精读笔记

Problem Setting

这篇论文不是一般意义上“给 CDPR 加一个 MPC”，而是在解决一个更尖锐的问题：冗余驱动 CDPR 的轨迹跟踪里，张力必须始终正且有上界，而可产生的 wrench/acceleration 集合又强烈依赖姿态、速度、几何和动力学模型；当模型误差、张力环误差、外扰存在时，MPC 的 nominal prediction 会偏移，原本离线算出的 feasible pose corridor 可能不再安全。

真正困难点在于 tracking performance 和 constraint feasibility 是耦合冲突的：跟踪控制想用更大加速度快速纠偏，但 cable tension feasibility 可能在某些姿态附近很窄；保守处理扰动可以保证安全，却会把本来就窄的 FPC 进一步压缩到 infeasible。传统 CTC + force distribution 把控制和张力分配拆开，导致控制器输出的 wrench 可能根本无法由合法张力实现；W-MPC 把 acceleration 作为优化变量并通过离线工作空间分析变成 QP，但它本质上仍是 nominal MPC，对扰动只能靠隐含鲁棒性和保守 margin。

Motivation

作者针对的是 W-MPC 的一个结构性缺口：W-MPC 的可部署性来自把原始 nonlinear OCP 换成线性预测 + 常凸约束，但这个简化牺牲了对未知扰动的处理。一旦实际系统偏离 nominal model，预测误差会直接消耗离线 FPC 的安全裕度，尤其在工作空间边界附近，feasibility 比 tracking error 更先崩。

核心观察是：CDPR 中大量误差源——几何标定误差、质量惯量误差、张力环非理想、摩擦、外力——在 acceleration 层可以统一看成 lumped disturbance。既然 W-MPC 已经把输入抽象成 acceleration，那么最自然的补强不是回到复杂 NMPC，而是在 acceleration model 上估计并补偿这个 disturbance。关键缺口不是“有没有 DOB”，而是：如何把 DOB estimate 接入 MPC 后仍然有递归可行性，并且不要因为鲁棒 tightening 过度保守而失去 W-MPC 的优势。

Core Idea

核心思想可以概括为：把可观测扰动从不确定性集合中拿出来，只让 MPC 对不可观测 residual 负责。DOB 在线估计当前 lumped disturbance，MPC 预测模型在整个 horizon 内使用该估计；由于未来扰动不可知，作者显式把两类 residual 纳入 tube：DOB 估计误差 D，以及扰动随时间变化的 ΔW。这样约束 tightening 不再围绕完整扰动集 W 做 worst-case，而是围绕更小的 residual tube 做。

这改变了 W-MPC 的信息流：原 W-MPC 是 desired trajectory + offline workspace corridor 决定一个 nominal QP；本文变成 state/error + disturbance estimate + online tightened constraints 决定一个 disturbance-conditioned QP。它的 inductive bias 是“主要扰动慢变且可观测，未观测部分有小界”，这比完全鲁棒 MPC 更不保守，也比简单 DOB feedforward 更有约束安全性。本质区别不在于用了 DOB 或 tube MPC 这两个组件，而在于针对 CDPR 的 acceleration-level W-MPC 结构，把 DOB residual 和 feasible workspace tightening 接到一起。

Method

1. Acceleration-level W-MPC 保留为骨架：通过 feedback linearization，把 CDPR 的非线性动力学转成双积分形式，优化变量从 cable tension 变成 MP acceleration。这样原始张力约束通过离线 FPC/workspace analysis 转为 QP 中的线性/凸约束。它解决的是实时可解性问题，也是整篇方法能部署的基础。

2. Lumped disturbance 建模：所有模型误差、外扰、Jacobian 误差、张力损失被合并成 acceleration disturbance d。这个建模把复杂不确定性从力/张力空间投影到 MPC 真正预测的 acceleration 空间，避免分别建模各误差源。其代价是需要相信 d 和 Δd 有已知界。

3. DOB-enhanced prediction：非线性 DOB 估计 d_hat，并把 d_hat 加入预测模型。这里不是单纯 input feedforward，而是让预测轨迹本身以当前扰动条件为中心展开。它直接减少 nominal prediction bias，是 tracking accuracy 提升的主要来源。

4. Auxiliary feedback + tube tightening：输入重写为 desired acceleration、优化变量、辅助反馈 K e 的组合，使误差动力学由稳定 A_K 控制。DOB residual 通过稳定系统传播，形成有界 tube M_j；状态约束收缩 E_j ⊖ M_j，输入约束收缩 A_c ⊖ K M_j ⊖ S_j。这个机制解决的是“用了 DOB 后仍有 residual，会不会破坏 feasibility”的问题。

5. Disturbance variation compensation：由于 horizon 内只能用当前 d_hat，作者单独构造 S_j(d_hat) 描述未来估计变化的可能范围，并对输入约束做在线 tightening。这个设计的意义是避免把整个 W 都塞进每一步输入约束，从而降低保守性。

6. Terminal LQR/set：终端控制器和终端集用于标准 MPC 递归可行性/ISS 证明。它是理论闭环必需组件，但不是性能提升的核心。

7. Integrated FD in QP：当前步 tension 作为 QP 变量同时求解，加入张力平滑项。这个部分主要是 engineering/deployment 优化；理论上不是核心机制，但对真机张力连续性和实时性有实际价值。

Key Insight / Why It Works

最关键的 insight 是 residualization：把扰动估计值作为预测模型的一部分，把鲁棒约束只留给估计误差和扰动变化，而不是对完整扰动集合保守防御。这一点直接决定了方法为什么比 nominal W-MPC 稳、又比 naive robust MPC 不那么保守。

方法有效的第一原因是模型中心被纠正。W-MPC 的预测误差来自 nominal acceleration dynamics 忽略 d；DOB 使预测中心随真实系统偏置移动，因此同样的 FPC margin 不再被系统性 bias 消耗。对于 CDPR 这种靠近 wrench feasible boundary 时 margin 很小的系统，这比单纯调大反馈增益更重要。

第二原因是 tube 被稳定辅助反馈压住。没有 K 时，双积分系统下 residual disturbance 的 reachable set 会随 horizon 快速膨胀，constraint tightening 很快不可用；A_K 稳定后，M_j 收敛到有界集合，递归可行性证明才有空间。这里 K 不是普通反馈增强，而是让鲁棒集合计算从发散变成收敛。

第三原因是 online constraint tightening 使用了 d_hat 的当前值。S_j(d_hat) 实际把“扰动未来变化”写成条件集合，而不是固定 worst-case。这个 conditional tightening 是相对 W-MPC 的实质新增信息：当前观测到的扰动不只是 feedforward 控制量，也改变了未来约束的安全边界。

最可能的核心贡献是 DOB residual-aware tube tightening，而不是 DOB 本身、LQR terminal set、或 FD 合并。DOB 是成熟工具；tube MPC 也是成熟工具；W-MPC 也已有。本文真正有价值的是把三者在 CDPR acceleration/FPC 表达下组织成一个仍是 QP 的控制器，并给出递归可行性与 ISS 论证。

哪些可能只是辅助/engineering：HPIPM 求解、张力平滑项、FD 集成、K 的对角/近似设计、在线集合更新的实现技巧，主要服务部署效率。实验中的 tracking gain 有一部分也可能来自更好的 disturbance feedforward，而非完整 tube 机制；tube 的贡献更多体现在 feasibility/safety claim。

这不是 scaling，也不是 data-driven generalization；它本质是 better inductive bias + test-time state/disturbance conditioning。它利用系统结构把未知扰动压缩成低维 acceleration residual，并在 test time 用 DOB 更新预测模型和约束。

Relation To Prior Work

最接近的技术谱系有三条：一是 CDPR 的 computed torque/control + force distribution 分离式框架；二是 Santos/Song 等 CDPR MPC，尤其 workspace-based linear MPC；三是 disturbance observer / offset-free MPC / tube MPC。

相对分离式 CTC+FD，本文的本质区别是约束进入预测优化，而不是控制后再投影到可行张力。分离式方法的问题是可行性只在最后一步检查，控制器本身不知道张力边界；本文从一开始就在 feasible acceleration corridor 内规划。

相对 NMPC，本文牺牲模型精确性，换取 QP 级实时性。它不是更“完整”的 OCP，而是更可部署的结构化近似：非线性 CDPR 约束通过离线工作空间分析变成常凸集合，在线只做线性 MPC。

相对原 W-MPC，实质新增是 disturbance-conditioned prediction 和 residual tube。W-MPC 已经解决了实时可解性，但没有解决 nominal bias；本文把 robustness 接进去，而且避免对完整 W 做统一收缩。

相对一般 DOB-MPC/offset-free MPC，本文的新意在 CDPR 特定约束结构：估计扰动不仅用于 offset compensation，还用于更新 tightened acceleration constraints 和 FPC constraints；并且张力正有界约束通过 W-MPC 的 acceleration feasible set 间接保持。这是已有思想的有效重组，但重组位置很准确。

Dataset / Evaluation

评估不是 dataset 型，而是控制系统仿真 + 真机实验。覆盖范围包括 6-DOF/8-cable CDPR、平移多段轨迹、平移-旋转耦合轨迹、不同级别模型误差/标定误差/张力误差、人工扰动以及 pick-and-place 变载荷。对机器人控制论文来说，真机闭环和张力约束记录是比较有说服力的。

实验基本验证了三个 claim：第一，DOB compensation 能降低 tracking error；第二，tube tightening 能在扰动下保持约束满足并减少 W-MPC infeasibility；第三，在线 QP 在 15 ms 控制周期内可运行。尤其靠近工作空间边界和变载荷任务，比单纯平滑轨迹更能说明 feasibility robustness。

但评估也有明显边界：平台只有一个，FPC 和扰动界来自该平台的离线/历史数据；没有展示在完全不同 CDPR 几何、不同 cable elasticity、接触任务或更大 workspace 上的泛化。消融也不够彻底：DOB-only without tube、tube with full W、不同 D/ΔW misspecification、不同 K 设计对可行性的影响都没有充分展开。因此实验支持“在该类平台和假设下有效”，但不足以证明方法对任意 CDPR 场景都稳健。

Limitation

最核心的限制是理论保证依赖集合界的可信性。W、ΔW、D 都需要预先给定，而且文中主要通过 preliminary simulations / historical data 设定。若这些集合偏小，安全保证失效；若偏大，tightening 重新变得保守甚至 infeasible。论文没有给出系统化的在线界更新或概率安全处理。

第二个限制是 DOB 的高增益假设和噪声 trade-off。文中给出 L 增大时误差界下降的分析，但真实系统中速度估计噪声、张力传感噪声、离散化、延迟会被放大。增益来源不清：具体性能提升有多少来自 DOB 参数调好，有多少来自 MPC 结构，缺少足够消融。

第三，FPC/offline workspace analysis 是可部署性的前提，也是 scalability 瓶颈。高维姿态、更复杂 cable interference、弹性索、柔性结构、动态障碍都会让离线 corridor 计算更难。方法把非线性约束难题部分转移到了离线 FPC 和集合 tightening。

第四，理论证明中有一些工程近似色彩。例如 terminal step 中 K 与 K_LQR 的近似关系、足够大 horizon 条件、Euler discretization error negligible 等，在实际部署中不一定严格成立。递归可行性证明更像“在结构良好且参数足够保守时成立”，不是无条件 robust guarantee。

第五，当前方法仍是短 horizon 局部轨迹跟踪控制，不是全局 motion planning。它能保证给定 desired trajectory 附近的 tube feasibility，但如果 desired trajectory 本身穿过极窄或错误估计的 feasible corridor，MPC 不能生成真正新的全局避障/重规划策略。

Takeaway

• 1. 对 CDPR 这类约束主导系统，最有效的鲁棒化不是盲目扩大 feedback gain，而是把可估计扰动从 uncertainty set 中剥离，降低 constraint tightening 的对象规模。
• 2. W-MPC 的价值在于把复杂张力约束离线几何化、在线 QP 化；本文说明这个框架可以通过 DOB + tube 继续增强，而不必退回 NMPC。
• 3. 可迁移 insight：在任何“离线可行走廊 + 在线线性 MPC”的机器人系统中，disturbance-conditioned tube tightening 可能比 fixed robust margin 更实用，尤其当工作空间边界附近 margin 昂贵时。
• 4. 未来真正值得做的是让 W、ΔW、D 不再是手工/历史数据给定，而是在线估计、风险感知或自适应更新；否则理论安全和实际部署之间仍有人工调参鸿沟。

一句话总结

这篇论文把 CDPR 的 workspace-based linear MPC 推进为 disturbance-conditioned tube MPC，真正贡献是用 DOB 将大扰动转化为小 residual 并据此做低保守约束收缩，是一类结构化鲁棒控制而非单纯工程调参。