Bandwidth reduction methods for packetized MPC over lossy networks

📄 arXiv: 2604.08270v1 📥 PDF

作者: Alberto Mingoia, Matthias Pezzutto, Fernando S Barbosa, David Umsonst

分类: eess.SY, math.OC

发布日期: 2026-04-09

备注: Accepted at the European Control Conference 2026; 8 pages; 5 figures

💡 一句话要点

针对丢包网络下的分组化MPC，提出双重带宽缩减方法

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 模型预测控制 带宽缩减 丢包网络 多horizon优化 通信速率降低

📋 核心要点

  1. 现有卸载MPC在丢包网络中面临带宽限制和计算负担挑战，影响控制性能。
  2. 提出多horizon MPC和通信速率降低机制，减少优化变量和传输频率，降低带宽需求。
  3. 硬件在环实验验证了该方法在5G网络下的有效性，实现了带宽效率和计算负载的双重提升。

📝 摘要（中文）

本文研究了在有损通信信道上运行的卸载模型预测控制（MPC）的设计。我们提出了一种控制器设计，该设计利用两种互补的带宽缩减方法。第一种方法是多horizon MPC公式，它减少了优化变量的数量，从而减少了传输的输入轨迹的大小。第二种方法是通信速率降低机制，它降低了数据包传输的频率。我们推导了在数据包丢失的最小假设下，递归可行性和约束满足的理论保证，并为速率降低策略建立了参考跟踪性能。所提出的方法使用具有真实5G网络的硬件在环设置进行了验证，证明了带宽效率和计算负载的同时改进。

🔬 方法详解

问题定义：本文旨在解决在有损通信网络中，卸载模型预测控制（MPC）因带宽限制和计算资源有限而面临的挑战。传统的MPC方法需要传输大量的控制输入轨迹，在高丢包率的网络中，这会导致严重的性能下降。此外，复杂的优化过程也对计算资源提出了很高的要求。

核心思路：论文的核心思路是通过两种互补的带宽缩减方法来降低MPC的通信和计算负担。首先，采用多horizon MPC公式，减少优化变量的数量，从而减小需要传输的输入轨迹的大小。其次，引入通信速率降低机制，降低数据包传输的频率，进一步减少带宽占用。

技术框架：整体框架包括：1) 多horizon MPC控制器设计，用于生成优化的控制输入序列；2) 通信速率降低机制，决定何时发送控制输入；3) 接收端执行接收到的控制输入。控制器在远端服务器上运行，通过有损网络与本地执行器通信。该框架旨在保证在有限带宽和丢包情况下，系统的稳定性和性能。

关键创新：论文的关键创新在于将多horizon MPC和通信速率降低机制相结合，形成一种双重带宽缩减策略。与传统的单horizon MPC相比，多horizon MPC能够显著减少优化变量的数量。与固定通信速率相比，通信速率降低机制能够根据系统状态动态调整传输频率，进一步降低带宽占用。

关键设计：多horizon MPC的关键设计在于horizon长度的选择，需要在控制性能和计算复杂度之间进行权衡。通信速率降低机制的关键设计在于确定何时发送控制输入的触发条件，例如基于系统状态的变化率或预测误差。论文还推导了在数据包丢失情况下的递归可行性和约束满足的理论保证，确保了控制器的鲁棒性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

通过硬件在环实验，在真实的5G网络环境下验证了所提出方法的有效性。实验结果表明，该方法能够在显著降低带宽占用的同时，保持良好的控制性能。具体而言，与传统MPC相比，该方法能够减少传输的数据量，并降低计算负载，同时保证系统的稳定性和约束满足。

🎯 应用场景

该研究成果可应用于各种需要远程控制且通信带宽受限的场景，例如：远程机器人控制、智能交通系统、分布式能源管理等。通过降低带宽需求和计算负担，该方法能够使MPC在资源受限的环境中得到更广泛的应用，并提高系统的可靠性和效率。

📄 摘要（原文）

We study the design of an offloaded model predictive control (MPC) operating over a lossy communication channel. We introduce a controller design that utilizes two complementary bandwidth-reduction methods. The first method is a multi-horizon MPC formulation that decreases the number of optimization variables, and therefore the size of transmitted input trajectories. The second method is a communication-rate reduction mechanism that lowers the frequency of packet transmissions. We derive theoretical guarantees on recursive feasibility and constraint satisfaction under minimal assumptions on packet loss, and we establish reference-tracking performance for the rate-reduction strategy. The proposed methods are validated using a hardware-in-the-loop setup with a real 5G network, demonstrating simultaneous improvements in bandwidth efficiency and computational load.