# Perspectiva de un ignorante - preguntas a la IA - Non Linear Model Predictive Control ## ¿Qué problema se resuelve en un solver de MPC no lineal? Un **solver de MPC no lineal (Nonlinear Model Predictive Control, NMPC)** resuelve un **problema de optimización no lineal restringido**, cuyo objetivo es encontrar la **secuencia óptima de acciones de control** que lleven al sistema a un comportamiento deseado, respetando tanto la **dinámica no lineal del sistema** como las **restricciones impuestas** (por ejemplo, límites en estados o entradas). --- ### 💡 Problema que resuelve el solver NMPC: Dado un modelo dinámico no lineal: $\\dot{x}(t) = f(x(t), u(t))$ o en forma discreta: $x\_{k+1} = f(x\_k, u\_k)$ y una **función de costo** a minimizar del tipo: $J = \\sum\_{k=0}^{N-1} \\ell(x\_k, u\_k) + \\ell\_f(x\_N)$ sujeta a: - Dinámica del sistema: $x\_{k+1} = f(x\_k, u\_k)$ - Restricciones en los estados: $x\_k \\in \\mathcal{X}$ - Restricciones en las entradas: $u\_k \\in \\mathcal{U}$ El solver NMPC resuelve el siguiente problema de optimización en cada instante de control: --- ### ✅ **Problema de optimización no lineal restringido (NLP):** $\\min\_{u\_0, u\_1, ..., u\_{N-1}} \\quad \\sum\_{k=0}^{N-1} \\ell(x\_k, u\_k) + \\ell\_f(x\_N)$ sujeto a: - $x\_{k+1} = f(x\_k, u\_k), \\quad \\forall k = 0,...,N-1$ - $x\_k \\in \\mathcal{X}, \\quad u\_k \\in \\mathcal{U}$ - $x\_0 = x\_{\\text{actual}}$ (condición inicial) --- ### 🧩 ¿Qué hace el solver exactamente? 1. **Predice** la evolución futura del sistema usando el modelo no lineal. 2. **Optimiza** la secuencia de controles futuros en un horizonte NN. 3. **Respeta** todas las restricciones dinámicas y físicas. 4. **Ejecuta solo el primer control** de la secuencia óptima. 5. **Repite el proceso** en el siguiente instante (receding horizon). --- ### Ejemplo de aplicación: Control de un robot con dinámica compleja, como un dron o un vehículo autónomo, donde las ecuaciones de movimiento son no lineales, y se deben evitar obstáculos y respetar límites de velocidad o aceleración. --- ¿Quieres que te muestre un ejemplo numérico o código con CasADi o ACADO? ## ¿Y ese problema de optimización cómo se plantea y se resuelve matematicamente? Excelente pregunta. Vamos a profundizar paso a paso en **cómo se plantea y se resuelve matemáticamente** el problema de optimización que enfrenta un **solver de MPC no lineal (NMPC)**. --- ## ✅ 1. **Planteamiento del problema matemático (NLP)** El problema se plantea como un **problema de optimización no lineal restringido (NLP)**, donde se desea encontrar la secuencia de controles {u0,u1,...,uN−1}\\{u\_0, u\_1, ..., u\_{N-1}\\} que minimiza un costo sujeto a restricciones dinámicas y físicas. ### 📌 Formulación estándar (discreta): min⁡{xk,uk}J=∑k=0N−1ℓ(xk,uk)+ℓf(xN)\\min\_{\\{x\_k, u\_k\\}} \\quad J = \\sum\_{k=0}^{N-1} \\ell(x\_k, u\_k) + \\ell\_f(x\_N) sujeto a: 1. **Dinámica del sistema** (no lineal): xk+1=f(xk,uk),∀k=0,...,N−1x\_{k+1} = f(x\_k, u\_k), \\quad \\forall k = 0, ..., N-1 2. **Restricciones de estado y control**: xk∈X⊂Rn,uk∈U⊂Rmx\_k \\in \\mathcal{X} \\subset \\mathbb{R}^n, \\quad u\_k \\in \\mathcal{U} \\subset \\mathbb{R}^m 3. **Condición inicial**: x0=xmedidox\_0 = x\_{\\text{medido}} --- ## ✅ 2. **Discretización del sistema dinámico** El modelo continuo x˙(t)=f(x(t),u(t))\\dot{x}(t) = f(x(t), u(t)) se **discretiza** en el tiempo usando algún método de integración: - **Euler explícito**: xk+1=xk+Δt⋅f(xk,uk)x\_{k+1} = x\_k + \\Delta t \\cdot f(x\_k, u\_k) - **Runge-Kutta** (RK4 es muy común en NMPC): xk+1=Φ(xk,uk)x\_{k+1} = \\Phi(x\_k, u\_k) Esto convierte el modelo en un conjunto de **igualdades algebraicas no lineales**. --- ## ✅ 3. **Reescritura como NLP (con todas las variables)** Una vez discretizado, se agrupan todas las variables: - Variables de decisión: z={x1,...,xN,u0,...,uN−1}z = \\{x\_1, ..., x\_N, u\_0, ..., u\_{N-1}\\} - Función objetivo: J(z)=∑k=0N−1ℓ(xk,uk)+ℓf(xN)J(z) = \\sum\_{k=0}^{N-1} \\ell(x\_k, u\_k) + \\ell\_f(x\_N) - Restricciones de igualdad: h(z)=xk+1−f(xk,uk)=0h(z) = x\_{k+1} - f(x\_k, u\_k) = 0 - Restricciones de desigualdad: g(z)≤0(por ejemplo, lıˊmites en xk,uk)g(z) \\leq 0 \\quad \\text{(por ejemplo, límites en } x\_k, u\_k \\text{)} Entonces, el problema se convierte en: min⁡zJ(z)sujeto ah(z)=0g(z)≤0\\begin{aligned} \\min\_{z} & \\quad J(z) \\\\ \\text{sujeto a} & \\quad h(z) = 0 \\\\ & \\quad g(z) \\leq 0 \\end{aligned} --- ## ✅ 4. **Resolución del problema (técnicas)** Este NLP se resuelve con métodos de **optimización numérica no lineal**, como: ### 🔹 Métodos de punto interior (IPM) - Utilizados por **IPOPT**, **CasADi**, **FORCES Pro**. - Introducen penalizaciones logarítmicas para desigualdades. - Convierten el problema a un problema KKT (Karush-Kuhn-Tucker). - Iterativamente resuelven sistemas lineales para actualizar zz. ### 🔹 SQP (Sequential Quadratic Programming) - Aproximan el NLP por una **QP (programación cuadrática)** en cada iteración. - Usan linealización de restricciones y cuadratización del costo. - ACADO y algunas implementaciones en C usan este método. --- ## ✅ 5. **Condiciones de optimalidad (KKT)** Para el óptimo z∗z^\*, se deben cumplir las **condiciones KKT**: 1. **Gradiente nulo del lagrangiano**: ∇zL(z∗,λ∗,μ∗)=0\\nabla\_z \\mathcal{L}(z^\*, \\lambda^\*, \\mu^\*) = 0 2. **Restricciones primales**: h(z∗)=0,g(z∗)≤0h(z^\*) = 0, \\quad g(z^\*) \\leq 0 3. **Multiplicadores duales**: μ∗≥0,μi∗gi(z∗)=0(complementariedad)\\mu^\* \\geq 0, \\quad \\mu\_i^\* g\_i(z^\*) = 0 \\quad \\text{(complementariedad)} --- ## 🔁 Receding Horizon (horizonte móvil) Una vez resuelto el problema: 1. Se **aplica solo el primer control óptimo** u0∗u\_0^\*. 2. Se **mide** el nuevo estado del sistema. 3. Se **replantea y resuelve** el problema nuevamente con el nuevo x0x\_0. --- ## 🎓 Ejemplo ilustrativo (simplificado) Supongamos un sistema no lineal: xk+1=xk+Δt(xk2+uk)x\_{k+1} = x\_k + \\Delta t (x\_k^2 + u\_k) Costo: J=∑k=0N−1(xk2+uk2)J = \\sum\_{k=0}^{N-1} (x\_k^2 + u\_k^2) Restricciones: - −1≤uk≤1-1 \\leq u\_k \\leq 1 - x0=1x\_0 = 1 Esto se discretiza, se plantea como NLP, y se resuelve numéricamente (por ejemplo, usando IPOPT o CasADi). --- ¿Te gustaría que resolviera este ejemplo con código para verlo en práctica? ¿O prefieres explorar un sistema realista como el péndulo invertido o un robot móvil?
***¿Que son igualdades algebraicas no lineales y como se resuelven?¿Que metodos numericos existen?***
Muy buena pregunta. Vamos por partes para entender **qué son las igualdades algebraicas no lineales**, **cómo se resuelven**, y **qué métodos numéricos existen**.
---
## ✅ ¿Qué son igualdades algebraicas no lineales? Son **ecuaciones en las que intervienen variables relacionadas a través de funciones no lineales**, y **no contienen derivadas** (a diferencia de ecuaciones diferenciales). ### 🔹 Definición formal: Una **igualdad algebraica no lineal** tiene la forma:
***f(x1,x2,...,xn)=0f(x\_1, x\_2, ..., x\_n) = 0***
donde:
- ff es **no lineal** (ej. contiene términos como x2,sin⁡(x),ex,x⋅yx^2, \\sin(x), e^x, x \\cdot y, etc.) - x1,...,xnx\_1, ..., x\_n son las variables desconocidas a resolver. ---
### 📌 Ejemplos:
- x2+y2−1=0x^2 + y^2 - 1 = 0 → ecuación de un círculo. - sin⁡(x)+x⋅y−3=0\\sin(x) + x \\cdot y - 3 = 0 - ex+ln⁡(y)−5=0e^x + \\ln(y) - 5 = 0 ---
En contextos como el **NMPC**, estas igualdades suelen representar:
- Las **restricciones de dinámica discretizada**: Ej: xk+1=f(xk,uk)⇒xk+1−f(xk,uk)=0x\_{k+1} = f(x\_k, u\_k) \\Rightarrow x\_{k+1} - f(x\_k, u\_k) = 0 ---
## ✅ ¿Cómo se resuelven? El objetivo es **encontrar los valores de las variables** que satisfacen simultáneamente todas las ecuaciones:
***Encontrar x∈Rn tal que fi(x)=0,i=1,...,m\\text{Encontrar } x \\in \\mathbb{R}^n \\text{ tal que } f\_i(x) = 0, \\quad i = 1, ..., m***
Esto se llama un **sistema de ecuaciones no lineales**.
---
## ✅ Métodos numéricos para resolverlas Dado que la mayoría de estas ecuaciones **no tienen solución analítica**, usamos métodos numéricos **iterativos**. ### 🔷 1. **Método de Newton-Raphson** Es el más clásico y usado. #### Idea básica (1 variable):
***xk+1=xk−f(xk)f′(xk)x\_{k+1} = x\_k - \\frac{f(x\_k)}{f'(x\_k)}***
#### Multivariable (sistema no lineal):
***xk+1=xk−Jf(xk)−1f(xk)x\_{k+1} = x\_k - J\_f(x\_k)^{-1} f(x\_k)***- Jf(xk)J\_f(x\_k): jacobiano de ff evaluado en xkx\_k - Se resuelve un sistema lineal en cada iteración: Jf(xk)⋅δx=−f(xk),xk+1=xk+δxJ\_f(x\_k) \\cdot \\delta x = -f(x\_k), \\quad x\_{k+1} = x\_k + \\delta x
🔧 **Ventajas**:
- Rápida convergencia **(cuadrática)** cerca de la solución.
⚠️ **Desventajas**:
- Necesita una buena estimación inicial. - Necesita el **jacobiano** (matriz de derivadas), que puede ser costoso de calcular. ---
### 🔷 2. **Métodos de Newton modificados o cuasi-Newton** Usan una aproximación del Jacobiano:
- **Broyden's method** - **DFP, BFGS (usados en optimización)**
Estos reducen el coste computacional cuando JfJ\_f es difícil de obtener.
---
### 🔷 3. **Métodos de punto fijo (fixed-point iteration)** Si puedes reescribir la ecuación como:
***x=g(x)x = g(x)***
entonces iteras:
***xk+1=g(xk)x\_{k+1} = g(x\_k)***
✅ Simple, pero **lento** y depende de que gg sea contractivo.
---
### 🔷 4. **Métodos de homotopía o continuación** Resuelven una familia de problemas que conecta uno fácil con el problema original.
***H(x,λ)=(1−λ)⋅f0(x)+λ⋅f(x)H(x, \\lambda) = (1 - \\lambda) \\cdot f\_0(x) + \\lambda \\cdot f(x)***
Se empieza con λ=0\\lambda = 0, y se avanza hasta λ=1\\lambda = 1. ✅ Útiles cuando el sistema tiene múltiples soluciones o es difícil de resolver directamente.
---
## ✅ En práctica: ¿cómo se aplican en MPC? En MPC no lineal:
- Las **igualdades no lineales** que surgen de la dinámica se **incluyen como restricciones** en el problema de optimización. - El **solver del NLP** (como IPOPT, SNOPT, etc.) internamente resuelve estos sistemas con **Newton-Raphson** o variantes (ej. SQP o IPM), cada vez que necesita evaluar la factibilidad o buscar una dirección de descenso. ---
## 🎓 Ejemplo breve (Newton en 2 variables) Queremos resolver:
***{x2+y−37=0x−y2−5=0\\begin{cases} x^2 + y - 37 = 0 \\\\ x - y^2 - 5 = 0 \\end{cases}***
Pasos:
1. Definir f(x,y)=\[x2+y−37x−y2−5\]f(x, y) = \\begin{bmatrix} x^2 + y - 37 \\\\ x - y^2 - 5 \\end{bmatrix} 2. Calcular su Jacobiano: J=\[2x11−2y\]J = \\begin{bmatrix} 2x & 1 \\\\ 1 & -2y \\end{bmatrix} 3. Iterar usando Newton hasta que ∥f(x,y)∥\\|f(x, y)\\| sea pequeño. ---
¿Te gustaría ver esto resuelto paso a paso con código (Python/NumPy) o con una herramienta como **CasADi** para usarlo en MPC?