基于模型的控制

先写出机器人和环境的数学模型，再据此推导或优化出控制指令。

指依赖显式数学模型设计控制器的一大类方法。模型包括运动学和动力学，如机械臂方程 M(q)q̈ + c(q, q̇) + g(q) = τ：M 为质量矩阵，c 为科氏力和离心力项，g 为重力项，τ 为关节力矩。常见做法有重力补偿、计算力矩控制（用模型抵消非线性）、操作空间控制、模型预测控制（MPC，每个周期用模型预测未来一小段并优化动作）和基于二次规划的全身控制。优点是可解释、无需训练数据、能做稳定性分析；缺点是模型要够准，接触、摩擦、柔性物体难建模，复杂任务需大量人工设计。它与基于学习的控制相对，现在常两者结合。注意它不同于基于模型的强化学习，后者的模型是学出来的。

例子MIT Cheetah 3 把机身动力学简化后构造凸 MPC，以 20–30 Hz 求解足端地面反作用力、每次不到 1 毫秒，用同一套参数实现小跑、疾驰、跳跃（bound）等步态，前进速度最高 3 m/s。

也叫

传统模型控制、模型驱动控制、基于动力学模型的控制

相关

基于学习的控制、计算力矩控制、模型预测控制、全身控制、系统辨识、动力学

来源

Modern Robotics 11.4: Motion Control with Torque or Force Inputs (Part 3 of 3)（计算力矩控制）
Dynamic Locomotion in the MIT Cheetah 3 Through Convex Model-Predictive Control (IROS 2018, MIT DSpace)