Współprojektowanie Estymacji Stanu i MPC — Uruchamianie Sterowania Predykcyjnego na Rzeczywistych Systemach

Dlaczego To Ma Znaczenie (Streszczenie)

• MPC które “działa w symulacji, ale nie na rzeczywistym systemie” prawie zawsze zawodzi z powodu problemów z estymacją — opóźnienia, dryft, szum lub niewystarczająca częstotliwość aktualizacji w estymatorze stanu.
• Współprojektowanie estymatora i regulatora — z jawnymi budżetami opóźnienia, strategiami fuzji i logiką awaryjną — to co umożliwia wdrożenie MPC na fizycznym sprzęcie.
• Implementacje referencyjne demonstrują: łączne NMPC + MHE przy 1 ms całkowitego czasu obliczeniowego na żurawiach pomostowych, pasmo serwo zwiększone z 147 Hz do 208 Hz przez jawny MPC + obserwator, oraz bezmodelowe przyrostowe MPC używające estymacji opóźnienia czasowego, które całkowicie unika jawnej identyfikacji obiektu.
• Ten wzorzec ma zastosowanie do każdego systemu, gdzie regulator potrzebuje stanów, które nie są bezpośrednio mierzone: intralogistyka, precyzyjny ruch, robotyka i sterowanie procesem.

Wzorzec Projektowy — Wyjaśnienie

Estymacja stanu i MPC nie są niezależnymi modułami. Estymator musi produkować estymaty stanu z prędkością, opóźnieniem i dokładnością, których wymaga regulator. Gdy czujniki wizyjne wprowadzają 50 ms opóźnienia, regulator musi albo prognozować do przodu albo ekstrapolować — i ta predykcja musi być współprojektowana z horyzontem MPC.

Trzy główne podejścia estymacyjne pojawiają się w implementacjach referencyjnych:

1. Estymacja ruchomego horyzontu (MHE): estymator oparty na optymalizacji, który — podobnie jak MPC — rozwiązuje problem z ograniczeniami w każdym kroku. MHE naturalnie obsługuje ograniczenia stanów (np. “ta temperatura nie może być ujemna”) i zapewnia spójność z sformułowaniem NMPC.
2. Rozszerzone obserwatory stanu: rozszerzają model obiektu o stany zakłóceń, umożliwiając sterowanie bez przesunięcia statycznego bez akcji całkującej w funkcji kosztu MPC. Jest to szczególnie skuteczne dla układów serwo z trwałymi zakłóceniami obciążenia.
3. Fuzja sensorów (EKF, filtry komplementarne): łączą komplementarne czujniki — odometria wizualno-inercyjna z czujnikami proprioceptywnymi, lub czujniki pozycji z pomiarami prądu — w celu produkcji estymacji o małym opóźnieniu i wysokiej częstotliwości dopasowanych do taktowania regulatora.

Kluczową zasadą inżynierską jest to, że opóźnienie jest parametrem projektowym, a nie kwestią drugorzędną. Każda milisekunda opóźnienia estymacji albo redukuje pasmo sterowania, albo musi być jawnie kompensowana.

Liniowy MPC vs. NMPC we współprojektowaniu estymacja-sterowanie: Podejście estymacyjne i typ regulatora są ściśle sprzężone. Liniowy MPC + rozszerzony obserwator stanu (Zastosowanie 2, serwonapęd silnika liniowego) to najprostszy przypadek: liniowy model obiektu umożliwia jawny MPC (offline QP → tablica odnośników), a DCESO szacuje zakłócenia z liniowego obserwatora. Cały rurociąg jest wypukły i deterministyczny, umożliwiając 208 Hz pasmo na sprzęcie wbudowanym. Przyrostowy bezmodelowy MPC (Zastosowanie 3, manipulator robot) używa estymacji opóźnienia czasowego do konstruowania niejawnego liniowego modelu przyrostowego online — optymalizacja pozostaje wypukłym QP, całkowicie unikając identyfikacji systemu. Nieliniowy MPC (NMPC) + Estymacja Ruchomego Horyzontu (MHE) (Zastosowanie 1, żuraw pomostowy) sprzęga dwa nieliniowe problemy optymalizacyjne — zarówno estymator, jak i regulator rozwiązują NLP w każdym kroku. Automatyczne generowanie kodu (ACADO) utrzymuje łączny czas rozwiązywania na poziomie około 1 ms, ale wymaga starannej inicjalizacji i ciepłego startowania, czego nie potrzeba w przypadku liniowym. Zastosowania 4–6 (lokomocja Solo12, percepcyjna lokomocja ANYmal, lewitacja magnetyczna) wszystkie używają NMPC z nieliniową estymacją stanu, odzwierciedlając systemy, gdzie dynamika jest rzeczywiście niewypukła: przełączanie trybu kontaktu, kodowanie geometrii terenu jako zbiory ograniczeń lub niestabilność w pętli otwartej z nieliniowymi zależnościami siła-szczelina. Wybór między liniowym a nieliniowym współprojektowaniem jest zatem determinowany przez to, czy dynamika obiektu jest linearyzowalna wokół zakresu operacyjnego — jeśli tak, liniowy stos oferuje prostsze wdrożenie, gwarantowaną globalną optymalność i wykonalność wbudowaną; jeśli nie, NMPC+MHE zapewnia niezbędną ekspresywność przy znacznie wyższym koszcie obliczeniowym i uruchomieniowym.

Zastosowania i Implementacje Referencyjne

Łączne NMPC + MHE dla Żurawia Pomostowego — Intralogistyka

Nieliniowy MPC został sparowany z Nieliniową Estymacją Ruchomego Horyzontu w systemie żurawia pomostowego, używając automatycznego generowania kodu w celu osiągnięcia łącznego średniego czasu wykonania około 1,02 ms (szczyt 1,17 ms) przy 10 ms czasie próbkowania. System zwalidował ruch punkt-do-punktu, odrzucanie zakłóceń i śledzenie serwo w eksperymentach sprzętowych. Demonstruje to, że estymacja i sterowanie oparte na optymalizacji mogą działać razem w czasie rzeczywistym na standardowym sprzęcie obliczeniowym, z komfortowym marginesem poniżej okresu próbkowania. Podejście automatycznego generowania kodu (zestaw narzędzi ACADO) jest bezpośrednio transferowalne do przemysłowych zastosowań żurawi i bramownic. ¹

Jawny MPC + Rozszerzony Obserwator Stanu dla Serwonapędu Silnika Liniowego — Precyzyjny Ruch

Architektura sterowania o dwóch stopniach swobody łącząca Jawny MPC z Różnicowo-Kompensowanym Rozszerzonym Obserwatorem Stanu (DCESO) została zastosowana do pozycjonującego serwonapędu silnika liniowego. Jawny MPC eliminuje optymalizację online przez wstępne obliczenie prawa sterowania jako funkcji kawałkami-afinicznej stanu. Pasmo pętli pozycji wzrosło z 147 Hz do 208 Hz (poprawa o 41%), a czas ustalania odpowiedzi skokowej spadł z 5,38 ms do 3,13 ms (kryterium 5%). Rozszerzony obserwator stanu szacuje siły zakłóceń w czasie rzeczywistym, umożliwiając śledzenie bez przesunięcia statycznego bez akcji całkującej w sformułowaniu MPC. ²

Przyrostowy MPC z Estymacją Opóźnienia Czasowego — Manipulator Robotyczny

Przyrostowa metoda MPC została zwalidowana na rzeczywistym manipulatorze robota 3-DOF, używając estymacji opóźnienia czasowego do konstruowania modelu przyrostowego unikającego jawnej identyfikacji obiektu. Jest to istotne, ponieważ tradycyjny MPC wymaga dokładnego modelu dynamicznego, którego uzyskanie może być kosztowne i kruche gdy dynamika się zmienia (wymiany narzędzi, zużycie, zmiana ładunku). Regulator działa na standardowym PC i został zademonstrowany z silnikami Maxon i enkoderami przyrostowymi. Podejście traktuje niemodellowaną dynamikę jako zakłócenia szacowane z opóźnionych pomiarów, czyniąc je odpornym na niedopasowanie modelu bez konieczności ponownej identyfikacji systemu. ³

Fuzja VIO + Odometria Nóg dla Lokomocji NMPC — Robotyka Czworonożna (Solo12)

Odometria Wizualno-Inercyjna (VIO) została sfuzjowana z odometrią nóg w celu wsparcia lokomocji opartej na NMPC na robocie czworonożnym Solo12, w tym eksperymenty na zewnątrz. Rurociąg estymacji działa z EKF przy 200 Hz zasilającym MPC przy 20 Hz, ze sterowaniem niskiego poziomu przy 1 kHz. Ani samo VIO (które cierpi na opóźnienie i dropout), ani sama odometria nóg (która dryfuje) nie zapewnia wystarczającej jakości stanu dla dynamicznej lokomocji. Podejście fuzji adresuje komplementarne tryby awarii: wizja zapewnia absolutną korekcję dryfu, podczas gdy propriocepcja zapewnia estymaty prędkości o wysokiej częstotliwości i małym opóźnieniu. ⁴

Percepcyjna Lokomocja NMPC z Estymacją Terenu — ANYmal (ETH Zurich)

Rurociąg percepcja-planowanie-sterowanie skoncentrowany na nieliniowym MPC przy 100 Hz został zwalidowany na robocie czworonożnym ANYmal. Teren jest kodowany jako wypukłe ograniczenia punktów podparcia plus pole odległości ze znakiem dla unikania kolizji, z percepcją działającą przy 20 Hz i sterowaniem momentem całego ciała przy 400 Hz. Warstwa estymacji musi dostarczać geometrię terenu i stan robota z częstotliwościami i opóźnieniami odpowiadającymi potrzebom regulatora — wyraźny przykład współprojektowania, gdzie format wyjściowy systemu percepcji (wypukłe zbiory ograniczeń) jest wybrany specjalnie tak, aby być konsumowalne przez solver MPC. ⁵

NMPC dla Lewitacji Magnetycznej z Estymacją Stanu — Demonstracja Laboratoryjna

NMPC w czasie rzeczywistym zostało eksperymentalnie zademonstrowane na szybkim nieliniowym obiekcie lewitacji magnetycznej, porównując z linią bazową PID. System jest otwarto-pętlowo niestabilny, co oznacza, że regulator nie może funkcjonować bez ciągłej estymacji stanu. NMPC zaraportowało lepszą wydajność sterowania niż PID, ilustrując, że dla z natury niestabilnych systemów, współprojektowanie estymacja-sterowanie determinuje czy system może w ogóle działać, a nie jedynie jak dobrze działa. ⁶

Co To Oznacza dla Twoich Operacji

• Jeśli Twój projekt MPC ugrzązł podczas uruchomienia, pierwotna przyczyna jest prawdopodobnie estymacja. Przeprowadź audyt opóźnienia, częstotliwości aktualizacji i charakterystyk szumowych swoich estymacji stanu przed ponownym strojeniem regulatora.
• Budżety opóźnienia są bezwzględnie obowiązkowe: dla MPC przy 100 Hz, estymator musi dostarczać stany w czasie poniżej 5 ms. Dokumentuj i weryfikuj te budżety podczas projektowania.
• Fuzja sensorów nie jest opcjonalna dla systemów mobilnych lub wieloosiowych: żadna pojedyncza modalność sensoryczna nie zapewnia prędkości, dokładności i niezawodności potrzebnej dla dynamicznego sterowania.
• MHE jest niedostatecznie wykorzystywane w przemyśle: jeśli Twój NMPC już rozwiązuje optymalizację w każdym kroku, dodanie MHE używa tej samej infrastruktury solvera i zapewnia estymaty stanu spójne z ograniczeniami.

Jak To Realizujemy (Model Współpracy)

• Faza 0: NDA + zapytanie o dane — charakterystyka dostępnych czujników, częstotliwości pomiarów, opóźnień i bieżącego podejścia estymacyjnego.
• Faza 1: Odkrycie o stałym zakresie — projekt architektury estymacji, analiza budżetu opóźnienia i wykonalność współprojektowania MPC.
• Faza 2: Implementacja + walidacja + uruchomienie — rozwój estymatora, integracja MPC, testowanie Hardware-In-the-Loop i walidacja w terenie.
• Faza 3: Monitoring + szkolenie + skalowanie — pulpity nawigacyjne stanu zdrowia estymacji, logika awaryjna trybu zdegradowanego i rozszerzenie na dodatkowe osie lub jednostki.

Typowe KPI do Śledzenia

• Jakość estymacji: błąd estymacji stanu (RMS), częstotliwość aktualizacji estymatora, opóźnienie end-to-end (czujnik do wejścia regulatora)
• Wydajność sterowania: błąd śledzenia, czas ustalania, pasmo, częstotliwość naruszenia ograniczeń
• Odporność: wydajność podczas utraty sygnału sensorycznego, zachowanie trybu zdegradowanego, czas do odzyskania po resecie estymacji
• Margines obliczeniowy: stosunek czasu solvera do okresu próbkowania (cel: czas szczytowy poniżej 50% okresu próbkowania)

Ryzyka i Wymagania Wstępne

• Charakterystyka sensorów: szum, odchylenie, opóźnienie i tryby awarii każdego czujnika muszą być udokumentowane. Jest to bezwzględnie obowiązkowe dla współprojektowania.
• Budżet obliczeniowy: jednoczesne działanie MHE i NMPC podwaja obciążenie optymalizacyjne. Narzędzia generowania kodu (ACADO, acados, CasADi) są niezbędne do spełnienia wymogów czasu rzeczywistego.
• Logika awaryjna: co się dzieje gdy estymator rozbieżnieje lub czujnik zawiedzie? Działanie w trybie zdegradowanym (np. powrót do obserwatora zredukowanego rzędu) musi być zaprojektowane, a nie improwizowane.
• Kalibracja i inicjalizacja: estymatory potrzebują warunków początkowych. Procedury rozruchu i rutyny kalibracji czujników są częścią dostarczanego produktu.

Często Zadawane Pytania

P: Kiedy powinienem używać MHE zamiast EKF? Używaj MHE gdy masz ograniczenia stanów (np. fizyczne granice temperatur, pozycji lub stężeń), które estymator musi respektować, lub gdy system jest silnie nieliniowy i linearyzacja EKF wprowadza niedopuszczalne błędy. MHE jest bardziej kosztowne obliczeniowo, ale zapewnia estymaty spójne z ograniczeniami.

P: Czy mogę używać estymacji opartej na uczeniu maszynowym z MPC? Tak, ale z ostrożnością. Estymatory oparte na sieciach neuronowych mogą zapewniać szybkie wnioskowanie, ale nie obsługują naturalnie ograniczeń i ich tryby awarii są mniej przewidywalne. Typowym wzorcem jest używanie ML dla percepcji (mapy terenu, wykrywanie obiektów) i estymacji opartej na optymalizacji dla stanów istotnych dla sterowania.

P: Jak bardzo opóźnienie estymacji ma faktycznie znaczenie? Każda milisekunda opóźnienia efektywnie skraca horyzont predykcji MPC o jeden krok. Dla regulatora 100 Hz, 10 ms opóźnienia oznacza, że regulator jest zawsze “jeden krok za” rzeczywistością. Dla niestabilnych systemów (lewitacja magnetyczna, balansowanie), może to stanowić różnicę między stabilną pracą a awarią.

P: Co jeśli nie możemy dodać więcej czujników? Obserwatory stanu i czujniki miękkie często mogą rekonstruować niemierzone stany z dostępnych pomiarów. Kluczowe pytanie to obserwowalność: czy stany, których potrzebujesz, mogą być wywnioskowane z tego co mierzysz? Zaangażowanie w odkrycie o stałym zakresie obejmuje analizę obserwowalności dla Twojego konkretnego systemu.

Zarezerwuj 30-minutową Rozmowę Odkrywczą

Gotowy zbadać, czy ten wzorzec pasuje do Twojego systemu?

Dr. Rafał Noga — Niezależny Konsultant APC/MPC

📧 Napisz do mnie · 🌐 noga.es

Odkrycie o stałym zakresie · Najpierw NDA · Dostępny na miejscu w krajach DACH

Referencje Publiczne

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 ↩

📅 Zarezerwuj na Calendly