mpc.pytorch •

适用于 PyTorch 的快速可微分模型预测控制（Model Predictive Control, MPC）求解器。 由 Brandon Amos、 Ivan Jimenez、 Jacob Sacks、 Byron Boots 和 J. Zico Kolter 精心打造。

---

• 更多详情请访问我们的项目网站
• 这仍是一个早期 alpha 版本，请做好遇到一些问题的准备，如有任何疑问欢迎联系我们！

mpc.pytorch 快速上手指南

环境准备

项目	要求
Python	3.6+
PyTorch	1.0+
操作系统	Linux / macOS / Windows
CUDA（可选）	如需 GPU 加速

安装步骤

方式一：通过 PyPI 安装（推荐）

pip install mpc

方式二：从源码安装

git clone https://github.com/locuslab/mpc.pytorch.git
cd mpc.pytorch
pip install -e .

国内加速：若 PyPI 下载缓慢，可使用清华镜像源

pip install mpc -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

以下是一个最简示例，展示如何定义并求解一个 MPC 问题：

import torch
from mpc import MPC

# 定义系统维度
n_state = 4      # 状态维度
n_ctrl = 2       # 控制维度
T = 10           # 预测时域长度

# 创建 MPC 求解器
mpc = MPC(
    n_state=n_state,
    n_ctrl=n_ctrl,
    T=T,
    u_lower=-1.0,  # 控制量下限
    u_upper=1.0,   # 控制量上限
)

# 随机生成当前状态
x = torch.randn(n_state)

# 求解最优控制序列
# 返回：u（控制序列）, x（预测状态轨迹）, objs（目标函数值）
u, x_pred, objs = mpc(x)

print("最优控制序列:", u)
print("预测状态轨迹:", x_pred)

与 PyTorch 自动微分集成

# MPC 求解支持反向传播，可用于端到端训练
x = torch.randn(n_state, requires_grad=True)
u, x_pred, objs = mpc(x)

# 计算损失并反向传播
loss = objs.sum()
loss.backward()
print("状态梯度:", x.grad)

---

注意：本项目仍处于早期 alpha 阶段，如遇问题请参考 项目官网 或提交 Issue。