Codiseño de Estimación de Estado + MPC — Haciendo que el Control Predictivo Funcione en Sistemas Reales

Por Qué Esto Importa (Resumen Ejecutivo)

• El MPC que “funciona en simulación pero no en el sistema real” casi siempre falla debido a problemas de estimación — latencia, deriva, ruido o tasa de actualización insuficiente en la estimación del estado.
• El codiseño del estimador y el controlador — con presupuestos de latencia explícitos, estrategias de fusión y lógica de reserva — es lo que hace que el MPC sea desplegable en hardware físico.
• Las implementaciones de referencia demuestran: NMPC + MHE combinados con 1 ms de cómputo total en grúas aéreas, ancho de banda del servo aumentado de 147 Hz a 208 Hz mediante MPC explícito + observador, y MPC incremental sin modelo que utiliza la estimación de retardo de tiempo para evitar por completo la identificación explícita de la planta.
• Este patrón aplica a cualquier sistema donde el controlador necesita estados que no se miden directamente: intralogística, movimiento de precisión, robótica y control de procesos.

El Patrón de Diseño Explicado

La estimación de estado y el MPC no son módulos independientes. El estimador debe producir estimaciones del estado a la tasa, latencia y precisión que requiere el controlador. Cuando el sensado basado en visión introduce 50 ms de latencia, el controlador debe predecir hacia adelante o extrapolar — y esta predicción debe codiseñarse con el horizonte MPC.

Tres enfoques de estimación principales aparecen en las implementaciones de referencia:

1. Estimación de Horizonte Móvil (MHE): un estimador basado en optimización que, como el MPC, resuelve un problema con restricciones en cada paso. La MHE maneja naturalmente las restricciones sobre los estados (por ejemplo, “esta temperatura no puede ser negativa”) y proporciona consistencia con la formulación NMPC.
2. Observadores de estado extendido: aumentan el modelo de planta con estados de perturbación, habilitando el control sin desviación sin acción integral en la función de costo del MPC. Esto es particularmente efectivo para los sistemas servo con perturbaciones de carga persistentes.
3. Fusión de sensores (EKF, filtros complementarios): combinan sensores complementarios — odometría visual-inercial con sensores propioceptivos, o sensores de posición con medidas de corriente — para producir estimaciones de baja latencia y alta tasa que coinciden con la temporización del controlador.

El principio clave de ingeniería es que la latencia es un parámetro de diseño, no una idea de última hora. Cada milisegundo de retardo de estimación reduce el ancho de banda del control o debe compensarse explícitamente.

MPC Lineal frente a NMPC en el codiseño de estimación-control: El enfoque de estimación y el tipo de controlador están estrechamente acoplados. El MPC Lineal + observador de estado extendido (Aplicación 2, servo de motor lineal) es el caso más simple: un modelo de planta lineal permite el MPC explícito (QP fuera de línea → tabla de búsqueda), y el DCESO estima las fuerzas de perturbación desde un observador lineal. Toda la canalización es convexa y determinista, habilitando un ancho de banda de 208 Hz en hardware integrado. El MPC incremental sin modelo (Aplicación 3, manipulador de robot) utiliza la estimación de retardo de tiempo para construir un modelo lineal incremental implícito en línea — la optimización sigue siendo un QP convexo, evitando la identificación del sistema por completo. El MPC No Lineal (NMPC) + Estimación de Horizonte Móvil (MHE) (Aplicación 1, grúa aérea) acopla dos problemas de optimización no lineales — tanto el estimador como el controlador resuelven NLPs en cada paso. La generación automática de código (ACADO) mantiene el tiempo de solución combinado a aproximadamente 1 ms, pero esto requiere una inicialización cuidadosa y un inicio cálido que no son necesarios en el caso lineal. Las Aplicaciones 4-6 (locomoción Solo12, locomoción perceptiva ANYmal, levitación magnética) todas utilizan NMPC con estimación de estado no lineal, reflejando sistemas donde la dinámica es genuinamente no convexa: conmutación del modo de contacto, codificación de la geometría del terreno como conjuntos de restricciones, o inestabilidad de lazo abierto con relaciones fuerza-distancia no lineales.

Aplicaciones e Implementaciones de Referencia

NMPC + MHE Combinados para Grúa Aérea — Intralogística

El MPC no lineal se combinó con la Estimación de Horizonte Móvil No Lineal en un sistema de grúa aérea, utilizando la generación automática de código para lograr un tiempo de ejecución promedio combinado de aproximadamente 1,02 ms (máximo 1,17 ms) frente a un tiempo de muestreo de 10 ms. El sistema validó el movimiento de punto a punto, el rechazo de perturbaciones y el seguimiento servo en experimentos de hardware. Esto demuestra que la estimación y el control basados en optimización pueden ejecutarse juntos en tiempo real en hardware informático estándar, con un margen cómodo por debajo del período de muestreo. El enfoque de generación automática de código (toolkit ACADO) es directamente transferible a las aplicaciones industriales de grúas y pórticos. ¹

MPC Explícito + Observador de Estado Extendido para Servo de Motor Lineal — Movimiento de Precisión

Se aplicó una arquitectura de control de dos grados de libertad que combina MPC Explícito con un Observador de Estado Extendido con Compensación Diferencial (DCESO) a un servo de posicionamiento de motor lineal. El MPC explícito elimina la optimización en línea precomputando la ley de control como una función afín por tramos del estado. El ancho de banda del bucle de posición aumentó de 147 Hz a 208 Hz (una mejora del 41%), y el tiempo de establecimiento de la respuesta al escalón cayó de 5,38 ms a 3,13 ms (criterio del 5%). El observador de estado extendido estima las fuerzas de perturbación en tiempo real, habilitando el seguimiento sin desviación sin acción integral en la formulación del MPC. ²

MPC Incremental con Estimación de Retardo de Tiempo — Manipulador Robótico

Se validó un método MPC incremental en un manipulador de robot real de 3 GdL, utilizando la estimación de retardo de tiempo para construir un modelo incremental que evita la identificación explícita de la planta por completo. Esto es significativo porque el MPC tradicional requiere un modelo dinámico preciso, que puede ser costoso de obtener y frágil cuando la dinámica cambia (cambios de herramienta, desgaste, variación de carga útil). El controlador se ejecuta en un PC estándar y fue demostrado con motores Maxon y encoders incrementales. El enfoque trata la dinámica no modelada como perturbaciones estimadas a partir de medidas retardadas, haciéndolo robusto al desajuste del modelo sin requerir la re-identificación del sistema. ³

Fusión VIO + Odometría de Patas para Locomoción NMPC — Robótica de Cuadrúpedos (Solo12)

Se fusionó la Odometría Visual-Inercial (VIO) con la odometría de patas para apoyar la locomoción basada en NMPC en el robot cuadrúpedo Solo12, incluyendo experimentos en exteriores. La canalización de estimación ejecuta un EKF a 200 Hz alimentando un MPC a 20 Hz, con control de bajo nivel a 1 kHz. Ni el VIO solo (que sufre de latencia y caídas) ni la odometría de patas sola (que deriva) proporciona suficiente calidad de estado para la locomoción dinámica. El enfoque de fusión aborda los modos de fallo complementarios: la visión proporciona corrección de deriva absoluta mientras la propiocepción proporciona estimaciones de velocidad de alta tasa y baja latencia. ⁴

Locomoción Perceptiva NMPC con Estimación del Terreno — ANYmal (ETH Zurich)

Se validó una canalización de percepción-planificación-control centrada en NMPC no lineal a 100 Hz en el robot cuadrúpedo ANYmal. El terreno se codifica como restricciones convexas de colocación de pies más un campo de distancia con signo para la evasión de colisiones, con percepción a 20 Hz y control de par de cuerpo completo a 400 Hz. La capa de estimación debe proporcionar la geometría del terreno y el estado del robot a tasas y latencias que coincidan con las necesidades del controlador — un claro ejemplo de codiseño donde el formato de salida del sistema de percepción (conjuntos de restricciones convexas) se elige específicamente para ser consumible por el solver MPC. ⁵

NMPC para Levitación Magnética con Estimación de Estado — Demostración de Laboratorio

Se demostró experimentalmente NMPC en tiempo real en una planta de levitación magnética no lineal rápida, comparado contra una referencia PID. El sistema es inestable en lazo abierto, lo que significa que el controlador no puede funcionar sin una estimación de estado continua. El NMPC reportó un mejor rendimiento de control que el PID, ilustrando que para los sistemas inherentemente inestables, el codiseño de estimación-control determina si el sistema puede operar en absoluto, no solo qué tan bien se desempeña. ⁶

Qué Significa Esto para Sus Operaciones

• Si su proyecto MPC se detuvo durante la puesta en marcha, la causa raíz probablemente sea la estimación. Audite la latencia, la tasa de actualización y las características de ruido de sus estimaciones de estado antes de resintonizar el controlador.
• Los presupuestos de latencia no son negociables: para un MPC de 100 Hz, el estimador debe entregar estados en menos de 5 ms. Documente y verifique estos presupuestos durante el diseño.
• La fusión de sensores no es opcional para sistemas móviles o multi-eje: ninguna modalidad de sensor única proporciona la tasa, precisión y robustez necesarias para el control dinámico.
• La MHE está infrautilizada en la industria: si su NMPC ya resuelve una optimización en cada paso, añadir MHE utiliza la misma infraestructura del solver y proporciona estimaciones de estado consistentes con las restricciones.

Cómo Entregamos Esto (Modelo de Compromiso)

• Fase 0: NDA + solicitud de datos — caracterizar los sensores disponibles, las tasas de medición, las latencias y el enfoque de estimación actual.
• Fase 1: Descubrimiento de alcance fijo — diseño de la arquitectura de estimación, análisis del presupuesto de latencia y viabilidad del codiseño MPC.
• Fase 2: Implementación + validación + puesta en marcha — desarrollo del estimador, integración del MPC, pruebas Hardware-En-El-Bucle y validación en campo.
• Fase 3: Monitoreo + capacitación + escalado — paneles de salud de la estimación, lógica de reserva en modo degradado y expansión a ejes o unidades adicionales.

KPIs Típicos a Seguir

• Calidad de la estimación: error de estimación del estado (RMS), tasa de actualización del estimador, latencia de extremo a extremo (sensor a entrada del controlador)
• Rendimiento del control: error de seguimiento, tiempo de establecimiento, ancho de banda, tasa de violación de restricciones
• Robustez: rendimiento bajo pérdida del sensor, comportamiento en modo degradado, tiempo de recuperación tras el restablecimiento de la estimación
• Margen de cómputo: relación tiempo del solver / período de muestreo (objetivo: tiempo de solución máximo por debajo del 50% del período de muestreo)

Riesgos y Requisitos Previos

• Caracterización del sensor: los modos de fallo, el ruido, el sesgo y la latencia de cada sensor deben estar documentados. Esto no es negociable para el codiseño.
• Presupuesto de cómputo: ejecutar tanto la MHE como el NMPC duplica la carga de trabajo de optimización. Las herramientas de generación de código (ACADO, acados, CasADi) son esenciales para cumplir las restricciones en tiempo real.
• Lógica de reserva: ¿qué sucede cuando el estimador diverge o falla un sensor? La operación en modo degradado (por ejemplo, retroceder a un observador de orden reducido) debe diseñarse, no improvisarse.
• Calibración e inicialización: los estimadores necesitan condiciones iniciales. Los procedimientos de arranque y las rutinas de calibración de sensores son parte del entregable.

Preguntas Frecuentes

P: ¿Cuándo debo usar MHE en lugar de un EKF? Use MHE cuando tenga restricciones de estado (por ejemplo, límites físicos sobre temperaturas, posiciones o concentraciones) que el estimador debe respetar, o cuando el sistema es altamente no lineal y la linealización del EKF introduce errores inaceptables. La MHE es más costosa computacionalmente pero proporciona estimaciones consistentes con las restricciones.

P: ¿Puedo usar estimación basada en aprendizaje automático con MPC? Sí, pero con cuidado. Los estimadores basados en redes neuronales pueden proporcionar una inferencia rápida, pero no gestionan naturalmente las restricciones y sus modos de fallo son menos predecibles. Un patrón común es usar ML para la percepción (mapas del terreno, detección de objetos) y la estimación basada en optimización para los estados relevantes para el control.

P: ¿Cuánto importa realmente la latencia de estimación? Cada milisegundo de latencia acorta efectivamente su horizonte de predicción MPC en un paso. Para un controlador de 100 Hz, 10 ms de latencia significa que el controlador siempre está “un paso por detrás” de la realidad. Para los sistemas inestables (levitación magnética, equilibrio), esto puede ser la diferencia entre una operación estable y un fallo.

P: ¿Qué pasa si no podemos añadir más sensores? Los observadores de estado y los sensores suaves pueden a menudo reconstruir los estados no medidos a partir de las mediciones disponibles. La pregunta clave es la observabilidad: ¿pueden inferirse los estados que necesita a partir de lo que mide? Un compromiso de descubrimiento de alcance fijo incluye un análisis de observabilidad para su sistema específico.

Reserve una Llamada de Descubrimiento de 30 Minutos

¿Listo para explorar si este patrón se adapta a su sistema?

Dr. Rafal Noga — Consultor Independiente de APC/MPC

📧 Envíeme un correo · 🌐 noga.es

Descubrimiento de alcance fijo · NDA primero · Disponible en sitio en DACH

Referencias Públicas

Footnotes

1. Debrouwere et al., “Combined NMPC + NMHE for overhead crane control” (KU Leuven / University of Freiburg, 2014). PDF ↩

2. “Explicit MPC + ESO servo algorithm for linear motor positioning” (MDPI Actuators, 2025). Link ↩

3. Wang et al., “Incremental Model Predictive Control Exploiting Time-Delay Estimation for a Robot Manipulator” (IEEE Transactions on Control Systems Technology, 2022). IEEE Xplore | DLR eLib ↩

4. Dhédin et al., “Visual-Inertial and Leg Odometry Fusion for Dynamic Locomotion” (ICRA 2023, arXiv:2210.02127). PDF ↩

5. “Perceptive Locomotion through Nonlinear Model Predictive Control” (arXiv, 2022). PDF ↩

6. Novotny, “Magnetic levitation: real-time NMPC demonstrated experimentally vs PID baseline” (Springer, 2025). Link ↩

📅 Reservar en Calendly