企业官网建设流程全解析

1. 先聊清楚：Koopman-MPC 到底解决了一个什么痛点

四旋翼无人机的控制难在哪？大家都清楚，这不是一个线性系统。悬停状态附近小扰动，线性化模型还能凑合；一旦做大机动、大角度倾斜、快速穿越障碍，动力学里的非线性项就开始显著起作用。传统的控制方案往往是两条路：要么依赖精确建模然后走非线性控制，设计过程繁琐，对模型误差敏感；要么在平衡点附近做线性化再用线性MPC，问题是一旦状态偏离平衡点太远，预测模型就失真，控制性能断崖式下跌。

那数据驱动的方法这几年被反复提起，很多做控制的人第一反应是端到端深度学习：神经网络直接拟合状态转移函数，或者干脆端到端输出控制量。这种思路理论上没问题，但落地的时候坑很多：一是需要大量优质数据，二是一旦网络过拟合或者推理延迟高，实时控制就出问题，三是完全没有可解释性，控制器出了异常行为你很难定位原因。

Koopman-MPC 走了一条在我看来更聪明的中间路线。它的核心思想是用Koopman算子理论，把非线性系统提升到一个高维空间里，在这个空间里动力学变成线性的。你没听错，非线性系统在一个经过精心构造的“观测空间”里可以呈现线性演化。正因为这个空间里的模型是线性的，经典MPC那套凸优化框架可以直接搬过来用，实时性、稳定性都有保障。而且模型是从数据里直接学出来的，不需要你手推拉格朗日方程、不需要精确测量转动惯量、气动阻尼系数。这就是“数据驱动、模型线性化、滚动优化”三者合流的一个非常漂亮的技术方案。

我最初接触这个方向的时候，最打动我的不是那些皮毛的“智能控制”宣传，而是它的数学结构足够干净：Koopman算子给了一个线性提升模型，MPC解决约束下的最优控制问题，MATLAB 代码实现路径非常短。本文就基于这个项目标题，把我自己对 Koopman-MPC 用于四旋翼无人机的理解、数据准备、算法流程、代码架子、踩坑经验全部整理出来。

2. Koopman 算子：为什么非线性系统可以被线性化

2.1 从状态转移到“观测函数转移”

我们先把数学基础铺一下。考虑一个离散非线性系统：

x_{k+1} = F(x_k)

其中 x 是系统状态，F 是非线性映射。经典的做法是直接在状态空间里研究 F 的性质，麻烦就麻烦在F的本质非线性。Koopman理论换了个视角：不直接看状态，而是看状态空间上的观测函数 g(x)。定义一个算子 U，作用在观测函数上：

(U g)(x) = g(F(x))

这个算子是线性的——不管F多么非线性，U作用于函数的操作是线性的，因为线性组合的观测函数作用在同一个点上。代价是什么呢？代价是 U 作用的空间是无穷维的，通常我们取一个有限维的子空间来近似。

这个思想可以和生活里的事情做个类比。你在三维空间里看一个翻滚的纸飞机，轨迹乱得一塌糊涂；但如果把一个滑动的窗口相机放在更高的维度去记录，它可能呈现出一个非常规律的螺旋上升结构。Koopman 算子做的事情就是找到那个“更高的维度”，把非线性动力学塞进一个线性框架里。四旋翼的强耦合、大角度非线性，在这个提升空间里慢慢被消解。

2.2 怎么从数据里学到 Koopman 矩阵

理论再好，最终要落地，我们必须把无穷维算子截断成一个有限维矩阵 K。现在学术界和工业界最常用的方法是 EDMD，扩展动力学模式分解。步骤非常清晰：

第一步，构造快照对。在你的四旋翼仿真或者实机上施加激励信号，记录状态序列。激励信号要覆盖你关心的飞行区域，不要只在悬停点附近打转。典型做法是叠加PRBS伪随机信号、扫频信号、或者幅值递减的方波序列。每一条轨迹产生一串状态：

x_1, x_2, ..., x_{N+1}

那么快照对就是 (x_i, x_{i+1})，也就是 (X_i, Y_i)。

第二步，选定字典函数。所谓字典，就是一组观测函数集合：

Ψ(x) = [ψ_1(x), ψ_2(x), ..., ψ_n(x)]^T

这些函数把你关心的物理量提升到高维空间。四旋翼场景下，我常用的基础字典包括：状态本身（位置、速度、欧拉角、角速度）、它们的平方项、交叉项，再加上一组径向基函数（RBF），比如高斯核形式的 Ψ(x) = exp(-||x - c_j||² / σ²)。中心 c_j 可以选在训练数据点的子采样上，或者用 k-means 聚类得到。

第三步，最小二乘求解。我们希望找到一个矩阵 K 使得：

Ψ(x_{k+1}) ≈ K Ψ(x_k)

两边乘以 Ψ(x_k)^T 并做聚合，问题转化为标准最小二乘。定义两个矩阵：

G = (1/N) Σ Ψ(x_k) Ψ(x_k)^T
A = (1/N) Σ Ψ(x_k) Ψ(x_{k+1})^T

那么 K = G⁻¹ A。

这是一个非常标准的线性代数过程。我第一次跑通这个流程的时候，最大的感受是原来“学习一个非线性动力学”也可以如此优雅，数据 + 字典 + 最小二乘，问题就解决了，完全不需要反向传播。当然，细节上的坑后面再说。

2.3 延迟坐标：四旋翼轨迹预测里容易被忽视的环节

这里要特别提一个四旋翼场景下的实际问题。我们拿到的状态 x = [px py pz vx vy vz φ θ ψ p q r] 共12维。问题是，在纯数据驱动的框架下，你并不知道系统的阶数到底是多少——建模时省略了电机动态、空气阻力、机架弹性，这些都会让系统的高阶信息丢失。

解决这个问题的一个实用技巧是延迟坐标嵌入。把历史状态拼进来，比如定义扩展状态：

s_k = [x_k, x_{k-1}, ..., x_{k-d}]

这里 d 是延迟步数。相当于用“记忆”补充隐藏状态。我在仿真里测过，加入 d = 2~3 的延迟扩展，对大幅机动的预测精度能提升不少。延迟坐标本质上是把不可观测或未建模的动态通过历史轨迹呈现出来。Koopman理论里这类方法也有对应结论，延迟嵌入可以构造更完整的观测空间，不必追求理论严谨性，工程上的增益是立竿见影的。

3. 为什么选 MPC 而不选别的控制策略

3.1 MPC 的“预测-滚动优化-反馈”闭环

现在我们已经有了一个线性动力学模型：

z_{k+1} = K z_k + H u_k

其中 z = Ψ(s)，是提升空间的观测状态；u 是控制输入（四旋翼场景下通常是期望姿态角或者归一化电机推力指令）。

为什么这个框架和 MPC 是绝配？因为 MPC 本来就是靠线性模型起家的。它的思路是：当前时刻 k，拿到状态估计 z_k，然后求解一个有限时域的最优控制问题：

min Σ_{j=0}^{N-1} (z_{k+j} - z_ref)^T Q (z_{k+j} - z_ref) + u_{k+j}^T R u_{k+j}

约束条件包括：

• 动力学约束：z_{k+j+1} = K z_{k+j} + H u_{k+j}，源自 Koopman 模型
• 输入约束：电机推力有上下限，Umin ≤ u ≤ Umax，甚至考虑相邻控制量之间的变化率约束
• 状态约束（如有需要）：位置有界、姿态角有界，防止飞行器翻出合理范围

求解后取第一段控制量 u_k 作用于系统，下一时刻重新观测状态、重新求解。这个“滚动优化”赋予了系统非常强的鲁棒性：即使模型存在一定误差或者出现了未建模扰动，通过每步重解，误差会被持续纠正。

3.2 Koopman-MPC 和“端到端学习的控制”关键差异

现在做数据驱动控制的人很多，常常被问到：Koopman-MPC和用神经网络训练一个控制器，本质区别在哪？

在我看来至少有三点关键差异。第一是可靠性：Kooped MPC 每一步在求解一个凸优化问题，只要问题有解，就一定满足约束；神经网络策略再训练得再好，你难以保证它在没见过的状态下不会输出一个过大的控制量。第二是采样效率：EDMD 只需要几千到几万组数据点就能得到不错模型，需要的数据比深度强化学习百万级样本少两个数量级；第三是调试成本，K 矩阵和字典函数是可检视的，模型预测不准时能用工具分析哪里有问题，而一个深度网络出问题时，几乎没法解释。

我的体感是它们在适用场景上各有分工——数据量充足、系统极度复杂难以建模、安全性要求略宽松的场景可以考虑端到端；而对安全要求高、需要硬约束保证、调试人员需要理解模型行为的场景，Koopman-MPC 有很强的吸引力。

3.3 目标函数和约束怎么写更稳定

目标函数的调节是MPC落地最考验经验的地方。提升空间的 z 是字典函数的值，不同维度之间的量级差异可能非常悬殊——多项式项可能是10的4次方，RBF基函数稳定在0到1之间，如果不做归一化，Q矩阵根本没法调。

我的做法是，在构造提升空间之前，对原始状态先做归一化处理。每个物理量缩放到[-1, 1]区间，再算字典函数。这样 z 的各维度量级相对均匀，Q 矩阵就可以按照“你对哪个物理量更在意”来设权重。具体到四旋翼，位置权重通常比姿态角权重调高，因为任务层次上位置跟踪的优先级更高。Q 设成对角矩阵，R 设成一个比较小的对角阵——注意 R 不能设成0，否则高频抖振会非常剧烈。

另外说一句输入约束的表达。四旋翼的内环如果接收的是期望姿态角，那约束应该加在期望角的极限上，比如 ±30°，同时为了防止控制信号变化太快，我还会在约束里加一条 |u_{k+1} - u_k| ≤ Δu_max，这对抑制执行器磨损和位置振荡效果很好，代价只是优化问题里多一组线性约束，求解时间几乎没增加。

4. MATLAB 代码实现：从模型构建到仿真闭环

4.1 整体架构设计

很多同学一上来就写代码，写到一半发现不知道该怎么拼装。我建议先画清楚模块图再动手。整套实现分成四层：

第一层是数据生成层，用四旋翼仿真模型（可以是简单的牛顿-欧拉模型，也可以直接用Simulink里现成的四旋翼模型）产生激励轨迹； 第二层是离线学习层，负责归一化、字典构造、EDMD计算得到K和H矩阵； 第三层是MPC求解层，实现滚动优化求解器； 第四层是仿真验证层，把MPC控制器接回四旋翼模型做闭环跟踪测试。

对初学者，我建议把这四层严格分开。很多人为了图省事把数据生成和学习杂糅在一个脚本里，最后排查问题时逻辑混乱、浪费时间。分层的代码结构可维护性高得多，更重要的是每层的调试手段完全不同。

4.2 数据生成：激励设计比想象中重要

数据质量决定模型上限。这一步做得不好，后面算法再精巧也白搭。四旋翼的激励我一般这么设计：

对于位置通道，给位置参考信号叠加扫频分量。频率从0.1Hz扫到1.5Hz，幅值5米以内，持续60秒。这样能够在多个频带上激励系统的动态特征。

对于姿态通道，给定滚转和俯仰角参考信号做幅值递减的方波和正弦混合激励。典型参数：幅值从15度开始，每10秒衰减到12度、9度、6度、3度。这样覆盖大角度和小角度两种工况。

带宽覆盖的原则是：你仿真中关心什么频率范围，激励信号就要覆盖哪个范围。如果任务是多航点跟踪，位置变化比较平滑，那激励里低频分量充足就行；但如果要做快速避障，中高频的响应特性必须被激发出来，否则模型学不到那些动态特征。

采集数据时需要同步考虑采样率。四旋翼控制周期一般选择50Hz到100Hz，Koopman模型预测步长和控制周期保持一致，这样MPC的预测步长才对应真实时间。不要用1000Hz仿真步去训练Koopman模型再以50Hz控制周期去做MPC——这种不匹配会在预测里带来系统性误差。

4.3 核心代码：EDMD 训练 Koopman 矩阵

下面这段代码是我实际项目里的简化版本。关键结构都在，照抄基本能跑通。前提是X_data和U_data是数据生成阶段保存好的训练数据，格式为快照对序列。

function [K, H, DictParams] = trainKoopmanMPC(X_data, U_data, delay, dictOpts) % X_data: 训练状态快照，每一列是一个时刻的状态 % U_data: 对应输入快照 % delay: 延迟坐标嵌入的步数 % 1. 状态归一化参数 x_mean = mean(X_data, 2); x_std = std(X_data, 0, 2) + 1e-6; X_norm = (X_data - x_mean) ./ x_std; % 2. 构造延迟坐标 Z_data = []; for i = 1:size(X_norm, 2) - delay z_i = []; for d = 0:delay z_i = [z_i; X_norm(:, i+d)]; end Z_data(:, end+1) = z_i; end % 3. 构造字典函数矩阵 Psi(Z) Psi = computeDictPhi(Z_data, dictOpts); % 4. EDMD 求解 G = (Psi * Psi') / size(Z_data, 2); A = (Psi * Psi_next') / size(Z_data, 2); % 这里的 Psi_next 是 Z_data 往后平移一步对应的字典矩阵 K_lin = (G + 1e-6 * eye(size(G))) \ A; % 5. 扩展得到带输入的 Koopman 矩阵 Z_full = [Psi; U_data(:, 1:size(Z_data,2))]; Psi_plus = computeDictPhi(Z_data(:, 2:end), dictOpts); M = Z_full * Z_full'; N = Psi_plus * Z_full'; K = N / (M + 1e-6 * eye(size(M))); % 返回 K，以及归一化参数、字典参数 DictParams.x_mean = x_mean; DictParams.x_std = x_std; end

有几个细节我要提醒。一是正则化项 1e-6 不是随便加的——快照矩阵如果秩亏（比如某些状态通道几乎常值），直接求逆会数值崩溃，加上一个小的对角扰动能显著提高数值稳定性。二是字典函数computeDictPhi必须保持一致，训练和在线预测时用完全相同的参数，否则 Koopman 矩阵等于白学。

4.4 MPC 在线求解：关键代码

MPC 的在线求解我推荐优先用 MATLAB 的quadprog，因为 Koopman 模型是线性的，目标函数是二次型，整个优化问题是一个标准的凸二次规划（QP）。quadprog求解非常快，两三毫秒就能完成一个有限时域的解算，完全能满足四旋翼的控制周期。

function u_mpc = solveKoopmanMPC(z_current, K, H, Q, R, N, u_ub, u_lb) % z_current: 当前提升空间的观测状态 % K, H: Koopman 矩阵（对应提升空间 + 输入） % N: 预测时域长度 % 构造标准 QP 形式：min 0.5*u'*Hqp*u + f'*u n_z = size(K, 1); % 提升空间维度 n_u = size(H, 2); % 输入维度 % 批量构造预测矩阵 A_aug = zeros(n_z*N, n_u*N); for k = 1:N for j = 1:k A_aug((k-1)*n_z+1:k*n_z, (j-1)*n_u+1:j*n_u) = K^(k-j) * H; end end % 预测的零输入响应 z_free = zeros(n_z*N, 1); z_temp = z_current; for k = 1:N z_temp = K * z_temp; z_free((k-1)*n_z+1:k*n_z) = z_temp; end % 目标函数矩阵 Q_blk = kron(eye(N), Q); R_blk = kron(eye(N), R); Hqp = A_aug' * Q_blk * A_aug + R_blk; fqp = (z_free)' * Q_blk * A_aug; % 输入约束 Ain = [eye(n_u*N); -eye(n_u*N)]; bin = [repmat(u_ub, N, 1); -repmat(u_lb, N, 1)]; % 求解 options = optimoptions('quadprog', 'Display', 'off', 'Algorithm', 'interior-point-convex'); u_seq = quadprog(Hqp + 1e-6*eye(size(Hqp)), fqp, Ain, bin, [], [], [], [], [], options); % 只取第一步 u_mpc = u_seq(1:n_u); end

这个实现是最直观的稠密MPC形式，预测矩阵 A_aug 的维度是 Nn_z × Nn_u。当 n_z = 50、N = 20 时，矩阵规模是 1000×80，quadprog 完全吃得消。如果基函数选得比较多，比如 n_z 超过 100，则需要切换到稀疏的线性时变系统形式或者用快速梯度法做内点迭代，这里不展开。

4.5 从提升空间回到控制输入的完整一步

在线控制循环里，每一个控制周期你需要完成这样几个动作：

先获取当前四旋翼的12维状态 x_k。这里假设仿真中可以完美测量。接着归一化、构造延迟坐标 s_k，然后计算字典函数 Psi(s_k)，得到 z_k。随后调用solveKoopmanMPC得到最优控制输入 u_k，即期望姿态角指令，送入底层姿态控制器。最后等待下一个控制节拍。

我把这一步的代码放在了仿真主循环里，你可以把控制器替换成P-PID组做对比，直观看到Koopman-MPC的轨迹跟踪误差显著更小，尤其是在大角度转弯段，PID会明显滞后，而MPC因为提前规划了轨迹，整个运动像“看着公路拐弯开车”一样平滑。

5. 关键参数怎么选：字典规模、时域长度和正则化

5.1 字典函数的维度和种类

字典选择是Koopman建模最核心的自由度。维度太低，提升空间不够、线性化近似能力不足；维度太高，过拟合和计算量双重增长、K矩阵病态程度加剧。

我的经验，四旋翼12维状态，加上延迟 d = 3，扩展状态就是48维。字典包含这些元素基本够用：

• 扩展状态的线性项（48维）
• 每个状态量的二次项（48维左右）
• 关键交叉项，比如位置与速度的交叉项（约24维）
• 8~12个RBF基函数，中心点在训练数据覆盖空间里均匀采样

算下来提升空间差不多 120~140 维。这个量级Quadprog毫无压力，EDMD计算也就毫秒级。如果你看到训练误差和验证误差差异很大，说明过拟合，减少RBF个数或者增加正则化强度。

这里有一个常被忽略的细节：字典函数必须包含原始状态本身。这不是可选项，而是必须项。因为MPC的目标函数通常要惩罚位置误差、速度误差，如果这些物理量不能直接从 z 里提取出来，你无法构造有意义的代价函数。有一种处理是把原始状态单独放在 z 的前12维，字典其余部分作为“辅助观测”。我在目标函数里就只惩罚这些原始状态对应的维度，辅助维度不参与惩罚，只负责演化。

5.2 预测时域 N 的选择

MPC预测时域是经典权衡问题。N 太小，控制器短视，无法有效规避未来的障碍或实现提前减速；N 太大，预测矩阵规模增大，优化耗时上升，更关键的是 Koopman 线性近似在长时域预测中误差累积。

四旋翼场景下我做过的实验，控制周期20ms，N 取 15~25 表现最好。换算成预测时长就是0.3~0.5秒。这个时长刚好覆盖了四旋翼姿态响应的自然时间尺度——需要提前规划但又不会长到模型误差主导。开始调试时建议从 N = 10 起步，先保证闭环稳定性，再逐步加长 N。

5.3 正则化强度与K矩阵谱半径

Koopman矩阵的特征值分布直接反映模型稳定性。理想情况下，K矩阵的谱半径（最大特征值模）应该在 1 附近。明显大于1表示模型不稳定，训练数据里的瞬态增长被当成了系统固有特性；明显小于1表示预测快速衰减，模型可能丢失真实系统的高频特征。

训练时有一步值得做：计算K的特征值并画出谱图。如果某些特征值模大于1.1，可以通过在 EDMD 目标里加谱罚项抑制，也可以在求解阶段对K的特征值做投影。我在实际项目里用的一个简便方案是：训练时给G矩阵加特征值软约束的正则化，具体做法是把 (G + λL)⁻¹A 中的 λ 从 1e-4 逐步往上调，观察K的谱变化。经验上 λ=1e-3 左右能够在拟合精度和谱稳定之间取得较好平衡，数据量越大λ可以越小。

6. 实操中遇到的坑和排查方法

6.1 状态归一化没做好，K矩阵病态

这是我第一次跑通整个流程时踩的第一个大坑。当时位置量是米（数值到几十），角速度是弧度每秒（数值零点几），如果不归一化，RBF函数的带宽参数完全没法统一设计——一个维度的尺度差异会直接导致部分字典函数失效。

排查方法很简单，训练完成后画出字典函数所有输出的均值和标准差。理想情况是大部分输出在0~1量级。如果发现某个输出长期是10的3次方以上或者恒为0，说明归一化或者字典选择有问题。解决方案：对所有输入状态先做z-score归一化后再进字典函数，所有字典输出再做一个单位化处理（除以训练集最大值）。

6.2 训练误差很小，验证误差爆炸

这个问题九成是过拟合。我在一次实验中，把RBF数量从10加到40，训练误差确实下降了，但验证集预测误差反而涨了3倍。根因是RBF的中心分布过于稀疏，某些区域只有一两个数据中心，K矩阵在这些局部区域拼命拟合噪声。

解决方案三选一：

• 减少RBF个数，让字典的表达能力低于数据量能支撑的复杂度；
• 增加训练数据，让每个RBF中心附近都有足够样本；
• 增加正则化系数，限制K矩阵自由度。

工程上最优先尝试的是减少RBF个数，立竿见影。很多时候“少即是多”，保留原始状态、二次项加上少量RBF就已经足够优秀。

6.3 MPC求解变得很慢：降维和QP预处理

当字典维度超过200、预测时域N超过30，稠密Q P的求解时间会突破30ms，超过控制周期。这时候就不能再指望quadprog走默认流程了。

两个发展方向。第一是模型降维，对训练数据构造的 K 矩阵做主成分分析（PCA）或者平衡截断，只保留对可控性贡献最大的前30~40个模式，压缩后问题规模大幅缩小。第二是求解预处理，设定quadprog的初始点（用上一步的解作为热启动）、严格设置约束矩阵的稀疏格式（用 sparse 声明 Ain），能显著加速迭代收敛。

我测试过的一个数据点：维度140、N=20的MPC问题，热启动之后单步求解约1.6ms，完全够用。如果到了这一步还是不满足性能，下一步考虑换 C 语言实现、用 OSQP 求解器，而不是在 MATLAB 里无限堆算力。

6.4 延迟坐标的维度怎么定

延迟步数 d 的选取没有绝对标准，但有判断方法。做法是做一个简单的预测实验：用不同的 d 分别训练模型，在验证集上做10步预测，对比预测误差。误差随 d 增加先下降后上升，拐点处就是合理的 d。

四旋翼场景我的经验是 d 在2到4之间。超过4之后，延迟维度给模型带来的信息量趋于饱和，但过拟合风险和计算量反而上去了。另外延迟坐标给维度带来的膨胀是很吓人的：12维状态延迟3步就是48维，再加上字典扩展，直接推到近150维。所以不要盲目加大延迟。

7. 系统辨识之外：关于实机部署的思考

7.1 仿真到实机的差距怎么处理

我承认文章到目前为止的内容主要在仿真框架内讨论。仿真模型获取数据非常干净，无延迟、噪声很小，Koopman学习和MPC的自然配合可以说如鱼得水。一旦放到现实无人机上，传感器噪声、执行器延迟、模型不确定性都会冒出来。

我了解的实用做法是：在训练数据生成阶段就注入与实际传感器匹配的噪声。比如位置测量加入高斯噪声（标准差0.05m）、姿态角加入噪声（标准差0.02rad）。让EDMD在含噪数据上学习得到的K，天然包含对噪声的鲁棒性。控制器反馈时用的状态先过卡尔曼滤波器，让进入到MPC预测的z更平滑。

7.2 失败模式和安全兜底

任何数据驱动控制器都必须考虑“模型失效”时的表现。我的思路是给Koopman-MPC设计两层保护：第一层在MPC内部，对所有约束严格保留，尤其对输入做饱和限制，不允许控制器输出超出执行器能力的指令；第二层在控制器外部，当预测误差超过预设阈值（比如连续5步预测残差超过正常范围的3倍），立刻切换回底层PID控制器，保证无人机至少不掉落。

这个“模型可信度监控”模块在实机部署时是刚需，也是我觉得很多论文作者不会提的细节。仿真里你永远不会遇到模型完全失效的时刻，但实机上一阵侧风、一次装机误差就可能让K矩阵面目全非。

8. 我的实操心得：从零到一搭建 Koopman-MPC 的路径建议

最后分享一点我调试这个系统的顺序和方法，希望对刚开始接触的朋友有帮助。

第一步，不要急着练MPC。先把数据生成和EDMD跑通，做开环预测验证。输入一段训练集之外的轨迹，让模型多步预测（比如20步），和真实轨迹画在一起，肉眼看贴合度。这一步如果不过关，后面全白搭。记下这个准则：开环预测20步不散，是参加仿真的门票。

第二步，在仿真里用固定增益控制器（比如姿态内环PID）做稳定化，把Koopman-MPC只放在外环位置控制层。这样即使MPC行为异常，内环的稳定器可以兜底，调试过程不至于发散。很多人第一次就把MPC放在全环，一旦参数不对，无人机仿真直接炸飞，很难定位问题出在哪一层。

第三步，一点点增加MPC的权限。先只控制高度通道，再单独控制水平位置，最后把横滚俯仰也交给MPC。每一步都对比PID基线的跟踪误差、控制量抖动程度。

编辑完这些内容回头再看，Koopman-MPC确实是一个“理论和工程握手”很成功的方向：理论上它用Koopman算子给出了非线性到线性的漂亮转化，工程上它把MPC的成熟体系直接嫁接过来，用数据代替人工建模。对我个人而言，这套方法最大的价值在于它把“非线性控制”从偏微分方程和Lyapunov函数的纸面推导里解放出来，变成了一个“数据+优化”的组合工程问题，而这类问题正是我们这些做应用的人最擅长的。希望在读这篇文章的朋友，也能早日跑通自己的第一版Koopman-MPC四旋翼控制器。