控制器，比如lqr，pid控制器有什么优势； 3）单刚体动力学建模公式推导； 4）mpc控制器设计原理； 5）mpc控制器设计流程； 介绍完这5部分之后，下一篇将会以一个实际例子来讲解mpc的使用方法。 一、mpc控制器的作用. 上一结我们描述了mpc的 ...

都是自由开源软件mpc的分支，除了界面不同、mpc-be不支持流媒体，功能和占用大同小异。 mpc是从winXP时代过来的古老windows软件了，主要靠解码和渲染滤镜一直更新维持生命力。2023年我更推荐使用mpv player。

提问者既然问电机控制里，现阶段，MPC还有什么可以做的，那就局限点讲… 1. 不同工况下的权重系数的选择，丹麦奥尔堡那边前阵子发了篇用神经网络选取最优权重的文章(可以学着水). 2. Data driven MPC，数据可以作为MPC模型或者模型中参数的一个补充(可以试着水). 3.

MPC的如果要想比其他算法有较明显的优势，M（model）的精确性最为关键，最近基于学习的MPC算法研究较为热门，主要就是要通过机器学习的方式来得到一个较为精确的模型，这方面的研究可以看一下苏黎世理工学院的一些文章和视屏，除了理论研究之外，他们还将他们的算法应用于大学生方程式赛车 ...

显然，MPC的目标和Model based RL并不冲突，也就是technically speaking，MPC是RL的一个子问题而已。 ML的人厉害的地方在于，他们把他们搞的东西内涵定义的如此之广，其他领域的东西，也是他们的东西，其他领域有了进步，也能增加他们的荣光。

“MPC证明不了稳定性”或“MPC没有保证稳定性的构造方法”完全是个观念问题。可能有朋友想不明白，一个“数值算法”怎么能搞出稳定性呢？很可能是因为对Lyapunov函数理解不够透彻...是得你没看错。如果理解深度有限，看再多论文也只会一个论文一个方法 ...

mpc并不需要模型是线性的，非线性也可以； 对于MPC而言模型可以看作一个约束，实际求解更需要的是模型的梯度，因此非要这么干的话只能用类似SQP的思路，每一步外部计算一下LSTM的梯度，将LSTM在当前状态点近似成一个一阶线性模型；

MPC类型的优化问题属于轨迹优化（Trajectory Optimization）问题的子类。一般来说，如果你构造了一个MPC问题去track一个reference trajectory，那么问题的Cost Function，或者说Objective Function的含义都是机器人的状态与reference trajectory之间的“距离”，我们通常都是用形如 (x-\bar{x})^TQ(x-\bar{x}) 的quadratic cost来表示。