MPC路径规划实战教程：从核心功能到参数调优

MPC局部路径规划器（mpc_local_planner）是一款基于模型预测控制（MPC）的2D导航栈插件，提供最小时间和二次型滚动时域两种配置模式，适用于各类移动机器人的高精度轨迹跟踪任务。本文将通过功能解析、快速上手和进阶配置三个模块，帮助开发者快速掌握该工具的使用方法与优化技巧。

一、核心功能解析

1.1 项目架构速览 ⚙️

项目采用ROS功能包架构，包含三个核心模块：

• mpc_local_planner：主功能包，实现MPC算法核心逻辑，包含优化控制、机器人动力学模型和状态转换等关键组件
• mpc_local_planner_examples：示例包，提供不同机器人类型（差速驱动/ Ackermann转向）的配置模板和仿真环境
• mpc_local_planner_msgs：消息包，定义OptimalControlResult和StateFeedback等自定义消息类型

核心代码组织在include/mpc_local_planner目录下，其中：

• optimal_control/：实现有限差分法、二次型代价函数等优化算法
• systems/：包含自行车模型、单轮模型等多种机器人动力学模型
• utils/：提供坐标转换、时间序列处理等工具函数

1.2 核心算法原理 🔧

MPC控制器通过滚动时域优化实现局部路径规划：

1. 状态预测：基于机器人动力学模型预测未来N步的状态序列
2. 代价函数优化：最小化轨迹跟踪误差、控制量变化率等目标函数
3. 约束处理：考虑速度限制、加速度限制和避障约束
4. 滚动优化：仅执行优化序列的第一步，在下一时刻重复整个过程

支持两种配置模式：

• 最小时间模式：以最短时间到达目标点为优化目标
• 二次型模式：通过加权二次型代价函数平衡跟踪精度与控制平滑性

💡 小贴士：理解机器人动力学模型是参数调优的基础，差速驱动机器人应使用unicycle_robot.h模型， Ackermann转向车辆需选择kinematic_bicycle_model.h。

二、快速上手流程

2.1 环境部署与编译

首先克隆项目仓库并编译：

git clone https://gitcode.com/gh_mirrors/mp/mpc_local_planner
cd mpc_local_planner
catkin_make
source devel/setup.bash

编译成功后会生成三个功能包：mpc_local_planner、mpc_local_planner_examples和mpc_local_planner_msgs。

2.2 示例场景运行

项目提供多种预设场景，以差速驱动机器人在迷宫环境中的最小时间规划为例：

roslaunch mpc_local_planner_examples diff_drive_minimum_time.launch

该启动文件会加载：

• 迷宫地图环境（如图1所示）
• 差速驱动机器人模型
• 最小时间MPC配置参数

图1：MPC规划器在迷宫环境中的导航场景

另一个常用场景是走廊环境的二次型控制：

roslaunch mpc_local_planner_examples carlike_minimum_time.launch

此场景使用走廊地图（如图2），适合测试机器人的路径跟踪精度：

图2：走廊环境下的路径跟踪测试场景

💡 小贴士：首次运行建议先启动RViz可视化界面，通过rviz_navigation.rviz配置文件观察规划轨迹和机器人状态。

三、进阶配置指南

3.1 核心参数调优

当你需要调整机器人运动性能时，可修改mpc_local_planner_params.yaml配置文件，关键参数说明如下：

参数名	默认值	调整场景	注意事项
controller_frequency	5.0	控制频率不足导致轨迹抖动	最高不宜超过20Hz，需匹配传感器频率
max_vel_x	0.5	需要提高移动速度或避障时	需与acc_lim_x配合调整，避免急加速
xy_goal_tolerance	0.1	定位精度不足或过严	室内环境建议0.05-0.1m，室外可放宽至0.3m
yaw_goal_tolerance	0.1	航向对准精度调整	与机器人轴距相关，轴距越大可适当增大
mpc_horizon	10	规划时域长度	增大可提高避障能力，但增加计算量

示例配置片段：

mpc_local_planner:
  base_local_planner: "mpc_local_planner/MPCPlannerROS"
  controller_frequency: 10.0  # 提高控制频率至10Hz
  max_vel_x: 0.8              # 增加最大线速度
  acc_lim_x: 0.5              # 降低加速度限制，使运动更平稳
  mpc_horizon: 15             # 延长规划时域

3.2 节点配置详解

MPC节点的核心配置在launch文件中定义，典型配置如下：

<node pkg="mpc_local_planner" type="mpc_local_planner_node" name="mpc_local_planner" output="screen">
  <!-- 基础参数 -->
  <param name="controller_frequency" value="10.0" />
  <!-- 速度限制 -->
  <param name="max_vel_x" value="0.6" />
  <param name="min_vel_x" value="0.1" />
  <!-- MPC算法参数 -->
  <param name="mpc_horizon" value="12" />
  <param name="mpc_dt" value="0.1" />
  <!-- 代价函数权重 -->
  <param name="weight_xy" value="1.0" />
  <param name="weight_theta" value="0.5" />
  <!-- 加载配置文件 -->
  <rosparam file="$(find mpc_local_planner_examples)/cfg/diff_drive/mpc_local_planner_params_minimum_time.yaml" command="load" />
</node>

关键配置项说明：

• mpc_dt：规划时间步长，建议设为控制器周期的1-2倍
• weight_xy/weight_theta：位置和航向跟踪权重，根据任务需求调整
• se2_predictor_type：状态预测器类型，可选有限差分网格或变量网格

3.3 常见配置错误排查

问题1：机器人原地震荡

• 可能原因：控制频率过低或MPC时域过短
• 解决方案：提高controller_frequency至10Hz以上，增加mpc_horizon至15

问题2：轨迹跟踪误差大

• 可能原因：动力学模型参数与实际机器人不匹配
• 解决方案：在systems/目录下选择合适的模型，或校准wheel_radius等物理参数

问题3：规划耗时过长

• 可能原因：优化问题规模过大
• 解决方案：减小mpc_horizon，降低state_vars维度，或使用finite_differences_variable_grid_se2

3.4 性能优化建议

计算效率提升：

1. 使用Release模式编译：catkin_make -DCMAKE_BUILD_TYPE=Release
2. 调整mpc_horizon和state_vars平衡精度与速度
3. 对嵌入式平台可关闭publish_debug_markers等可视化功能

轨迹质量优化：

1. 采用二次型代价函数时，适当增大控制量变化率权重（weight_ddv）
2. 复杂环境中启用obstacle_avoidance约束
3. 通过stage_inequality_se2设置路径点约束，实现复杂轨迹跟踪

💡 小贴士：参数调优应遵循"小步调整，逐个验证"原则，建议先在仿真环境中测试新参数，再部署到真实机器人。

通过本文介绍的核心功能解析、快速上手流程和进阶配置指南，你已具备使用MPC局部路径规划器的基础能力。实际应用中需根据具体机器人模型和场景需求，灵活调整配置参数，必要时可扩展optimal_control/目录下的代价函数或约束条件实现定制化功能。