Pfadverfolgung & Konturregelung MPCC — Geschwindigkeits-Genauigkeits-Kompromisse durch prädiktive Regelung

Warum das relevant ist (Zusammenfassung für Entscheider)

• Jede Aufgabe, die „folge diesem Pfad so schnell und präzise wie möglich unter Einhaltung von Grenzen” erfordert — CNC-Bearbeitung, AGV-Navigation, Roboterfräsen, Drohneninspektion — lässt sich direkt auf das Muster Model Predictive Contouring Control (MPCC) abbilden.
• MPCC trennt explizit den Konturierungsfehler (Abweichung vom Pfad) vom Lagefehler (Fortschritt entlang des Pfades) und ermöglicht so prinzipielle Geschwindigkeits-Genauigkeits-Kompromisse, die klassische Nachführregler nicht erreichen können.
• Veröffentlichte Ergebnisse umfassen eine 70,7 % geringere Nachführabweichung beim kooperativen Roboterfräsen, zeitoptimale Drohnenrennrunden schneller als ein weltklassiger menschlicher Pilot sowie 10 % Rundzeitreduktionen bei einem autonomen Rennauto in Originalgröße durch erlernte Modellkorrekturen.
• Für DACH-Hersteller und -Integratoren erschließt dieses Muster höheren Durchsatz ohne Präzisionsverlust auf bestehenden Bewegungsplattformen.

Das Entwurfsmuster erklärt

Klassische Pfadnachführregler folgen einer zeitparametrisierten Referenztrajektorie: Das System muss zum Zeitpunkt T an Position X sein. Fällt das System zurück, bewegt sich die Referenz weiter, was zu wachsenden Nachführfehlern führt. MPCC reformuliert dieses Problem: Anstatt einer zeitgestempelten Referenz zu folgen, optimiert der Regler über einen virtuellen Pfadparameter, der bestimmt, wie weit das System entlang des Pfades fortgeschritten ist.

Dies ergibt zwei unabhängige Fehlerkomponenten: den Konturierungsfehler (senkrechter Abstand vom Pfad) und den Lagefehler (Abstand entlang des Pfades vom gewünschten Fortschritt). Der Optimierer wägt diese durch Kostengewichtungen gegeneinander ab, sodass Bediener den Kompromiss zwischen „exakt auf dem Pfad bleiben” und „so schnell wie möglich vorankommen” einstellen können.

Warum MPC gegenüber Alternativen? Vorschubgeschwindigkeitsplanung oder verstärkungsgesteuerter PID können diesen Kompromiss annähern, aber sie können nicht gleichzeitig Geschwindigkeit, Genauigkeit und Einhaltung von Nebenbedingungen (Drehmomengrenzen, Hindernisabstände, Ruckgrenzen) in einer einzigen Formulierung optimieren. MPCC behandelt all diese Aspekte gemeinsam.

Die Architektur folgt einer Standardpipeline: Pfaddarstellung (Splines, Wegpunkte oder erlernte Kurven), Zustandsschätzung (Encoder, Vision, IMU-Fusion), MPCC-Optimierung (nichtlineares Programm, das bei jedem Regelschritt gelöst wird), und Aktuierung mit Nebenbedingungsdurchsetzung.

Lineares MPC vs. NMPC bei Pfadverfolgung und Konturregelung: Die MPCC-Kostenfunktionsformulierung (Konturierungsfehler + Lagefehler + Nebenbedingungen) ist unabhängig davon, ob die zugrunde liegende Dynamik linear oder nichtlinear ist — beide Fälle können das Konturierungsziel verwenden. Nichtlineares MPCC (NMPC) wird eingesetzt, wenn die Fahrzeug- oder Roboterdynamik inhärent nichtlinear ist: Drohnenrennen mit vollständiger Quadrotor-Dynamik und rotorindividuellen Schubkraftgrenzen (Anwendung 1), Reinigungsroboter mit nichtlinearer kinematischer Kopplung (Anwendung 3), lernbasierte GP-erweiterte Konturregelung auf einem autonomen Rennauto in Originalgröße bei 2 g Querbeschleunigung (Anwendung 4), lernbasiertes NMPC für mobile Außenroboter auf unebenem Gelände (Anwendung 6) sowie das vollständige autonome System des Formula-Student-Teams AMZ (Anwendung 7). Diese lösen bei jedem Schritt nicht-konvexe NLPs über RTI- oder SQP-Solver. Lineares MPC erscheint in drei Anwendungen: Konturierungsfehler-Synchronisierungs-MPC (CES-MPC) an einem 2-DoF-Manipulator (Anwendung 2) verwendet linearisierte Gelenkraumdynamik → konvexes QP bei 500 Hz (2 ms Abtastung) und erreicht 65 % bessere Konturgenauigkeit als die berechnete Momentenregelung ohne nichtlinearen Solver-Overhead. Durchbiegungskompensation beim kooperativen Roboterfräsen (Anwendung 5) verwendet lineare strukturelle Nachgiebigkeitsmodelle in einem prädiktiven Rahmen — technisch gesehen ein lineares MPC statt einer vollständigen MPCC-Formulierung, hier aufgenommen, weil es dasselbe Pfadgenauigkeitsziel in einem Fertigungskontext adressiert. Prädiktive Konturregelung für mehrachsige CNC-Werkzeugmaschinen (Anwendung 8) nutzt linearisierte Vorschubantriebsdynamik, um den Konturierungsfehler als explizite Optimierungsgröße zu behandeln — das konvexe QP ermöglicht Echtzeitausführung auf Standard-Bearbeitungszentrum-Hardware und ist der systematische Weg von achsweiser Servosteuerung zur koordinierten Konturiergenauigkeit. Für DACH-Einsätze gilt: Wenn die Plattform nahe einem linearisierbaren Regime betrieben wird (Manipulator bei moderaten Geschwindigkeiten, AGV unterhalb der Reifensättigung), liefert lineares Kontur-MPC den Großteil des Nutzens bei einem Bruchteil der Implementierungskomplexität; NMPC ist angezeigt, wenn an Dynamikgrenzen oder in stark nichtlinearen Regimen operiert wird.

Anwendungen & Referenzimplementierungen

Zeitoptimales Drohnenrennen via MPCC — Luftfahrtrobotik

Romero et al. an der Universität Zürich wendeten MPCC auf Quadrotor-Drohnenrennen an und lösten das Zeitallokationsproblem online mit vollständiger Quadrotor-Dynamik und rotorindividuellen Schubkraftgrenzen. Der Regler benötigt keine zeitparametrisierte Referenz — er entscheidet autonom, wie schnell er entlang der Rennstrecke voranschreitet. In realen Flugversuchen erzielte der MPCC-Regler schnellere Rundenzeiten als sowohl ein Standard-MPC-Nachführregler als auch ein weltklassiger professioneller menschlicher Pilot und demonstrierte damit die Stärke, die Fortschrittsgeschwindigkeit als Optimierungsvariable zu behandeln. ¹

Konturierungsfehler-Synchronisierungs-MPC an einem 2-DoF-Manipulator — Präzisionsrobotik

Ein Dual-Mode-Konturierungsfehler-Synchronisierungs-MPC (CES-MPC) wurde gegen Standard-MPC und berechnete Momentenregelung (CTC) an einem 2-DoF-Robotermanipulator bei einer Abtastperiode von 2 ms evaluiert. Unter anfänglichen Fehlerbedingungen erzielte CES-MPC einen mittleren Konturierungsfehler von 7,4 mm, verglichen mit 14,6 mm für Standard-MPC und 21,1 mm für CTC — eine Verbesserung von 49 % gegenüber MPC und 65 % gegenüber CTC. Dies zeigt, dass die explizite Bestrafung des Konturierungsfehlers statt des punktweisen Nachführfehlers zu deutlich besserer Pfadfolgegenauigkeit bei Manipulatoranwendungen führt. ²

MPCC-Nachrüstung für Außenreinigungsroboter — Mobile Robotik

Ein manueller Außenfegemaschine wurde mittels MPCC zur Pfadverfolgung in einen autonomen Reinigungsroboter umgerüstet. Die Konturierungsformulierung ermöglichte es dem Regler, Trajektoriengenauigkeit gegen Reinigungsabdeckungsgeschwindigkeit durch einstellbare Kostengewichtungen abzuwägen. Simulations- und Versuchsergebnisse validierten die verbesserte Pfadfolgenleistung auf der nachgerüsteten Plattform und zeigten, dass MPCC nicht nur für Hochleistungsrennen, sondern auch für pragmatische industrielle mobile Roboter geeignet ist, bei denen die Abdeckungseffizienz genauso wichtig ist wie die Präzision. ³

Lernbasiertes MPC für autonomes Fahren — Hochleistungsfahrzeuge

Kabzan et al. an der ETH Zürich kombinierten eine Kontur-MPC-Formulierung mit Gaußprozess-Lernen von Modellresiduen auf einem autonomen Rennauto in Originalgröße. Bei 15 m/s mit Querbeschleunigungen bis zu 2 g reduzierte der lernbasierte Ansatz die Rundenzeiten um etwa 10 % gegenüber dem Nominalmodell. Ein wörterbuchartiger Datenverwaltungsansatz ermöglichte kontinuierliche Modellaktualisierungen während des Betriebs. Dieses Ergebnis zeigt, dass die Kombination von MPCC mit Online-Lernen die Lücke zwischen modellbasierten und datengetriebenen Ansätzen an den Leistungsgrenzen schließt. ⁴

MPC-basierte Durchbiegungskompensation beim kooperativen Roboterfräsen — Fertigung

Eine Studie zur kooperativen Manipulation setzte zwei Roboter ein, die eine Frässpindel halten, und verwendete MPC-basierte Prädiktion zur Kompensation der Durchbiegung während der Bearbeitung. Die Ergänzung um prädiktive Durchbiegungskompensation reduzierte die Pfadnachführabweichung um mindestens 70,7 % gegenüber dem Basisansatz ohne Prädiktion. Dies ist direkt relevant für robotergestützte Bearbeitung mit großem Arbeitsraum in der Luft- und Raumfahrt- sowie Automobilherstellung, wo Steifigkeitsbeschränkungen von seriellen Robotern Qualitätsprobleme verursachen, die konventionelle Regelung nicht beheben kann. ⁵

Lernbasiertes NMPC für visionsbasierte mobile Roboter-Pfadverfolgung — Feldrobotik

Ostafew et al. evaluierten lernbasiertes NMPC für visionsbasierte Pfadverfolgung auf zwei mobilen Roboterplattformen (50 kg und 160 kg) über Distanzen bis zu 1,8 km bei Geschwindigkeiten bis zu 1,6 m/s. Die Lernkomponente kompensierte Modellabweichungen und wechselnde Geländebedingungen und verbesserte die Langstrecken-Nachführrobustheit. Dies validiert das MPCC/Lern-Muster für Außen-AGVs und Inspektionsroboter, die in Umgebungen mit unvorhersehbaren Gelände- und Lichtschwankungen eingesetzt werden. ⁶

Formula-Student-Driverless-Racing-Stack — Autonome Fahrzeuge

Das AMZ-Driverless-Team der ETH Zürich entwickelte ein vollständiges autonomes Rennsystem, das Wahrnehmung, Planung und nebenbedingungsbewusste Regelung integriert, mit dokumentierten Wettkampfergebnissen bei Formula-Student-Driverless-Veranstaltungen. Das System zeigt, dass optimierungsbasierte Pfadverfolgung unter Traktion- und Streckenrestriktionen von Forschungsprototypen bis zu wettbewerbserprobten Plattformen skalierbar ist und einen Leitfaden für industrielle Einsätze autonomer Fahrzeuge bietet. ⁷

Präzisions-CNC-Bearbeitung durch prädiktive Konturregelung — Fertigung

Modellprädiktive Konturregelung wurde experimentell an mehrachsigen CNC-Bearbeitungszentren validiert. Kang et al. (2022) entwickelten einen Echtzeit-Dreiachsen-MPC-Regler, bei dem der Konturierungsfehler als explizite Nebenbedingung in der Optimierung mit rückgleitendem Horizont behandelt wird — anstatt als indirekter Effekt der achsenweisen Nachführung zu entstehen. Der Ansatz berücksichtigt die achsübergreifende Kopplung und ist sowohl mit biaxialen als auch mit dreiachsigen Werkzeugmaschinenarchitekturen kompatibel. Dasselbe MPC-Konturierprinzip bildet die Grundlage der wegweisenden Arbeit „Discrete-time model predictive contouring control for biaxial feed drive systems” (Computers in Industry, 2011), die hardwarevalidierte Konturfehlereduktion an einem zweiachsigen Servo-Prüfstand berichtete. Damit stellt MPC-Konturierung den systematischen Weg vom einachsigen Servoantrieb zur koordinierten mehrachsigen Konturiergenauigkeit dar — anwendbar bei Hochpräzisions-Fräsen, Schleifen und EDM-Bearbeitung, wo Vorschubgeschwindigkeitsmaximierung und Oberflächenqualitätseinhaltung in Konflikt geraten. ⁸

Was das für Ihren Betrieb bedeutet

Das MPCC-Muster ist auf jeden DACH-Betrieb übertragbar, bei dem Pfadverfolgungsgeschwindigkeit und -genauigkeit gleichermaßen wichtig sind:

• CNC und Roboterbearbeitung: Vorschubgeschwindigkeitsoptimierung entlang Werkzeugpfaden, Reduzierung der Zykluszeit bei gleichbleibender Oberflächenqualität.
• AGV- und AMR-Navigation: schnellere Lagerfahrten bei engerer Pfadeinhaltung, insbesondere um Kurven und in engen Gängen.
• Inspektion und Reinigung: Abdeckungsgeschwindigkeitsoptimierung auf vordefinierten Routen.

Voraussetzungen: ein kinematisches oder dynamisches Modell der Plattform, Encoder-/Sensorrückmeldung zur Zustandsschätzung und eine Pfaddarstellung (Wegpunkte oder Splines). Die meisten bestehenden Bewegungsplattformen stellen diese bereits bereit.

Wie wir liefern (Engagement-Modell)

• Phase 0: NDA + Datenanfrage — wir prüfen Ihre Pfaddefinitionen, Plattformdynamik und Sensorausstattung.
• Phase 1: Discovery mit festem Umfang — Formulierungsdesign (MPCC vs. Standard-Tracking-MPC), Strategie zur Kostengewichtungsabstimmung und Machbarkeitsbewertung.
• Phase 2: Implementierung + Validierung — Modellidentifikation, Solver-Integration, Simulationstests und Hardware-Inbetriebnahme.
• Phase 3: Monitoring + Schulung + Skalierung — Bediener-Dashboards zur Überwachung von Kontur-/Lagefehlern, Schulung zur Gewichtungsanpassung und Rollout auf weitere Plattformen.

Typische KPIs zur Verfolgung

• Konturierungsfehler (senkrechte Abweichung vom Pfad) — primäre Qualitätsmetrik
• Lagefehler (Fortschritsverzögerung) — Durchsatzmetrik
• Zykluszeit oder Rundenzeit — Gesamteffizienz
• Rate der Nebenbedingungsverletzungen (Drehmoment, Ruck, Abstände) — Sicherheit und mechanische Gesundheit
• Oberflächenqualität oder Abdeckungsgleichmäßigkeit — anwendungsspezifisches Ergebnis

Risiken & Voraussetzungen

• MPCC erfordert eine glatte, differenzierbare Pfaddarstellung (Splines bevorzugt gegenüber rohen Wegpunkten); eine Pfadvorverarbeitung kann erforderlich sein.
• Der Geschwindigkeits-Genauigkeits-Kompromiss wird durch Kostengewichtungen gesteuert, die je Anwendung abgestimmt werden müssen — dies ist einfacher als PID-Abstimmung, erfordert jedoch ein Verständnis der Kontur-/Lagezerlegung.
• Für lernbasierte Erweiterungen müssen ausreichende Betriebsdaten (Runden, Fahrten, Missionen) gesammelt werden, bevor die Lernkomponente sinnvolle Korrekturen liefert.
• Echtzeit-Lösungszeiten hängen von der Pfadkomplexität und dem Prädiktionshorizont ab; Profiling auf der Zielhardware ist unerlässlich.

FAQ

F: Wie unterscheidet sich MPCC von Standard-Trajektorienverfolgung MPC? A: Standard-MPC verfolgt eine zeitparametrisierte Referenz — wenn das System langsamer wird, läuft die Referenz voraus. MPCC entkoppelt den Fortschritt von der Zeit, sodass der Regler bei schwierigen Abschnitten verlangsamen und bei einfachen beschleunigen kann und den Kompromiss automatisch optimiert.

F: Kann MPCC auf bestehende CNC- oder Roboterregler angewendet werden? A: Ja, typischerweise als äußere Schleife zur Vorschubgeschwindigkeitsoptimierung oder Referenzgenerierung. Die bestehenden Low-Level-Servoschleifen übernehmen die Motorkommutierung; MPCC liefert die Referenztrajektorie und Vorschubgeschwindigkeitsbefehle.

F: Was, wenn mein Pfad scharfe Ecken oder Unstetigkeiten aufweist? A: MPCC funktioniert am besten mit glatten Pfaden. Scharfe Ecken können durch Hinzufügen von Eckenverrundungs-Splines oder durch lokales Umschalten auf einen Wegpunkt-Nachführmodus behandelt werden. Dies ist ein Standardschritt der Vorverarbeitung.

F: Ist das nur für Hochgeschwindigkeitsanwendungen wie Rennsport geeignet? A: Keineswegs. Dieselbe Formulierung gilt für langsame Präzisionsanwendungen (Roboterfräsen auf mm-Genauigkeitsniveau) und Logistik mit moderaten Geschwindigkeiten (AGVs bei 1–2 m/s). Der Geschwindigkeits-Genauigkeits-Kompromiss ist anwendungsspezifisch.

30-minütigen Discovery-Call buchen

Bereit zu erkunden, ob MPCC zu Ihrer Pfadverfolgungsaufgabe 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. Romero et al., “Model Predictive Contouring Control for Time-Optimal Quadrotor Flight” (UZH RPG, 2021). https://rpg.ifi.uzh.ch/docs/Arxiv21_MPCC_Romero.pdf ↩

2. “Dual-mode synchronization predictive control for robotic manipulator” (arXiv, 2021). https://arxiv.org/pdf/2110.14195 ↩

3. “Retrofitted outdoor cleaning robot: MPCC path tracking” (Int. J. Automation Technology, 2025). https://www.jstage.jst.go.jp/article/ijat/19/6/19_1086/_pdf ↩

4. Kabzan et al., “Learning-Based Model Predictive Control for Autonomous Racing” (ETH Research Collection, 2019). https://www.research-collection.ethz.ch/bitstreams/7d0faa11-1667-481c-a497-ca7ef4611521/download ↩

5. “Deflection compensation and path planning for cooperative robotic milling” (ScienceDirect, 2025). https://www.sciencedirect.com/science/article/pii/S2666964125000097 ↩

6. Ostafew et al., “Learning-Based Nonlinear MPC to Improve Vision-Based Mobile Robot Path Tracking” (ICRA, 2014). https://asrl.utias.utoronto.ca/wp-content/papercite-data/pdf/ostafew_icra14.pdf ↩

7. “AMZ Driverless: The Full Autonomous Racing System” (arXiv, 2019). https://arxiv.org/pdf/1905.05150.pdf ↩

8. Kang et al., “Design of a real-time three-axis controller for contour error reduction based on model predictive control” (Proceedings of the Institution of Mechanical Engineers, Part C, 2022). https://journals.sagepub.com/doi/10.1177/09544062221088414. Grundlegende Hardwarevalidierung: Lam & Manzie, “Model predictive contouring control” (IFAC, 2010); Erkorkmaz et al., “Discrete-time model predictive contouring control for biaxial feed drive systems and experimental verification” (Computers in Industry, 2011). https://www.sciencedirect.com/science/article/abs/pii/S0957415810002114 ↩

📅 Bei Calendly buchen