之前的mpc方法说的都没错，但是执行起来看着就很复杂。 实际上，这种复杂来自于对非独立变量的省略（MPC问题中，独立变量只有控制输入），但是如果允许非独立变量的存在，设计过程将会被非常简明。

目前听到最多的一个争议是mpc可不可以用在实际的工业控制上。 在刚开始学的时候，听到很多朋友都和我说是不能的，但是随着我对MPC的深入学习，以及之前工作的经历，可以明确给出一个答案， 现在MPC是可以用在实际的工业控制，但是确实存在诸多问题！

都是自由开源软件mpc的分支，除了界面不同、mpc-be不支持流媒体，功能和占用大同小异。 mpc是从winXP时代过来的古老windows软件了，主要靠解码和渲染滤镜一直更新维持生命力。2023年我更推荐使用mpv player。

提问者既然问电机控制里，现阶段，MPC还有什么可以做的，那就局限点讲… 1. 不同工况下的权重系数的选择，丹麦奥尔堡那边前阵子发了篇用神经网络选取最优权重的文章(可以学着水). 2. Data driven MPC，数据可以作为MPC模型或者模型中参数的一个补充(可以试着水). 3.

显然，MPC的目标和Model based RL并不冲突，也就是technically speaking，MPC是RL的一个子问题而已。 ML的人厉害的地方在于，他们把他们搞的东西内涵定义的如此之广，其他领域的东西，也是他们的东西，其他领域有了进步，也能增加他们的荣光。

写在前面 其实开始看Robust MPC的初衷是想看下，针对没有准确模型的系统，我们如何应用MPC方法来达到我的控制目的。 看到现在了解的不确定性仍然停留在不确定的噪声上，但是不急思想总是相通的。

知乎，中文互联网高质量的问答社区和创作者聚集的原创内容平台，于 2011 年 1 月正式上线，以「让人们更好的分享知识、经验和见解，找到自己的解答」为品牌使命。知乎凭借认真、专业、友善的社区氛围、独特的产品机制以及结构化和易获得的优质内容，聚集了中文互联网科技、商业、 …

模型预测控制（MPC）的强健版本可以在存在有界扰动的情形下，仍确保符合状态的限制条件。有三种主要的强健模型预测控制作法： Min-max模型预测控制。在此作法下，会考虑扰动的所有可能演变来进行最佳化。

mpc的理论研究目前已经比较成熟了，对于我个人来说，很难在其中找到创新点了，所以我也就比较专注于mpc在新兴工业系统中的应用。 在我做项目的过程中，我觉得MPC的关键点在于建模和优化。

MPPI的提出主要是解决求解MPC无法实时的问题，通过空间换时间，通过重要性采样（Importance Sampling）得到期望解。 上一篇文章有知友已经看出来这个算法的问题了：当采样出来的轨迹所得的损失全部都很高，MPPI是没办法收敛到一个比较好的轨迹的。