Adaptive Model Predictive Control of Nonlinear Generic Urban Air Mobility Using Linear Parameter-Varying Systems
The University of Texas at Dallas（德克萨斯大学达拉斯分校）
提出一种针对全飞行包线内非线性城市空中交通飞行器的自适应模型预测控制框架，利用线性参数变表示在线更新预测模型，并采用NSGA-II多目标优化进行控制器调谐，在NASA GUAM模型上验证了改进的轨迹跟踪和鲁棒性。
2026-06-07 cs.SY eess.SY
Distributed Stochastic Model Predictive Control for an Urban Traffic Network
在本文中，我们设计了一个随机模型预测控制（MPC）交通信号控制方法的城市交通网络的外生（入/出）流量和下游交通流的转向比的估计中的不确定性考虑。假设交通模型参数是具有已知期望和方差的随机变量，交通信号控制和协调问题被表示为具有线性和二阶锥约束的二次规划。为了降低计算复杂度，我们提出了一种方法来分解对应于整个交通网络的优化问题成多个子问题。应用交替方向乘子法（ADMM），以分布式方式找到最优的随机交通信号分配。通过VISSIM和MATLAB仿真验证了所设计控制方法的有效性。
2022-09-02 cs.SY eess.SY
Real-Time Unified Trajectory Planning and Optimal Control for Urban Autonomous Driving Under Static and Dynamic Obstacle Constraints
University of Waterloo（滑铁卢大学）
轨迹规划和控制在历史上被分为自动驾驶堆栈中的两个模块。轨迹规划侧重于更高级别的任务，如避开障碍物和停留在路面上，而控制器则尽最大努力遵循不断变化的参考轨迹。我们认为，这种分离是（1）有缺陷的，由于规划的轨迹和控制器可以可行地执行，（2）不必要的，由于模型预测控制（MPC）范例的灵活性之间的不匹配。相反，在本文中，我们提出了一个统一的MPC为基础的轨迹规划和控制方案，保证可行性方面的道路边界，静态和动态环境，并强制执行乘客的舒适性约束。该计划进行了严格的评估，在各种情况下，重点是证明最优控制问题（OCP）的设计和实时的【形】解决方案的有效性。原型代码将在https://github.com/WATonomous/control上发布。
2022-09-19 cs.RO cs.SY eess.SY
Learning-Augmented Control: Adaptively Confidence Learning for Competitive MPC
本文提出学习增强控制（LAC），通过在线自适应置信度学习融合不可信机器学习预测与标称预测，在非线性系统MPC中实现准确预测时近最优、预测错误时鲁棒安全，并给出竞争比界及数值验证。
2025-07-19 cs.SY eess.SY
Risk-Aware MPC for Stochastic Systems with Runtime Temporal Logics
本文针对运行时动态分配时序逻辑规范的随机系统，提出一种可证明正确的风险感知模型预测控制方案，在保证既有规范满足的前提下动态评估并满足新规范，并通过机器人运动规划案例验证。
2024-04-30 cs.LO cs.SY eess.SY
Event-triggered Robust Model Predictive Control under Hard Computation Resource Constraints
本文提出一种事件触发模型预测控制（ET-MPC）方法，通过分布式事件触发线性控制与约束收紧的鲁棒MPC相结合，降低最坏情况计算负载，在扰动下稳定多个非线性系统，显著降低中央服务器硬件需求。
2025-04-28 cs.SY eess.SY
Towards Provably Safe Mixed Transportation Systems with Human-driven and Automated Vehicles
Department of Electrical and Computer Engineering, Texas A&M University（德克萨斯农工大学电气与计算机工程系）
本文研究了在人驾驶和自动驾驶车辆混合交通系统中如何设计可证明安全的系统，通过制定运动规划策略和协调规则，确保系统安全性和通过能力。
2018-10-13 cs.SY eess.SY
Eco-driving under localization uncertainty for connected vehicles on Urban roads: Data-driven approach and Experiment verification
本文针对城市道路联网车辆在定位不确定性下的生态驾驶问题，提出一种数据驱动MPC方法，通过学习代价函数和约束实现短时域实时速度规划，并在实车实验中实现12%的能效提升。
2024-04-04 cs.SY eess.SY
Optimization and scheduling for a large scale urban transportation system in a fast-changing world
本文提出了一套技术解决方案，利用优化和控制方法，可以在不久的将来实施，将现有的运输系统改造成更智能，互动的系统。这将改善公共服务和居民的生活质量。讨论了与人们日常生活密切相关的三个应用场景。首先，我们提出了一个交通灯调度策略，使用模型预测控制（MPC）的方法，目的是公平地减少行人和车辆的延误。在此基础上，提出了调度操作一体化系统以提高控制灵活性，并给出了相应的上车控制实现方案。最后，提出了一种将公共交通和自动驾驶汽车系统相结合的可能方案，以改善现有的公共交通系统。
2023-01-28 cs.SY eess.SY
Distributed MPC-based Coordination of Traffic Perimeter and Signal Control: A Lexicographic Optimization Approach
Posts and Telecommunications Institute of Technology（邮电研究院）；Gwangju Institute of Science and Technology（光州科学技术院）
针对城市交通网络拥堵问题，提出基于字典序优化的区域与信号协同控制策略，采用MPC保障约束满足，通过ADMM实现分布式求解，仿真验证了策略的有效性。
2025-10-05 cs.SY eess.SY
Provably Safe and Robust Drone Routing via Sequential Path Planning: A Case Study in San Francisco and the Bay Area
Toshiba（东芝）
本文通过顺序路径规划方法在大规模多无人机系统中实现安全高效的路径规划，展示了其在城市和多城市环境中的应用效果。
2017-05-10 cs.SY eess.SY
A Finite-Sampling, Operational Domain Specific, and Provably Unbiased Connected and Automated Vehicle Safety Metric
Ohio State University（俄亥俄州立大学）
互联自动化车辆安全指标通过分析涉及SV与其他动态道路用户和环境特征之间的交互的数据来确定主体车辆（SV）的性能。当数据集仅包含从自然混合交通驾驶环境中收集的有限样本集时，通过指定SV在哪个域中预计是安全的以及SV在该域中的统计安全性如何，预计度量将安全评估结果从观察到的有限样本推广到未观察到的情况。然而，据我们所知，现有的安全性指标都不能证明上述属性具有特定于操作领域的、保证完整的和可证明无偏见的安全性评价结果。在本文中，我们提出了一种新的安全性度量，涉及$α$ -形状和$ε$ -几乎鲁棒前向不变集来表征SV的几乎安全的可操作域和概率SV保持在安全域内，分别。所提出的方法的经验表现在几个不同的操作设计领域通过一系列的情况下，涵盖了各种保真度水平（现实世界和模拟器），驾驶环境（高速公路，城市和十字路口），道路使用者（汽车，卡车和行人），和SV驾驶行为（人类驾驶员和自动驾驶算法）。
2022-02-02 cs.RO cs.SY eess.SY
Experimental Validation of Safe MPC for Autonomous Driving in Uncertain Environments
Chalmers University of Technology（查尔姆斯理工大学）；Zenseact AB（Zenseact公司）；IMT School for Advanced Studies Lucca（卢卡IMT高等研究院）；Università di Modena e Reggio Emilia（摩德纳-雷焦艾米利亚大学）
针对自动驾驶需可证明安全的需求，提出基于MPC的安全框架，可在满足约束下跟踪参考轨迹，经仿真和实车实验验证了其有效性与实时性。
2023-05-05 cs.RO cs.SY eess.SY
TRUST-UP: Trustworthy Reinforcement learning Using Safe Techniques for UAV Pursuit
School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与航空航天工程学院）；Air Traffic Management Research Institute, Nanyang Technological University（南洋理工大学空中交通管理研究所）；Georgia Institute of Technology（佐治亚理工学院）
提出TRUST-UP算法，通过控制障碍函数安全滤波和切换策略，实现无人机在拥挤城市环境中的安全自主追踪，满足航空认证的可信需求。
2026-06-15 cs.SY eess.SY
Boundary Control of Traffic Congestion Modeled as a Non-stationary Stochastic Process
在本文中，我们介绍了一种新的基于守恒的方法来模拟交通动力学，并应用模型预测控制（MPC）的方法来控制边界的交通流入和流出，从而减少交通拥挤。我们建立了一个接口之间的仿真城市流动性（SUMO）软件和MATLAB定义的网络互联的道路（NOIR）作为一个有向图，交通拥堵管理作为一个网络控制问题。通过正式指定的交通可行性条件，并使用线性时序逻辑，我们提出了建议MPC为基础的边界控制问题作为一个二次规划的线性等式和不等式约束。通过对费城中心城市交通拥堵控制的仿真，验证了该方法的有效性。
2021-10-11 cs.SY eess.SY
Real-time MPC with Control Barrier Functions for Autonomous Driving using Safety Enhanced Collocation
针对自动驾驶NMPC安全约束扩展性差、计算量大的问题，提出融合控制屏障函数、基于新型RESAFE/COL配点法的实时NMPC，速度提升5倍且更适配嵌入式硬件，避撞能力提升91%。
2024-07-11 cs.SY eess.SY math.OC
A state reduction approach for learning-based model predictive control for train rescheduling
本文提出一种用于城市轨道交通列车重新调度的基于学习的模型预测控制状态缩减方法，通过分类器与MPC分别处理离散与连续变量，有效提升了性能并减少内存使用。
2025-04-28 cs.SY eess.SY math.OC
MPC as a Copilot: A Predictive Filter Framework with Safety and Stability Guarantees
University College London（伦敦大学学院）；Southeast University（东南大学）；Loughborough University（拉夫堡大学）
本文提出PS2F框架，结合MPC和过滤层，确保系统约束和渐近稳定性，通过递归可行性分析和时间变化参数化实现安全与稳定平衡。
2026-03-29 cs.RO cs.SY eess.SY
Safe Reinforcement Learning with Chance-constrained Model Predictive Control
UC Berkeley（加州大学伯克利分校）
现实世界中的强化学习（RL）问题通常要求智能体通过遵守一组设计的约束来安全地行为。我们通过将基于模型预测控制（MPC）的安全指南与线性设置中具有连续动作的修改后的策略梯度框架相耦合来解决安全RL的挑战。该指南通过在MPC公式中嵌入安全要求作为机会约束来强制执行系统的安全操作。然后，策略梯度训练步骤包括训练基本策略以安全地运行的安全惩罚。我们从理论上证明，这种惩罚允许一个可证明安全的最佳基础政策，并说明我们的方法与模拟线性化四旋翼实验。
2022-03-28 cs.LG cs.SY eess.SY
Interaction-Aware Model Predictive Decision-Making for Socially-Compliant Autonomous Driving in Mixed Urban Traffic Scenarios
Institute of Control Systems, Karlsruhe Institute for Technology（控制系统研究所，卡尔斯鲁厄技术学院）；Wuerzburg Institute for Traffic Sciences GmbH（魏玛交通科学研究所有限公司）；Faculty of Engineering - Mechanical Engineering Dept, University of Alberta（工程学院-机械工程系，阿尔伯塔大学）
本文提出交互感知模型预测决策框架，用于提升自动驾驶在混合城市交通场景中的社会合规性与安全性。
2026-02-24 cs.RO cs.SY eess.SY
Improving Urban Traffic Throughput with Vehicle Platooning: Theory and Experiments
在本文中，我们提出了一个模型预测控制（MPC）为基础的方法在城市交通环境中的车辆排队。我们的主要目标是证明，车辆排队有可能显着增加在交叉口，这可能会造成交通流量的瓶颈吞吐量。为此，我们的方法依赖于车辆连接：车辆到车辆（V2V）和车辆到基础设施（V2I）通信。特别是，我们引入了一个自定义的V2V消息集，它具有速度预测，即对未来速度轨迹的预测，这使得排队车辆能够准确地保持较短的跟随距离，从而提高吞吐量。此外，V2I通信允许车队立即对附近交通灯的状态变化做出反应，例如当交通相位变为绿色时，从而实现交通效率的额外提高。我们提出了我们的车辆排队系统的设计，然后通过估计潜在的收益方面的吞吐量，使用我们的模拟结果，以及与真实的测试车辆在一个封闭的轨道上进行的实验来评估性能。最后，我们简要地概述了我们的示范，在阿卡迪亚，加利福尼亚州的公共道路上的车辆排队。
2020-07-28 cs.SY eess.SY math.OC
Differentiable Predictive Control for Large-Scale Urban Road Networks
Pacific Northwest National Laboratories（太平洋西北国家实验室）；University of Pennsylvania（宾夕法尼亚大学）
本文提出基于可微预测控制（DPC）和宏观基本图的城市路网控制方法，在保证约束满足的同时，相比MPC实现计算时间降低4个数量级、交通性能最高提升37%，并具备良好的场景适应性。
2024-06-14 cs.LG cs.SY eess.SY
Safe Intersection Management for Mixed Transportation Systems with Human-Driven and Autonomous Vehicles
Texas A&M University（德克萨斯农工大学）
本文研究了混合交通系统中人驾驶和自动驾驶车辆共存时的安全管理问题，提出了一种基于MPC的协议和交通信号协调协议，以确保交叉口的安全性。
2018-10-14 cs.SY eess.SY
Learning-based model predictive control for passenger-oriented train rescheduling with flexible train composition
Delft University of Technology（代尔夫特理工大学）；Beijing Jiaotong University（北京交通大学）
本文提出一种结合学习与优化方法的模型预测控制方法，用于实时列车重调度，考虑灵活编组和车辆周转，以应对时间变化的乘客需求。
2025-07-31 cs.SY eess.SY
Deep Learning-Based Vehicle Speed Prediction for Ecological Adaptive Cruise Control in Urban and Highway Scenarios
University of Kaiserslautern（凯泽斯劳滕大学）
在典型的车辆跟随场景中，目标车辆速度波动作为对主车辆的外部干扰，进而影响其能量消耗。为了使用模型预测控制（MPC）以节能的方式控制主车辆，并且此外，提高生态自适应巡航控制（EACC）策略的性能，预测目标车辆的未来速度是必要的。为此，本文研究了一种基于深度递归神经网络的车辆速度预测方法，该方法使用长短期记忆（LSTM）和门控递归单元（GRU）。此外，还讨论了基于物理的常速度（CV）和常加速度（CA）模型。用于训练的连续时间序列数据（例如，通过车辆到车辆（V2V）通信获得的目标及其前方车辆的速度轨迹、道路速度限制、使用车辆到基础设施（V2I）通信收集的交通灯当前和未来相位）从微观交通模拟器SUMO中创建的城市和高速公路网络收集。建议的速度预测模型进行评估的长期预测（最多10秒）的目标车辆未来的速度。此外，结果显示，基于LSTM的速度预测器在对未知测试数据集实现更好的预测准确性方面优于其他模型，从而展示了更好的泛化能力。在此基础上，对装有EACC的主车在预测速度下的性能进行了评价，并给出了不同预测时间段的节能效益。
2022-11-30 cs.LG cs.SY eess.SY
A Framework for Time-Consistent, Risk-Sensitive Model Predictive Control: Theory and Algorithms
Stanford University（斯坦福大学）；Princeton University（普林斯顿大学）
本文提出了一种针对线性系统随机乘性不确定性的风险敏感模型预测控制框架，通过时间一致的动态风险评估累积成本作为目标函数，实现稳定的风险敏感MPC算法，并将其转化为可实时实现的凸优化问题。
2018-04-25 cs.SY eess.SY math.OC
A Unified MPC Strategy for a Tilt-rotor VTOL UAV Towards Seamless Mode Transitioning
Carnegie Mellon University（卡内基梅隆大学）
提出一种基于MPC的统一控制策略，解决倾转旋翼VTOL无人机无需模式切换的控制分配问题，利用四旋翼冗余设计提升容错性，在性能上优于PID控制器并实现平滑过渡与精确转弯。
2024-02-12 cs.RO cs.SY eess.SY
DualGuard MPPI: Safe and Performant Optimal Control by Combining Sampling-Based MPC and Hamilton-Jacobi Reachability
University of Santiago de Chile（智利圣地亚哥大学）；University of Southern California（南加州大学）；Olin College of Engineering（奥林工程学院）；Stanford University（斯坦福大学）
针对采样型MPPI控制难以保证安全性的问题，提出将Hamilton-Jacobi可达性分析集成到采样过程中的DualGuard-MPPI框架，在确保样本安全的同时提升探索效率，仿真与硬件实验验证了其安全性与高性能。
2025-06-20 cs.RO cs.SY eess.SY
Energy-efficient predictive control for connected, automated driving under localization uncertainty
本文提出一种数据驱动的模型预测控制方法，通过学习终端成本与约束优化互联自动驾驶车辆的纵向运动，实现城市道路节能行驶，仿真与车辆在环实验表明其平均能效较传统方法提升19%。
2024-07-29 cs.SY eess.SY
Cooptimizing Safety and Performance Using Safety Value-Constrained Model Predictive Control
Ming Hsieh Department of Electrical and Computer Engineering, University of Southern California（南加州大学明希德电气与计算机工程系）；Department of Aeronautics and Astronautics, Stanford University（斯坦福大学航空与航天系）；Electrical and Computer Engineering Department, New York University（纽约大学电气与计算机工程系）
本文提出基于安全价值函数的终端约束MPC方法，实现安全与性能的协同优化，通过仿真和硬件实验验证了其在约束满足和鲁棒性方面的改进。
2026-04-26 cs.RO cs.SY eess.SY
Integrated Behavior Planning and Motion Control for Autonomous Vehicles with Traffic Rules Compliance
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）
本文提出一种基于优化的融合行为规划与运动控制方案，通过将交通规则势函数纳入MPC目标函数，在CARLA仿真中实现安全合规且实时可泛化的城市自动驾驶行为。
2023-11-30 cs.RO cs.SY eess.SY
Robust Multi-Agent Safety via Tube-Based Tightened Exponential Barrier Functions
University of Alabama（阿拉巴马大学）
本文提出一种构造性框架，用于合成非线性多智能体系统在有界扰动下的可证明安全控制器。核心贡献是通过约束紧缩方法将鲁棒误差反馈与名义轨迹规划相结合，利用RPI管的几何特性推导状态依赖的安全余量，从而保证轨迹安全性。
2026-04-01 cs.SY eess.SY
Update-Aware Robust Optimal Model Predictive Control for Nonlinear Systems
针对传统鲁棒最优MPC因未考虑未来轨迹更新导致设计保守的问题，提出一种面向非线性系统的更新感知鲁棒最优MPC算法，通过嵌套带约束半无限规划求解，可扩大可行域并提升最坏性能，在平面四旋翼任务中效果优于传统方法。
2025-09-03 cs.SY eess.SY math.OC
Provably Safe and Robust Learning-Based Model Predictive Control
Electrical Engineering and Computer Sciences（电气工程与计算机科学系）
提出一种基于学习的模型预测控制（LBMPC）方案，通过解耦安全与性能，利用统计学习改进性能并保证鲁棒性。
2012-08-04 cs.LG cs.SY eess.SY
Reinforcement Learning with Model Predictive Control for Highway Ramp Metering
Delft Center for Systems and Control, Delft University of Technology（代尔夫特理工大学代尔夫特系统与控制中心）
本研究提出将强化学习嵌入模型预测控制框架，用于高速公路匝道控制，通过构建阶段成本函数和函数近似，在模型不确定下学习优化控制策略，减少拥堵并满足约束，性能优于其他先进控制器。
2025-02-03 cs.AI cs.SY eess.SY
Model Predictive Control of Autonomous Mobility-on-Demand Systems
Department of Aeronautics & Astronautics, Stanford University（斯坦福大学航空航天系）
本文提出一种模型预测控制方法，用于优化自主按需出行系统中的车辆调度与路径规划，通过离散时间模型整合现实约束并证明算法稳定性，实验证明其在中等规模系统中能实时运行并优于传统控制策略。
2016-02-16 cs.SY eess.SY
Safe Planning in Dynamic Environments using Conformal Prediction
University of Southern California（南加州大学）；University of Pennsylvania（宾夕法尼亚大学）
提出结合保形预测区域与 MPC 的动态环境安全规划框架，可兼容 RNN/LSTM 且无需分布假设，并在 CARLA 行人交叉口验证概率安全保证。
2023-06-08 cs.RO cs.SY eess.SY
VisioPath: Vision-Language Enhanced Model Predictive Control for Safe Autonomous Navigation in Mixed Traffic
System Engineering Program, Cornell University（Cornell大学系统工程项目）；School of Civil and Environmental Engineering, Cornell University（Cornell大学土木与环境工程学院）；School of Electrical and Computer Engineering, Cornell University（Cornell大学电气与计算机工程学院）
VisioPath结合视觉-语言模型与模型预测控制，利用鸟瞰视频和零样本VLM获取周围车辆信息，构建椭圆避碰势场并集成到最优控制中，通过微分动态规划求解，在SUMO仿真中优于传统MPC，实现安全轨迹规划。
2025-07-08 cs.RO cs.SY eess.SY
Active Safety System for Semi-Autonomous Teleoperated Vehicles
Technical University of Munich（慕尼黑工业大学）；Delft University of Technology（代尔夫特理工大学）
自动驾驶汽车可以减少道路交通事故，并提供更安全的交通方式。然而，在将这些车辆部署到市场之前，需要解决关键的技术挑战，例如在复杂的城市环境中的安全导航。远程操作可以帮助从人类操作到完全自动驾驶汽车的平稳过渡，因为它仍然有人类在回路中，为驾驶员提供后备范围。本文提出了一种用于遥控驾驶的主动安全系统（ASS）方法。所提出的方法可以帮助操作员确保车辆在复杂环境中的安全性，即避免与静态或动态障碍物发生碰撞。我们的ASS依赖于一个模型预测控制（MPC）制定控制车辆的横向和纵向动态。通过利用MPC框架处理约束的能力，我们的ASS限制了控制器干预人类操作员命令的横向校正的权限，避免了人类操作员的反直觉驾驶体验。此外，我们设计了一个视觉反馈，以提高操作员的信任的ASS。此外，我们提出了一个MPC的预测时域数据为基础的新的预测显示，以减轻遥操作系统中的大延迟的影响。我们测试了所提出的方法在高保真车辆模拟器的动态障碍物和延迟的存在下的性能。
2021-06-28 cs.RO cs.SY eess.SY
Neural-Rendezvous: Provably Robust Guidance and Control to Encounter Interstellar Objects
Jet Propulsion Laboratory（喷气推进实验室）；California Institute of Technology（加州理工学院）；National Aeronautics and Space Administration（美国国家航空航天局）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出Neural-Rendezvous，一种基于深度学习的制导与控制框架，用于鲁棒、自主交会星际天体，通过谱归一化神经网络和逐点最小范数控制，提供可证明的误差指数界，并在模拟中验证了其性能。
2025-10-06 cs.AI cs.LG cs.RO
Reinforcement Learning-based Receding Horizon Control using Adaptive Control Barrier Functions for Safety-Critical Systems
Boston University（波士顿大学）
针对CBF约束参数与代价参数整定影响性能和可行性的问题，提出RL与MPC-CBF结合的双层优化滚动时域控制，并在CAV自动汇入场景中验证其性能提升与不可行案例减少。
2025-02-19 cs.AI cs.SY eess.SY
Conservation-Based Modeling and Boundary Control of Congestion with an Application to Traffic Management in Center City Philadelphia
本文提出了一种基于节约的方法来模拟交通动力学和缓解交通拥堵的网络互连的道路（NOIR）。我们使用城市交通仿真（SUMO）软件的基础上，费城中心城市的真实街道地图生成NOIR。然后，NOIR由有向图表示，其中节点标识中心城市区域中的不同街道。通过将街道划分为入口、出口和内部节点，采用模型预测控制（MPC）方法，将内部交通动态视为随机过程，通过优化NOIR边界的交通流入和流出，缓解路网交通拥堵。建议的边界控制问题被定义为一个二次规划问题的约束施加的可行性的交通协调，和一个代价函数定义的基础上，整个NOIR的交通密度。
2021-06-11 cs.SY eess.SY
Coordinated Ramp Metering Control based on Scalable Nonlinear Traffic Dynamics Model Discovery in a Large Network
针对大规模高速公路网络非线性交通模型难以实时获取的问题，本文提出利用SINDYc从数据中发现动态模型并与MPC结合，实现协调匝道计量控制，在含三条高速和八个匝道的网络中验证了其优于现有方法的实时应用潜力。
2025-03-09 cs.SY eess.SY
Centralized Decision-Making for Platooning By Using SPaT-Driven Reference Speeds
FZI Research Center for Information Technology（弗赖堡信息科技研究中心）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
针对城市车队节油通行问题，提出基于 V2X 与 SPaT 数据的集中式非线性 MPC 决策方法，结合跟随控制与动态拆分消息，在 CARLA 中实现最高 41.2% 的节油并提升通行效率。
2025-05-09 cs.RO cs.SY eess.SY
Temporal Logic Control of Nonlinear Stochastic Systems with Online Performance Optimization
Delft University of Technology（代尔夫特理工大学）；University of Oxford（牛津大学）；RWTH Aachen University（亚琛工业大学）
本文提出一种新型区间马尔可夫决策过程抽象方法，生成一组满足控制规范的策略，结合模型预测控制优化性能，实验表明其在控制性能上优于现有单策略方法，保证概率略有下降。
2026-04-04 cs.SY eess.SY
Safety Filter Design for Neural Network Systems via Convex Optimization
Microsoft Research（微软研究院）；University of Pennsylvania（宾夕法尼亚大学）
针对神经网络系统难以合成可证明安全控制器的问题，提出一种基于凸优化的安全滤波器，结合神经网络验证的线性过近似与鲁棒线性MPC实现加性扰动下的安全保障，并在非线性摆系统上验证了有效性。
2023-08-28 cs.LG cs.SY eess.SY
Horizon-Dependent Tube MPC for Elliptical-Orbit Rendezvous Under Mass Uncertainty
School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）
本文推导椭圆轨道交会中Tube MPC保证失效的距离作为设计准则，在火星样本返回任务中可优化推进剂消耗，圆形轨道省29%、偏心轨道省40%，但未声明递归可行性与渐近稳定性。
2026-08-31 astro-ph.IM cs.SY eess.SY
Finite-Horizon, Energy-Optimal Trajectories in Unsteady Flows
University of Hawai‘i at Mānoa（夏威夷大学马诺阿分校）；University of Washington（华盛顿大学）
智能移动传感器，如无人驾驶的空中或水下航行器，在环境传感和监测应用中变得越来越普遍。这些主动传感平台在不稳定的流体流动中工作，包括多风的城市环境、飓风和洋流。这些移动传感器的动力学通常受到驱动能力的限制，强烈依赖于背景流，使其部署和控制特别具有挑战性。因此，有效的轨迹规划与背景流的部分知识是必不可少的移动传感器的团队，以适应性地感测和监测他们的环境。在这项工作中，我们研究了使用有限时域模型预测控制（MPC）的能量有效的轨迹规划的主动移动传感器在不稳定的流体流场。我们发现有限时间的最佳轨迹和有限时间的李雅普诺夫指数（FTLE）的背景流之间的连接，确认能量有效的轨迹利用不变的相干结构的流。我们展示了我们的研究结果的非定常双涡旋向量场，这是一个典型的模式在海洋中的混沌混合。我们提出了一个详尽的搜索，通过关键的MPC参数，包括预测范围，最大传感器驱动，和相对惩罚的累积状态误差和驱动的努力。我们发现，即使是相对较短的预测范围往往可以产生近能量最优的轨迹。这些结果是有希望的自适应规划的能量有效的轨迹成群的移动传感器在分布式传感和监测。
2021-03-18 cs.RO cs.SY eess.SY
Distributed Traffic Signal Control of Interconnected Intersections: A Two-Lane Traffic Network Model
Dalian University of Technology（大连理工大学）；Cornell University（康奈尔大学）
本文提出了一种双车道交通网络模型，结合分布式MPC和ADMM，通过优化绿色时间分配提升交通效率和实时性能。
2025-12-06 cs.SY eess.SY nlin.AO
Energy-Efficient Driving in Connected Corridors via Minimum Principle Control: Vehicle-in-the-Loop Experimental Verification in Mixed Fleets
互联和自动驾驶车辆（CAV）可以规划和执行控制，明确考虑性能，系统安全和驱动约束，其方式比人类驾驶的同行更有效。特别是，通过共享即将到来的信号相位和时间（SPaT）的信号走廊的信息交换，实现了生态驾驶。这是在所提出的控制方法，它遵循第一原则，规划一个自由流的加速度最优轨迹通过绿色交通灯间隔庞特里亚金的最小值原则的反馈方式。城市条件，然后强加从外来交通组成的混合物的人类驾驶的车辆（HV）-以及其他CAV。因此，通过实施模型预测控制器（MPC）来实现安全的干扰补偿，以通过根据需要发出制动命令来预测和避免碰撞。该控制策略通过嵌入到通过微观仿真实现的虚拟交通走廊中的原型CAV的车辆在环（VIL）进行实验验证。与人类模型驾驶员相比，所提出的控制方法可节省高达36%的燃油，并且发现自动化方法中的连接性比没有自动化的情况下提高了高达26%的燃油经济性。此外，测量了人类驾驶员在下游CAV后面驾驶时可实现的被动能源效益，当驾驶在具有连接功能的自动化车辆的小范围内时，HV可节省高达22%的燃油。
2022-11-17 cs.SY eess.SY
Distributed Model Predictive Control with Adaptive Safety Zones for Multi-Fleet Drone Operations
Institute of Automation and Computer Control（自动化与计算机控制研究所）；Ruhr University Bochum（博德姆鲁尔大学）；Department of Logistics and Supply Chain Management（物流与供应链管理系）；South Westphalia University of Applied Sciences（西南弗劳恩霍夫应用科学大学）
针对高密度无人机共享空域问题，提出基于制动距离的自适应安全球区域，结合集中式和分布式MPC，证明可行性、稳定性，仿真显示可加倍允许无人机数量并缩短通过时间。
2026-06-23 cs.AI cs.RO cs.SY
Safe and Performant Controller Synthesis using Gradient-based Model Predictive Control and Control Barrier Functions
Indian Institute of Science (IISc)（印度科学研究院）
本文提出一种两阶段框架，将基于梯度的模型预测控制与基于控制障碍函数的二次规划安全滤波相结合，先松弛安全约束以快速优化，再施加硬约束保证安全，从而为高维自主系统综合出可扩展、安全且高性能的控制器。
2025-07-18 cs.RO cs.SY eess.SY
