模型预测控制(Model predictive control,简称MPC)以其优越的控制性能和强大的处理约束能力在过程控制系统中得到了广泛应用。近年来,对模型预测控制的研究在优化问题的迭代可行性,闭环系统稳定性以及在线计算复杂度分析等诸多方面取得了一系列重要成果,并且其理论已经达到相对成熟的阶段。然而,模型预测控制方法在轮式机器人的应用中尚处于研究初期,仍然存在很多重点及难点问题亟待解决。例如,如何在非完整约束以及耦合输入条件下设计终端集及相应的终端控制器;如何利用外界扰动信息来设计控制器,以保证系统的迭代可行性以及闭环稳定性,并达到一个更好的控制性能;以及如何进一步缓解模型预测控制的计算负荷以满足实时控制性能要求等。鉴于此,本论文的目的是针对轮式机器人的跟踪问题,设计实用的模型预测控制方法。本文的主要研究内容及贡献总结如下。一、针对具有耦合输入约束的轮式机器人跟踪问题提出一种模型预测控制方法。其跟踪的方式是基于虚拟结构的,跟随者的期望跟踪位置是基于领航者机体FrenetSerret坐标系下的一个虚拟结构坐标点,而跟随者的期望控制输入不仅取决于领航者的速度,也取决于分离向量。本文给出了一个领航者的控制输入应满足的充分条件,以使得跟随者在满足控制输入约束的条件下仍然能够跟踪其期望位置。基于此,为跟随者设计了一种模型预测算法,并通过设计一个菱形不变终端集及相应的终端控制器来保证算法的迭代可行性及系统稳定性。仿真结果验证了提出的模型预测控制算法的有效性。二、在以上的研究基础上,进一步考虑外界扰动。针对受约束及有界扰动的轮式机器人的跟踪控制问题,设计两种鲁棒模型预测控制算法:基于Tube的鲁棒模型预测控制以及标称鲁棒模型预测控制方法。在基于Tube的鲁棒模型预测控制方法中,控制信号由两部分组成:一个由求解优化问题得到的最优控制量,以及一个基于实际状态与标称系统的最优状态之差设计的反馈控制律。该控制器可以使得系统的实际轨迹保持在一个以标称系统最优轨迹为中心的Tube内。我们证明了该算法是迭代可行的且闭环系统是输入到状态稳定的,并且通过收缩输入约束以及终端集,满足了系统约束。在标称鲁棒模型预测控制方法中,在每个采样时刻都根据当前实际状态,通过求解一个优化问题得到一个最优控制序列,然后将该序列中的第一个控制量以一种开环的方式应用于实际系统。在每一步,标称系统的状态都通过实际状态来进行更新,这进一步提供了反馈信息。通过引入一个鲁棒状态约束条件并收缩终端集,可证明算法的迭代可行性,并且系统也是输入到状态稳定的。仿真结果验证了所提出的两种控制策略的有效性。三、上面讨论的鲁棒模型预测控制方法,实际上是基于所有扰动实现的最坏情况设计的,其目的是牺牲一定的标称系统性能以达到尽可能好的鲁棒性能。因此,我们提出了一种抗扰模型预测控制(Disturbance rejection model predictive control,简称DRMPC)算法,以实现存在匹配输入扰动的非完整性约束机器人的跟踪控制。基于此,设计了两种扰动观测器(Disturbance observer,简称DOB)分别用于估计未知动态扰动以及已知谐振频率构成的扰动。通过结合扰动观测器以及模型预测控制算法,提出了抗扰模型预测控制策略。通过收缩终端集以及输入约束保证了优化问题的迭代可行性。同时,证明了如果扰动是动态未知的,那么闭环系统是关于扰动导数输入到状态稳定的;如果已知扰动的谐振频率,那么系统可达到无偏跟踪。最后,提供了仿真及实验结果以验证所提出方法的有效性。四、考虑到传统模型预测控制方法需要非常大的计算量,我们针对非完整约束机器人的跟踪问题提出了一种事件驱动模型预测控制方法。通过根据实际轨迹以及预测轨迹的差设计一个阈值,给出了事件驱动的触发机制,其目的是减少求解优化问题的频率。然后,基于事件触发机制设计了一个模型预测控制算法。通过设计一个鲁棒终端集以及选择合适的参数,确保算法的迭代可行性。我们证明跟踪系统是实用稳定的,并给出了跟踪误差最终收敛的正不变集,该集合表明跟踪性能与最小事件间隔时间以及扰动上界是成反比关系的。仿真结果表明,计算负荷大大降低了,显示了我们提出的方法有效性。五、上述的事件驱动模型预测控制方法可以从一定程度上缓解计算负荷,但是这种方法只降低了求解优化问题的频率,在每个更新时刻的计算复杂度依然很高。因为预测时域通常是一个常值,因此我们提出基于事件的自适应时域模型预测控制方法。首先针对一类具有加性扰动的离散非线性系统,提出一种自驱动自适应时域模型预测控制方法。在每个触发时刻,控制器可以通过求解一个优化问题给出一个最优控制序列,同时计算出下一次的触发时刻以及预测时域。通过执行这个算法,平均采样频率降低了,并且预测时域随着系统状态靠近终端集而自适应地缩短。并且,给出了与标称周期采样模型预测控制相比的一个性能损失上界,保证了优化问题的迭代可行性与闭环系统的稳定性,仿真结果验证了这种算法的有效性。然后,我们将这种方法应用到轮式机器人的跟踪问题当中,并将该方法推广为事件驱动以及自驱动的情形。算法在实验平台上进行了验证,证明了所提出的算法可以从两方面减少计算负荷:通过降低求解优化问题的频率以减少计算量,以及通过缩短预测时域来降低计算复杂度。最后,总结归纳了本论文的主要研究成果,并对今后的工作进行了展望。