简介这份资源围绕Koopman算子与模型预测控制MPC的结合展开面向具备一定控制理论基础、希望深入非线性系统控制的研究生、工程师及科研人员。其核心思路是在高维提升空间中借助Koopman算子的线性特性来刻画并控制非线性动态系统同时引入积分作用以消除稳态误差从而提升控制器性能。压缩包共94个文件约711KB以77个xml工程配置、8张png结果图、2个slx仿真模型、2个m脚本及mat数据文件为主另含md说明与prj工程文件结构完整便于直接运行与二次开发。资源内含理论推导、MATLAB代码片段与实际部署考量并借助Model Predictive Control Toolbox提供的多级非线性MPC控制器模块可较便捷地将控制器迁移至Simulink环境。目前已有230人学习适合希望掌握Koopman-MPC实现路径、对照仿真结果排查问题的读者参考。1. 从非线性 MPC 的算力困局说起Koopman 算子能解决什么如果你调过非线性模型预测控制Nonlinear Model Predictive Control大概率经历过这种局面被控对象刚建好一个还算准的非线性模型控制器一跑求解时间直接飙到几十毫秒甚至上百毫秒采样周期稍微压一压就实时不了。更难受的是非凸优化本身没有全局最优保证初值给偏一点求解器要么慢要么直接失败。非线性 MPC 的痛点从来不是「控制理论不够漂亮」而是「在线滚动优化太贵」。Koopman 算子提供了一条绕开这个困局的路径它不去在线求解非线性优化而是先把非线性系统通过一组可观测函数observables提升到一个高维空间在这个空间里系统演化近似是线性的。一旦拿到这个线性表示滚动优化就退化成二次规划QP求解速度和凸性都有了保障。这就是基于 Koopman 算子的非线性模型预测控制Nonlinear Model Predictive Control Using Koopman Operator的核心思路。这套方案适合谁适合那些被控对象非线性明显、但算力有限、采样率要求又不低的场景比如无人机姿态、机械臂关节、化工过程、车辆动力学。它不适合对模型精度要求极端苛刻、或者非线性强到线性提升根本兜不住的场合。下面我把从数据到控制器的完整链路拆开讲包括参数怎么设、坑在哪。2. Koopman 算子的数学底座与数据驱动近似2.1 为什么提升到高维就能线性化Koopman 算子的出发点是任何一个非线性动态系统都存在一个无穷维的线性算子作用在可观测函数空间上。设离散系统为 $x_{k1} f(x_k)$Koopman 算子 $\mathcal{K}$ 定义为 $(\mathcal{K}g)(x_k) g(f(x_k)) g(x_{k1})$其中 $g$ 是任意可观测函数。关键在于$\mathcal{K}$ 对 $g$ 是线性的哪怕 $f$ 本身非线性。实际落地时不可能用无穷维所以做有限维近似选一组可观测函数 $\phi(x) [\phi_1(x), \dots, \phi_N(x)]^T$假设存在矩阵 $K$ 使得 $\phi(x_{k1}) \approx K \phi(x_k)$。这个 $K$ 就是有限维 Koopman 矩阵。控制输入怎么进来常见做法是把状态和控制一起提升或者用扩展形式 $\phi(x_{k1}) \approx K \phi(x_k) B u_k$后者在 MPC 里更顺手。选型理由很直接一旦有了 $(K, B)$预测方程就是线性的MPC 的滚动优化变成标准 QP。代价是维度 $N$ 通常远大于原始状态维数而且 $K$ 的精度依赖数据质量和可观测函数的选择。2.2 用 EDMD 从轨迹数据里估出 K 和 B估 Koopman 矩阵最常用的方法是扩展动态模式分解EDMD。给定一批轨迹数据构造提升后的数据矩阵然后解最小二乘。下面是一段可直接跑的最小实现。import numpy as np def lift(x, u): # 可观测函数原始状态 二次项 控制输入 # x: (n,), u: (m,) phi np.concatenate([ x, x**2, np.array([x[0]*x[1]]) if len(x) 2 else np.array([]), u ]) return phi def build_edmd_matrices(X, U, Xnext): # X: (T, n), U: (T, m), Xnext: (T, n) T X.shape[0] Phi np.array([lift(X[i], U[i]) for i in range(T)]) Phi_next np.array([lift(Xnext[i], U[i]) for i in range(T)]) # 最小二乘: Phi_next ≈ Phi K_aug^T K_aug, _, _, _ np.linalg.lstsq(Phi, Phi_next, rcondNone) return K_aug.T # 形状 (N, N) # 示例采集 2000 步数据 # X, U, Xnext 由仿真或实验得到 # K_aug build_edmd_matrices(X, U, Xnext)逻辑说明lift把原始状态映射到高维可观测空间这里用了状态本身、平方项、一个交叉项和控制输入。build_edmd_matrices把所有时刻的提升向量堆成矩阵用最小二乘求从当前提升到下一时刻提升的线性映射。返回的K_aug就是增广后的 Koopman 矩阵它同时包含了状态演化和控制输入的影响。参数说明可观测函数的项数和形式是第一个要调的参数。项太少线性近似误差大项太多数据需求量和计算量都上去还容易过拟合。我一般从状态维数的 3 到 5 倍开始试。rcond控制最小二乘的截断数据噪声大时适当放大。数据量方面经验是至少覆盖状态空间里你关心的区域每个维度上采样点不少于 50 个否则 $K$ 在没见过的区域会飘。2.3 从 K 里拆出预测用的 A 和 B上面得到的K_aug是作用在整个提升向量上的但 MPC 预测时通常希望写成 $\phi_{k1} A \phi_k B u_k$ 的形式把控制单独拎出来。如果lift里控制输入是直接拼在末尾的可以按块拆分。def split_AB(K_aug, n_phi, m): # K_aug: (n_phi m, n_phi m) # 假设提升向量 [phi(x); u] A K_aug[:n_phi, :n_phi] B K_aug[:n_phi, n_phi:n_phim] return A, B # n_phi 是可观测函数不含 u的维数 # A, B split_AB(K_aug, n_phi, m)逻辑说明K_aug的前n_phi行描述了提升状态如何演化其中前n_phi列对应状态自身的贡献即 $A$后m列对应控制输入的贡献即 $B$。这样拆完就能直接塞进线性 MPC 的预测模型。参数说明这里有个容易翻车的点——如果lift里控制输入不是简单拼接而是和状态有交叉项比如 $x \cdot u$那K_aug就不能这么直接拆需要把交叉项也纳入提升向量或者改用其他辨识结构。我一般先用简单拼接效果不够再上交叉项。3. 把 Koopman 模型接进 MPCQP formulation 与约束处理3.1 预测方程与代价函数的线性化写法有了 $A$ 和 $B$预测就是纯线性递推。设预测时域为 $H_p$控制时域为 $H_c$提升状态为 $z_k \phi(x_k)$则$$z_{ki1} A z_{ki} B u_{ki}$$代价函数通常写成对原始状态和控制输入的二次型。但注意我们预测的是提升状态 $z$而代价往往定义在原始状态 $x$ 上。如果 $x$ 是 $z$ 的前几维常见做法那可以直接取 $z$ 的前 $n$ 维作为 $x$ 的估计。代价函数$$J \sum_{i1}^{H_p} (z_{ki|k} - z_{ref})^T Q (z_{ki|k} - z_{ref}) \sum_{i0}^{H_c-1} u_{ki}^T R u_{ki}$$其中 $Q$ 和 $R$ 是权重矩阵。因为 $z$ 的维数比 $x$ 高$Q$ 要相应扩展通常只对前 $n$ 维对应原始状态给权重其余维给零或很小的权重。3.2 用 OSQP 或 quadprog 求解滚动优化把预测方程代入代价函数整理成标准 QP 形式 $\min \frac{1}{2} U^T H U g^T U$然后调求解器。下面用 OSQP 写一个最小可跑的 MPC 步。import numpy as np import osqp import scipy.sparse as sp def mpc_step(A, B, z0, z_ref, Q, R, Hp, Hc, u_min, u_max): nz A.shape[0] m B.shape[1] # 构造预测矩阵简化版假设 HcHp # 这里只给单步示例完整版需堆叠 # 决策变量 U [u0, u1, ..., u_{Hc-1}] # 预测: z_i A^i z0 sum_{j0}^{i-1} A^{i-1-j} B u_j # 代价: sum (z_i - z_ref)^T Q (z_i - z_ref) u_i^T R u_i # 展开成 QP: 0.5 U^T H U g^T U # 约束: u_min U u_max # 以下为 HpHc2 的显式构造便于理解 Hp Hc 2 # 构造 H 和 g略去繁琐推导实际项目用自动微分或符号工具生成 # 这里直接给一个占位重点看求解器调用 H sp.csc_matrix(np.eye(Hc * m) * 0.1) g np.zeros(Hc * m) # 约束 A_con sp.csc_matrix(np.eye(Hc * m)) l np.tile(u_min, Hc) u np.tile(u_max, Hc) prob osqp.OSQP() prob.setup(PH, qg, AA_con, ll, uu, verboseFalse) res prob.solve() return res.x[:m] # 返回第一个控制量逻辑说明这段代码的重点不是完整的矩阵推导那需要几十行而是展示 QP 求解器的调用方式。实际项目里$H$ 和 $g$ 的构造建议用符号工具或自动微分生成手推容易出错。osqp适合稀疏 QPquadprog适合稠密小规模问题。参数说明$H_p$ 和 $H_c$ 是 MPC 最核心的两个参数。$H_p$ 太短控制器短视太长计算量和模型误差累积都上去。我一般取系统主要时间常数的 2 到 3 倍。$H_c$ 通常取 $H_p$ 的 1/3 到 1/2再长对性能提升有限但计算量线性增长。$Q$ 和 $R$ 的比值决定控制 aggressiveness$Q$ 大响应快但容易震荡$R$ 大平稳但迟钝。约束方面控制量约束直接写成 $u_{min} \le U \le u_{max}$状态约束需要写成 $A_{con} U \le b_{con}$ 的形式注意提升状态的约束不等价于原始状态约束这是后面要讲的坑。3.3 提升状态约束与原始状态约束的换算这是 Koopman MPC 里最容易出问题的地方。你在原始状态 $x$ 上有约束比如 $x_{min} \le x \le x_{max}$但优化变量和预测都在提升空间 $z$ 里。如果 $x$ 恰好是 $z$ 的前 $n$ 维那约束可以直接加在前 $n$ 维上。但如果 $x$ 和 $z$ 的关系不是简单截取比如用了非线性可观测函数就需要把原始约束映射到提升空间或者反过来在优化后把 $z$ 映射回 $x$ 再检查。常见做法是如果可观测函数包含原始状态作为子集就直接对那几维加约束否则在 QP 里加软约束或者在求解后做投影。我一般优先选包含原始状态的可观测函数集省掉这层换算。4. 避坑与排查Koopman MPC 落地时最容易翻车的五个点4.1 现象控制器在训练数据范围内表现好一出范围就发散原因Koopman 矩阵是从有限数据估出来的它只在数据覆盖的区域里近似成立。出了这个区域线性模型外推能力极差预测直接跑偏。解决采集数据时就要覆盖 MPC 可能用到的整个状态空间包括约束边界附近。如果做不到加一个在线更新机制用最新数据定期重估 $K$或者加一个误差补偿项。我一般会在调试阶段画一张预测误差随状态位置的分布图误差大的区域就是数据盲区。4.2 现象提升维数一高QP 求解反而变慢原因提升维数 $N$ 增大后$A$ 和 $B$ 的规模上去QP 的决策变量和约束数量都增加。如果 $N$ 到了几百维QP 求解时间可能比原来非线性 MPC 还长。解决控制提升维数别盲目堆可观测函数。先用少量项试不够再加。另外可以用稀疏化方法或者对 $K$ 做降阶。经验是 $N$ 控制在原始状态维数的 5 到 10 倍以内QP 求解时间通常能压在毫秒级。4.3 现象控制量抖得厉害执行器受不了原因Koopman 模型的高频误差被 MPC 放大或者 $R$ 权重太小控制器过于激进。解决增大 $R$或者在代价函数里加控制增量惩罚 $\Delta u^T R_d \Delta u$。另外检查数据采样率如果采样太快噪声会被 Koopman 矩阵学进去适当降采样或滤波。4.4 现象QP 求解器报 infeasible原因约束之间互相冲突或者提升状态约束和原始状态约束不一致。常见于状态约束加得太紧而 Koopman 模型预测的轨迹又必须经过某些区域。解决把硬约束改成软约束加松弛变量并惩罚。或者放宽约束边界先保证可行再逐步收紧。检查约束的数学形式确保没有把提升状态的约束错误地当成原始状态约束。4.5 现象稳态误差消不掉原因Koopman 模型没有积分作用或者参考点处的线性化不准。解决在控制器里加积分项或者把参考点也提升到可观测空间用提升后的参考做跟踪。另一个办法是辨识时把稳态工作点附近的数据加权让 $K$ 在参考点附近更准。5. 进阶技巧用闭环数据迭代提升 Koopman 模型精度5.1 开环辨识的局限与闭环迭代的必要性开环采集的数据分布和闭环运行时的数据分布往往不一样。开环辨识出的 $K$ 在闭环里可能表现打折。一个实用技巧是先用开环数据训一版 $K$跑闭环把闭环轨迹收集起来和开环数据混在一起重新辨识。迭代两三轮$K$ 在闭环工作区域里的精度会明显提升。def iterative_koopman(X_open, U_open, Xnext_open, controller, sim_env, iters3): X, U, Xnext X_open, U_open, Xnext_open for it in range(iters): K_aug build_edmd_matrices(X, U, Xnext) A, B split_AB(K_aug, n_phi, m) # 用当前 K 跑闭环收集新数据 X_cl, U_cl, Xnext_cl run_closed_loop(A, B, controller, sim_env) # 合并数据 X np.vstack([X, X_cl]) U np.vstack([U, U_cl]) Xnext np.vstack([Xnext, Xnext_cl]) return build_edmd_matrices(X, U, Xnext)逻辑说明每轮用当前 Koopman 模型跑闭环把闭环数据并入训练集重新辨识。这样 $K$ 会逐渐适应闭环工作点附近的动态。参数说明迭代次数一般 2 到 3 轮就够再多提升有限且有过拟合风险。闭环数据的量控制在开环数据的 1/3 到 1/2太多会淹没开环覆盖的多样性。5.2 验证 Koopman MPC 是否值得上的三个指标指标含义可接受范围经验单步 QP 求解时间滚动优化一次耗时小于采样周期的 50%闭环跟踪 RMSE与参考轨迹的偏差比非线性 MPC 差不超过 20%约束违反率超出约束的步数占比软约束下小于 1%这三个指标能帮你判断Koopman MPC 是不是真的比原来的非线性 MPC 更划算。如果求解时间没降下来或者跟踪精度差太多那可能提升维数或可观测函数选得不对得回头调。5.3 一个我常犯的错误我早期做 Koopman MPC 时总想把可观测函数堆得特别全觉得项越多模型越准。结果提升维数飙到几百QP 求解比非线性 MPC 还慢而且过拟合严重闭环一跑就抖。后来学乖了先用最简的几项跑通闭环再根据预测误差有针对性地加项。Koopman 算子的优势在于线性化带来的求解效率不是模型越复杂越好。控制器的目标是「够用且快」不是「精确但跑不动」。希望帮到你。本文还有配套的精品资源点击获取 Koopman算子加速非线性MPC：从数据驱动建模到QP求解的工程实践
简介这份资源围绕Koopman算子与模型预测控制MPC的结合展开面向具备一定控制理论基础、希望深入非线性系统控制的研究生、工程师及科研人员。其核心思路是在高维提升空间中借助Koopman算子的线性特性来刻画并控制非线性动态系统同时引入积分作用以消除稳态误差从而提升控制器性能。压缩包共94个文件约711KB以77个xml工程配置、8张png结果图、2个slx仿真模型、2个m脚本及mat数据文件为主另含md说明与prj工程文件结构完整便于直接运行与二次开发。资源内含理论推导、MATLAB代码片段与实际部署考量并借助Model Predictive Control Toolbox提供的多级非线性MPC控制器模块可较便捷地将控制器迁移至Simulink环境。目前已有230人学习适合希望掌握Koopman-MPC实现路径、对照仿真结果排查问题的读者参考。1. 从非线性 MPC 的算力困局说起Koopman 算子能解决什么如果你调过非线性模型预测控制Nonlinear Model Predictive Control大概率经历过这种局面被控对象刚建好一个还算准的非线性模型控制器一跑求解时间直接飙到几十毫秒甚至上百毫秒采样周期稍微压一压就实时不了。更难受的是非凸优化本身没有全局最优保证初值给偏一点求解器要么慢要么直接失败。非线性 MPC 的痛点从来不是「控制理论不够漂亮」而是「在线滚动优化太贵」。Koopman 算子提供了一条绕开这个困局的路径它不去在线求解非线性优化而是先把非线性系统通过一组可观测函数observables提升到一个高维空间在这个空间里系统演化近似是线性的。一旦拿到这个线性表示滚动优化就退化成二次规划QP求解速度和凸性都有了保障。这就是基于 Koopman 算子的非线性模型预测控制Nonlinear Model Predictive Control Using Koopman Operator的核心思路。这套方案适合谁适合那些被控对象非线性明显、但算力有限、采样率要求又不低的场景比如无人机姿态、机械臂关节、化工过程、车辆动力学。它不适合对模型精度要求极端苛刻、或者非线性强到线性提升根本兜不住的场合。下面我把从数据到控制器的完整链路拆开讲包括参数怎么设、坑在哪。2. Koopman 算子的数学底座与数据驱动近似2.1 为什么提升到高维就能线性化Koopman 算子的出发点是任何一个非线性动态系统都存在一个无穷维的线性算子作用在可观测函数空间上。设离散系统为 $x_{k1} f(x_k)$Koopman 算子 $\mathcal{K}$ 定义为 $(\mathcal{K}g)(x_k) g(f(x_k)) g(x_{k1})$其中 $g$ 是任意可观测函数。关键在于$\mathcal{K}$ 对 $g$ 是线性的哪怕 $f$ 本身非线性。实际落地时不可能用无穷维所以做有限维近似选一组可观测函数 $\phi(x) [\phi_1(x), \dots, \phi_N(x)]^T$假设存在矩阵 $K$ 使得 $\phi(x_{k1}) \approx K \phi(x_k)$。这个 $K$ 就是有限维 Koopman 矩阵。控制输入怎么进来常见做法是把状态和控制一起提升或者用扩展形式 $\phi(x_{k1}) \approx K \phi(x_k) B u_k$后者在 MPC 里更顺手。选型理由很直接一旦有了 $(K, B)$预测方程就是线性的MPC 的滚动优化变成标准 QP。代价是维度 $N$ 通常远大于原始状态维数而且 $K$ 的精度依赖数据质量和可观测函数的选择。2.2 用 EDMD 从轨迹数据里估出 K 和 B估 Koopman 矩阵最常用的方法是扩展动态模式分解EDMD。给定一批轨迹数据构造提升后的数据矩阵然后解最小二乘。下面是一段可直接跑的最小实现。import numpy as np def lift(x, u): # 可观测函数原始状态 二次项 控制输入 # x: (n,), u: (m,) phi np.concatenate([ x, x**2, np.array([x[0]*x[1]]) if len(x) 2 else np.array([]), u ]) return phi def build_edmd_matrices(X, U, Xnext): # X: (T, n), U: (T, m), Xnext: (T, n) T X.shape[0] Phi np.array([lift(X[i], U[i]) for i in range(T)]) Phi_next np.array([lift(Xnext[i], U[i]) for i in range(T)]) # 最小二乘: Phi_next ≈ Phi K_aug^T K_aug, _, _, _ np.linalg.lstsq(Phi, Phi_next, rcondNone) return K_aug.T # 形状 (N, N) # 示例采集 2000 步数据 # X, U, Xnext 由仿真或实验得到 # K_aug build_edmd_matrices(X, U, Xnext)逻辑说明lift把原始状态映射到高维可观测空间这里用了状态本身、平方项、一个交叉项和控制输入。build_edmd_matrices把所有时刻的提升向量堆成矩阵用最小二乘求从当前提升到下一时刻提升的线性映射。返回的K_aug就是增广后的 Koopman 矩阵它同时包含了状态演化和控制输入的影响。参数说明可观测函数的项数和形式是第一个要调的参数。项太少线性近似误差大项太多数据需求量和计算量都上去还容易过拟合。我一般从状态维数的 3 到 5 倍开始试。rcond控制最小二乘的截断数据噪声大时适当放大。数据量方面经验是至少覆盖状态空间里你关心的区域每个维度上采样点不少于 50 个否则 $K$ 在没见过的区域会飘。2.3 从 K 里拆出预测用的 A 和 B上面得到的K_aug是作用在整个提升向量上的但 MPC 预测时通常希望写成 $\phi_{k1} A \phi_k B u_k$ 的形式把控制单独拎出来。如果lift里控制输入是直接拼在末尾的可以按块拆分。def split_AB(K_aug, n_phi, m): # K_aug: (n_phi m, n_phi m) # 假设提升向量 [phi(x); u] A K_aug[:n_phi, :n_phi] B K_aug[:n_phi, n_phi:n_phim] return A, B # n_phi 是可观测函数不含 u的维数 # A, B split_AB(K_aug, n_phi, m)逻辑说明K_aug的前n_phi行描述了提升状态如何演化其中前n_phi列对应状态自身的贡献即 $A$后m列对应控制输入的贡献即 $B$。这样拆完就能直接塞进线性 MPC 的预测模型。参数说明这里有个容易翻车的点——如果lift里控制输入不是简单拼接而是和状态有交叉项比如 $x \cdot u$那K_aug就不能这么直接拆需要把交叉项也纳入提升向量或者改用其他辨识结构。我一般先用简单拼接效果不够再上交叉项。3. 把 Koopman 模型接进 MPCQP formulation 与约束处理3.1 预测方程与代价函数的线性化写法有了 $A$ 和 $B$预测就是纯线性递推。设预测时域为 $H_p$控制时域为 $H_c$提升状态为 $z_k \phi(x_k)$则$$z_{ki1} A z_{ki} B u_{ki}$$代价函数通常写成对原始状态和控制输入的二次型。但注意我们预测的是提升状态 $z$而代价往往定义在原始状态 $x$ 上。如果 $x$ 是 $z$ 的前几维常见做法那可以直接取 $z$ 的前 $n$ 维作为 $x$ 的估计。代价函数$$J \sum_{i1}^{H_p} (z_{ki|k} - z_{ref})^T Q (z_{ki|k} - z_{ref}) \sum_{i0}^{H_c-1} u_{ki}^T R u_{ki}$$其中 $Q$ 和 $R$ 是权重矩阵。因为 $z$ 的维数比 $x$ 高$Q$ 要相应扩展通常只对前 $n$ 维对应原始状态给权重其余维给零或很小的权重。3.2 用 OSQP 或 quadprog 求解滚动优化把预测方程代入代价函数整理成标准 QP 形式 $\min \frac{1}{2} U^T H U g^T U$然后调求解器。下面用 OSQP 写一个最小可跑的 MPC 步。import numpy as np import osqp import scipy.sparse as sp def mpc_step(A, B, z0, z_ref, Q, R, Hp, Hc, u_min, u_max): nz A.shape[0] m B.shape[1] # 构造预测矩阵简化版假设 HcHp # 这里只给单步示例完整版需堆叠 # 决策变量 U [u0, u1, ..., u_{Hc-1}] # 预测: z_i A^i z0 sum_{j0}^{i-1} A^{i-1-j} B u_j # 代价: sum (z_i - z_ref)^T Q (z_i - z_ref) u_i^T R u_i # 展开成 QP: 0.5 U^T H U g^T U # 约束: u_min U u_max # 以下为 HpHc2 的显式构造便于理解 Hp Hc 2 # 构造 H 和 g略去繁琐推导实际项目用自动微分或符号工具生成 # 这里直接给一个占位重点看求解器调用 H sp.csc_matrix(np.eye(Hc * m) * 0.1) g np.zeros(Hc * m) # 约束 A_con sp.csc_matrix(np.eye(Hc * m)) l np.tile(u_min, Hc) u np.tile(u_max, Hc) prob osqp.OSQP() prob.setup(PH, qg, AA_con, ll, uu, verboseFalse) res prob.solve() return res.x[:m] # 返回第一个控制量逻辑说明这段代码的重点不是完整的矩阵推导那需要几十行而是展示 QP 求解器的调用方式。实际项目里$H$ 和 $g$ 的构造建议用符号工具或自动微分生成手推容易出错。osqp适合稀疏 QPquadprog适合稠密小规模问题。参数说明$H_p$ 和 $H_c$ 是 MPC 最核心的两个参数。$H_p$ 太短控制器短视太长计算量和模型误差累积都上去。我一般取系统主要时间常数的 2 到 3 倍。$H_c$ 通常取 $H_p$ 的 1/3 到 1/2再长对性能提升有限但计算量线性增长。$Q$ 和 $R$ 的比值决定控制 aggressiveness$Q$ 大响应快但容易震荡$R$ 大平稳但迟钝。约束方面控制量约束直接写成 $u_{min} \le U \le u_{max}$状态约束需要写成 $A_{con} U \le b_{con}$ 的形式注意提升状态的约束不等价于原始状态约束这是后面要讲的坑。3.3 提升状态约束与原始状态约束的换算这是 Koopman MPC 里最容易出问题的地方。你在原始状态 $x$ 上有约束比如 $x_{min} \le x \le x_{max}$但优化变量和预测都在提升空间 $z$ 里。如果 $x$ 恰好是 $z$ 的前 $n$ 维那约束可以直接加在前 $n$ 维上。但如果 $x$ 和 $z$ 的关系不是简单截取比如用了非线性可观测函数就需要把原始约束映射到提升空间或者反过来在优化后把 $z$ 映射回 $x$ 再检查。常见做法是如果可观测函数包含原始状态作为子集就直接对那几维加约束否则在 QP 里加软约束或者在求解后做投影。我一般优先选包含原始状态的可观测函数集省掉这层换算。4. 避坑与排查Koopman MPC 落地时最容易翻车的五个点4.1 现象控制器在训练数据范围内表现好一出范围就发散原因Koopman 矩阵是从有限数据估出来的它只在数据覆盖的区域里近似成立。出了这个区域线性模型外推能力极差预测直接跑偏。解决采集数据时就要覆盖 MPC 可能用到的整个状态空间包括约束边界附近。如果做不到加一个在线更新机制用最新数据定期重估 $K$或者加一个误差补偿项。我一般会在调试阶段画一张预测误差随状态位置的分布图误差大的区域就是数据盲区。4.2 现象提升维数一高QP 求解反而变慢原因提升维数 $N$ 增大后$A$ 和 $B$ 的规模上去QP 的决策变量和约束数量都增加。如果 $N$ 到了几百维QP 求解时间可能比原来非线性 MPC 还长。解决控制提升维数别盲目堆可观测函数。先用少量项试不够再加。另外可以用稀疏化方法或者对 $K$ 做降阶。经验是 $N$ 控制在原始状态维数的 5 到 10 倍以内QP 求解时间通常能压在毫秒级。4.3 现象控制量抖得厉害执行器受不了原因Koopman 模型的高频误差被 MPC 放大或者 $R$ 权重太小控制器过于激进。解决增大 $R$或者在代价函数里加控制增量惩罚 $\Delta u^T R_d \Delta u$。另外检查数据采样率如果采样太快噪声会被 Koopman 矩阵学进去适当降采样或滤波。4.4 现象QP 求解器报 infeasible原因约束之间互相冲突或者提升状态约束和原始状态约束不一致。常见于状态约束加得太紧而 Koopman 模型预测的轨迹又必须经过某些区域。解决把硬约束改成软约束加松弛变量并惩罚。或者放宽约束边界先保证可行再逐步收紧。检查约束的数学形式确保没有把提升状态的约束错误地当成原始状态约束。4.5 现象稳态误差消不掉原因Koopman 模型没有积分作用或者参考点处的线性化不准。解决在控制器里加积分项或者把参考点也提升到可观测空间用提升后的参考做跟踪。另一个办法是辨识时把稳态工作点附近的数据加权让 $K$ 在参考点附近更准。5. 进阶技巧用闭环数据迭代提升 Koopman 模型精度5.1 开环辨识的局限与闭环迭代的必要性开环采集的数据分布和闭环运行时的数据分布往往不一样。开环辨识出的 $K$ 在闭环里可能表现打折。一个实用技巧是先用开环数据训一版 $K$跑闭环把闭环轨迹收集起来和开环数据混在一起重新辨识。迭代两三轮$K$ 在闭环工作区域里的精度会明显提升。def iterative_koopman(X_open, U_open, Xnext_open, controller, sim_env, iters3): X, U, Xnext X_open, U_open, Xnext_open for it in range(iters): K_aug build_edmd_matrices(X, U, Xnext) A, B split_AB(K_aug, n_phi, m) # 用当前 K 跑闭环收集新数据 X_cl, U_cl, Xnext_cl run_closed_loop(A, B, controller, sim_env) # 合并数据 X np.vstack([X, X_cl]) U np.vstack([U, U_cl]) Xnext np.vstack([Xnext, Xnext_cl]) return build_edmd_matrices(X, U, Xnext)逻辑说明每轮用当前 Koopman 模型跑闭环把闭环数据并入训练集重新辨识。这样 $K$ 会逐渐适应闭环工作点附近的动态。参数说明迭代次数一般 2 到 3 轮就够再多提升有限且有过拟合风险。闭环数据的量控制在开环数据的 1/3 到 1/2太多会淹没开环覆盖的多样性。5.2 验证 Koopman MPC 是否值得上的三个指标指标含义可接受范围经验单步 QP 求解时间滚动优化一次耗时小于采样周期的 50%闭环跟踪 RMSE与参考轨迹的偏差比非线性 MPC 差不超过 20%约束违反率超出约束的步数占比软约束下小于 1%这三个指标能帮你判断Koopman MPC 是不是真的比原来的非线性 MPC 更划算。如果求解时间没降下来或者跟踪精度差太多那可能提升维数或可观测函数选得不对得回头调。5.3 一个我常犯的错误我早期做 Koopman MPC 时总想把可观测函数堆得特别全觉得项越多模型越准。结果提升维数飙到几百QP 求解比非线性 MPC 还慢而且过拟合严重闭环一跑就抖。后来学乖了先用最简的几项跑通闭环再根据预测误差有针对性地加项。Koopman 算子的优势在于线性化带来的求解效率不是模型越复杂越好。控制器的目标是「够用且快」不是「精确但跑不动」。希望帮到你。本文还有配套的精品资源点击获取