Embedded Real-Time MPC — Deterministische Optimierung auf zeitkritischer Hardware

Warum das relevant ist (Zusammenfassung für Entscheider)

• Viele industrielle Systeme arbeiten unter harten Zeitbudgets (1–50 ms), bei denen der Regler in jedem Zyklus eine optimale, nebenbedingungsgerechte Stellgröße liefern muss — andernfalls greift eine sichere Rückfalllösung. Embedded MPC löst genau dieses Problem.
• Automatisch generierte Solver, explizite MPC-Lookup-Tabellen, QP-Approximationen und GPU-paralleles Sampling ermöglichen es, nichtlineare Optimierung auf Mikrocontroller-Hardware zu bringen, ohne Nebenbedingungsgarantien zu opfern.
• Veröffentlichte Ergebnisse belegen Solver-Laufzeiten unter 1 ms bei Laborkranen, 50-Hz-Neural-MPC auf Quadrotoren mit 82 % Reduktion des Positionsfehlers sowie eine Servobandbreitenerhöhung von 147 Hz auf 208 Hz — Belege dafür, dass das Muster bereit für den industriellen Einsatz ist.
• Für DACH-KMU mit Präzisionsbewegung, Antriebsregelung oder autonomem Transport macht dieses Muster aus nebenbedingungsbewusster Optimierung keine Forschungsidee mehr, sondern eine deterministische, deploybare Regelungsschicht.

Das Entwurfsmuster erklärt

Embedded Real-Time MPC platziert eine modellprädiktive Optimierungsschleife direkt auf der Zielhardware — DSP, Mikrocontroller oder Onboard-Computer — anstatt auf Cloud- oder Desktop-Rechner zu setzen. Der Regler löst in jedem Abtastschritt ein Optimierungsproblem mit Nebenbedingungen und gibt die optimale Stellgröße aus. Ein Watchdog erzwingt eine harte Deadline: Konvergiert der Solver nicht rechtzeitig, wird stattdessen eine vorab definierte sichere Rückfallaktion ausgeführt (Halten, Abbremsen, Not-Halt).

Warum MPC statt Alternativen? Klassische PID-Regler können mehrgrößige Nebenbedingungen (Drehmomentobergrenzen, Sicherheitszonen, Stellgliedsättigung) nicht systematisch handhaben. MPC kodiert diese Nebenbedingungen direkt in der Optimierungsformulierung und garantiert damit Zulässigkeit durch Konstruktion. Die ingenieurmäßige Herausforderung verlagert sich vom Abstimmen von Verstärkungstabellen auf das Anpassen des Solvers an das Zeitbudget.

Die typische Architektur folgt vier Schichten: Zustandsschätzung (Beobachter, Kalman-Filter oder Moving-Horizon-Schätzung), Prädiktionsmodell (physikalisch oder datengetrieben), Optimierung (QP-, SQP- oder sampling-basierter Solver) und Sicherheits-Fallback (deterministische Standardaktion bei Konvergenzversagen). Code-Generierungstools wie ACADOS oder FORCES Pro erzeugen automatisch C/C++-Solver-Code mit deterministischer Speicherzuweisung, der direkt auf eingebettete Ziele deploybar ist.

Lineares vs. nichtlineares MPC im Embedded-Einsatz: Dieses Muster umfasst drei grundlegend verschiedene Optimierungsformulierungen. Lineares MPC (explizit vorberechnete Tabellen, Online-QP auf DSP) verwendet ein lineares Systemmodell → konvexes Quadratisches Programm (QP) → garantiertes globales Optimum, deterministsche Laufzeit, deploybar auf Mikrocontrollern und kostengünstigen DSPs. Nichtlineares MPC (NMPC) verwendet das vollständige nichtlineare Dynamikmodell → nicht-konvexes Nichtlineares Programm (NLP), typischerweise gelöst über Real-Time Iteration (RTI) oder Sequential Quadratic Programming (SQP): deutlich ausdrucksstärker, erfordert jedoch sorgfältig initialisierte, code-generierte Solver, um harte Zeitbudgets einzuhalten — lokale Optima sind ohne gutes Warm-Starting möglich. Ein dritter Ansatz — sampling-basiertes MPC — bewertet Tausende zufälliger Trajektorien parallel auf einer GPU und umgeht QP/NLP vollständig, auf Kosten erheblichen Parallelrechenbedarfs. Jede nachfolgende Anwendung ist mit ihrem Typ gekennzeichnet.

Anwendungen & Referenzimplementierungen

Brückenkran-NMPC mit 10-ms-Abtastung — Intralogistik

Vukov et al. demonstrierten nichtlineares MPC an einem Laborkran (Wagen + Pendel) mit variabler Seillänge. Mit einem Gauß-Newton-Echtzeititerationsverfahren und automatisch generiertem C-Code konvergierte der Solver in unter 1 ms — weit innerhalb der 10-ms-Abtastperiode. Der Regler führte Punkt-zu-Punkt-Bewegungen unter Einhaltung von Stellgliedgrenzen aus und zeigte damit, dass selbst nichtlineare Schwingaufgaben problemlos in Millisekundenbudgets passen, wenn der Solver auto-generiert wird. ¹

Explizites MPC für Linearmotor-Servo — Präzisionsbewegung

Eine Zwei-Freiheitsgrad-Architektur aus explizitem MPC und differenzialkompensiertem erweitertem Zustandsbeobachter (DCESO) steigerte die Positionsregelkreisbandbreite eines Linearmotorservos von 147 Hz auf 208 Hz. Die Sprungantwort-Einschwingzeit sank von 5,38 ms auf 3,13 ms (5%-Kriterium). Da das MPC-Gesetz als Lookup-Tabelle vorberechnet ist, ist der Online-Rechenaufwand vernachlässigbar — dieser Ansatz ist besonders attraktiv für ultraschnelle Servoachsen, bei denen selbst ein QP-Solve zu langsam wäre. ²

Online-MPC-Momentenregelung auf kostengünstigem DSP — Elektrische Antriebe

Cimini et al. formulierten Online-MPC-Momentenregelung für einen permanentmagnet-erregten Synchronmotor (PMSM) als QP, das direkt auf einem kostengünstigen DSP gelöst wird. Spannungs- und Strombeschränkungen werden explizit innerhalb der Optimierung berücksichtigt. Processor-in-the-Loop-Experimente bestätigten die Machbarkeit bezüglich Rechenleistung und Speicher und lieferten gegenüber einer konventionellen Regelung verbesserte Momentendynamik — ein Beleg dafür, dass MPC auch auf kostengünstiger eingebetteter Hardware realisierbar ist. ³

Perceptive Locomotion NMPC mit 100 Hz — Beinroboter

Der vierbeinige Roboter ANYmal führt eine vollständige Wahrnehmungs-Planungs-Regelungs-Pipeline mit NMPC bei 100 Hz und Ganzkörper-Drehmomentkontrolle bei 400 Hz aus. Der NMPC kodiert Gelände als konvexe Aufstandspunkt-Nebenbedingungen und nutzt ein Signed-Distance-Field zur Kollisionsvermeidung. Die Wahrnehmung läuft bei 20 Hz und speist Höhenkarten in den Planer ein. Diese Multi-Rate-Architektur — Wahrnehmung bei 20 Hz, Planung bei 100 Hz, Aktuierung bei 400 Hz — lässt sich direkt auf jede mobile Plattform in unstrukturierten Umgebungen übertragen. ⁴

Real-Time Neural MPC auf agilem Quadrotor — Luftfahrt-Robotik

Salzmann et al. von der Universität Zürich integrierten große neuronale Netzwerk-Dynamikmodelle (über 4000-mal größere parametrische Kapazität als frühere Arbeiten) in eine MPC-Pipeline, die mit 50 Hz auf eingebetteter Hardware läuft. Das Ergebnis: bis zu 82 % geringerer Positionsverfolgungsfehler im Vergleich zu MPC ohne neuronale Dynamik. Dies beweist, dass datengetriebene Modellverbesserungen innerhalb von Echtzeit-MPC-Schleifen einsetzbar sind, ohne Zeitbudgets zu verletzen. ⁵

GPU-Randomisiertes MPC zur Hindernisvermeidung — Autonome Plattformen

Eine randomisierte MPC-Implementierung auf GPU erreichte 200 Hz mit 1000 Trajektorien-Samples auf einem RC-Auto im Maßstab 1:10 und ermöglichte so glatte Hindernisvermeidung bei bis zu 11,5 km/h. Die CPU-only-Version schaffte maximal 30 Hz und kollidierte bei 5,1 km/h. Mit einem 30-Schritt-Prädiktionshorizont von ca. 3 m Vorausschau demonstriert die GPU-Implementierung, dass massiv paralleles Sampling auf kostengünstigen eingebetteten GPUs Echtzeitleistung ermöglicht. ⁶

Schnelles NMPC für Bipedales Gehen via QP-Approximation — Beinroboter

Galliker et al. validierten eine Strategie reduzierter Komplexität für NMPC am bipedalen Roboter AMBER-3M. Eine QP-Approximation des nichtlinearen Problems erreichte 270 Hz bei einem 2-Sekunden-Horizont; die Ergänzung um Hybrid-Zero-Dynamics (HZD)-Referenzen steigerte die Update-Rate auf 850 Hz bei einem 0,2-Sekunden-Horizont. Diese Raten sind schnell genug für Echtzeit-Störungsausregelung beim Gehen und zeigen, dass sorgfältige Umformulierung NMPC-Leistung bei PID-ähnlichen Update-Raten liefern kann. ⁷

Was das für Ihren Betrieb bedeutet

Das Embedded-Real-Time-MPC-Muster ist direkt auf jedes System mit harten Stellgliedgrenzen und Millisekunden-Dynamik anwendbar: CNC-Achsen, Servoantriebe, Brückenkrane, AGVs und Verpackungsmaschinen. Für DACH-KMU sind die wichtigsten übertragbaren Erkenntnisse:

• Mit Auto-Code-Generierung beginnen: Tools wie ACADOS erzeugen deploybare C-Code aus einem MATLAB/Python-Modell und reduzieren den Integrationsaufwand erheblich.
• Sicherheits-Fallback ist nicht verhandelbar: Jede Embedded-MPC-Implementierung benötigt einen Watchdog und eine deterministische Rückfallaktion, falls der Solver seine Deadline verpasst.
• Explizites MPC für ultraschnelle Regelkreise: Wenn die Zustandsdimension klein ist (< 5 Zustände), eliminieren vorberechnete Lookup-Tabellen den Online-Rechenaufwand vollständig.

Wie wir liefern (Engagement-Modell)

• Phase 0: Non-Disclosure Agreement (NDA) + Datenanfrage — Überprüfung der Systemdynamik, Stellgliedspezifikationen und Zeitanforderungen.
• Phase 1: Discovery mit festem Umfang — Konzeptdesign, Solver-Auswahl (QP / SQP / explizit / Sampling) und Machbarkeitsbewertung auf der Zielhardware.
• Phase 2: Implementierung + Validierung — Modellidentifikation, Solver-Code-Generierung, Hardware-in-the-Loop-Tests und Inbetriebnahme.
• Phase 3: Monitoring + Schulung + Skalierung — Bedienerschulung, Leistungsdashboards und Ausweitung auf weitere Linien oder Achsen.

Typische KPIs zur Verfolgung

• Solver-Ausführungszeit vs. Abtastperiode (Sicherheitsmargin)
• Nebenbedingungsverletzungsrate (sollte im Nominalbetrieb null sein)
• Verfolgungsfehlereduktion vs. Basisregler (PID, Vorsteuerung)
• Bandbreiten- oder Durchsatzerhöhung durch nebenbedingungsbewusste Optimierung
• Fallback-Aktivierungsfrequenz (Indikator für Solver-Abstimmungsqualität)

Risiken & Voraussetzungen

• Erfordert ein validiertes dynamisches Modell der Strecke (physikalisch oder identifiziert); die Modellqualität bestimmt direkt die MPC-Leistung.
• Die Zielhardware muss ausreichend Rechenreserven für den gewählten Solver bereitstellen — frühzeitiges Profiling vermeidet späte Überraschungen.
• Sicherheitszertifizierung (z. B. IEC 61508, ISO 13849) kann zusätzliche Dokumentation der Fallback-Architektur und eine Worst-Case-Ausführungszeitanalyse erfordern.
• Organisatorische Bereitschaft: Betriebsteams benötigen Schulungen zu MPC-Abstimmung und -Monitoring, nicht nur zur PID-Verstärkungsanpassung.

FAQ

F: Kann MPC wirklich auf einem Mikrocontroller laufen, oder braucht es einen PC? A: Ja. Automatisch generierte QP-Solver laufen routinemäßig auf ARM Cortex-M und DSP-Plattformen mit Sub-Millisekunden-Laufzeiten. Explizites MPC reduziert den Online-Rechenaufwand auf eine einfache Lookup-Tabelle.

F: Was passiert, wenn der Solver nicht rechtzeitig konvergiert? A: Ein korrekt ausgelegtes Embedded-MPC-System enthält einen Watchdog und eine deterministische Rückfallaktion (z. B. letzten Eingang halten, sicheren Zustand anfahren). Dies ist ein Standardbestandteil der Architektur, keine nachträgliche Ergänzung.

F: Wie vergleicht sich Embedded MPC mit PID hinsichtlich Inbetriebnahmeaufwand? A: Die Ersteinrichtung erfordert mehr Modellierungsaufwand. Ist MPC jedoch erst einmal deployed, bewältigt es Nebenbedingungsszenarien (Anlauf, Laständerungen, Sättigung), die bei PID mehrere Modi und Anti-Windup-Logik erfordern würden. Der Gesamtaufwand über den Lebenszyklus ist oft geringer.

F: Ist dieses Muster für Batch- oder langsame Prozesse relevant, oder nur für schnelle mechatronische Systeme? A: Das „Embedded Real-Time”-Muster zielt spezifisch auf schnelle Systeme (unter 100 ms). Für langsamere Batch- oder Wärmeprozesse ist Standard-Desktop-MPC mit längeren Horizonten besser geeignet.

30-minütigen Discovery-Call buchen

Bereit zu erkunden, ob Embedded Real-Time MPC zu Ihrem System passt?

Dr. Rafal Noga — Unabhängiger APC/MPC-Berater

E-Mail | noga.es

Fester Projektumfang · NDA zuerst · DACH-Vor-Ort-Einsätze möglich

Öffentliche Referenzen

Footnotes

1. Vukov et al., “Real-time nonlinear MPC and MHE for a large-scale mechatronic application” (ACC, 2012). https://faculty.sist.shanghaitech.edu.cn/faculty/boris/paper/ACC12.pdf ↩

2. “Explicit MPC + ESO servo algorithm” (MDPI Actuators, 2025). https://www.mdpi.com/2076-0825/14/6/281 ↩

3. Cimini et al., “Online Model Predictive Torque Control for Permanent Magnet Synchronous Motors” (ICIT, 2015). https://cse.lab.imtlucca.it/~bemporad/publications/papers/icit15-mpc-pmsm.pdf ↩

4. Grandia et al., “Perceptive Locomotion through Nonlinear Model Predictive Control” (arXiv, 2022). https://arxiv.org/pdf/2208.08373 ↩

5. Salzmann et al., “Real-time Neural MPC” (IEEE RA-L, 2023). https://rpg.ifi.uzh.ch/docs/RAL2023_Salzmann.pdf ↩

6. Muraleedharan et al., “Randomized MPC for Dynamic Obstacle Avoidance and Autonomous Racing” (IEEE T-IV, 2022). https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9911860 ↩

7. Galliker et al., “Bipedal Locomotion using Nonlinear MPC” (IEEE RA-L, 2022). https://paperss3.s3.us-east-2.amazonaws.com/accepted/2022/LRA/Galliker.pdf ↩

📅 Bei Calendly buchen