Adaptive Stochastic Predictive Control from Noisy Data: A Sampling-based Approach
提出一种基于采样和集合成员识别的自适应随机预测控制方法,处理含未知参数和扰动的线性系统,保证递归可行性与闭环约束满足。
2024-09-03 cs.SY eess.SY
Sampling-based Stochastic Data-driven Predictive Control under Data Uncertainty - Extended Version
针对受有界加性扰动的线性时不变系统,提出基于Willems引理扩展的随机约束输出反馈数据驱动预测控制方案,通过新型未知扰动参数化以采样方式近似机会约束,保证递归可行性等特性,经数值算例验证有效。
2025-10-06 cs.SY eess.SY
Adaptive Predictive Sampling and Communication for Real-time Monitoring
Linköping University(林雪平大学)
针对丢包信道上的实时远程监控,提出一种基于泰勒展开预测的无模型自适应采样与通信框架,通过补偿因子保证重建误差,并优于事件驱动和均匀采样基线。
2026-09-23 cs.SY eess.SP eess.SY
Bayesian model predictive control: Efficient model exploration and regret bounds using posterior sampling
严格的性能规格与操作限制相结合,使得模型预测控制(MPC)成为各种行业的首选方法。由于MPC控制器的性能取决于过程的足够准确的目标和预测模型,因此MPC设计过程中的大量工作致力于建模和识别。在可用系统数据量的增加和机器学习领域的进步的驱动下,已经开发了数据驱动MPC技术以促进MPC控制器设计。虽然这些方法能够利用可用数据,但它们通常不提供原则性机制来自动权衡可用数据的利用和探索以改进和更新目标和预测模型。为此,我们提出了一个基于学习的MPC制定后验采样技术,它提供了有限的时间遗憾的学习性能的界限,同时简单地实现使用现成的MPC软件和算法。基于后验抽样理论对该方法进行了性能分析,并以一个高度非线性的汽车-拖车动态系统为例说明了该方法的有效性。
2020-06-08 cs.SY eess.SY
Sampling-based 3-D Line-of-Sight PWA Model Predictive Control for Autonomous Rendezvous and Docking with a Tumbling Target
采用三维视线动力学和欧拉姿态动力学的分段仿射(PWA)模型,采用模型预测控制(MPC)框架实现了具有翻滚目标的自主交会对接(AR&D)。考虑到近似线性模型得到的预测值与非线性动力学实际状态之间的误差,提出了一种基于采样的PWA MPC,对实际状态附近的预测值进行采样。此外,提出了新的约束结构,以减少在板计算成本和时间延迟。此外,还提出了一种无奇异性策略,实现了角态奇异性的平滑穿越。然后,通过对目标对接口的6自由度位姿(位置和姿态)进行连续跟踪来完成任务,并考虑了目标对接口位置和姿态之间的耦合。最后,数值结果来证明上述理论。
2022-11-03 cs.SY eess.SY
Model Predictive Path Integral Control using Covariance Variable Importance Sampling
Georgia Institute of Technology(佐治亚理工学院)
本文提出基于广义重要性采样方案的模型预测路径积分控制算法,利用GPU进行并行优化,改进了随机扩散过程的漂移和扩散项,通过仿真与差分动态规划的模型预测控制进行比较。
2015-10-28 cs.DC cs.RO cs.SY
Predictive Sampling: Real-time Behaviour Synthesis with MuJoCo
Stanford University(斯坦福大学);DeepMind(深度思维);University of California Berkeley(加州大学伯克利分校)
我们介绍了MuJoCo MPC(MJPC),一个开源的,交互式的应用程序和软件框架的实时的【形】预测控制,基于MuJoCo物理。MJPC允许用户轻松编写和解决复杂的机器人任务,目前支持三种基于射击的规划器:基于导数的iLQG和梯度下降,以及一种简单的无导数方法,我们称之为预测采样。预测抽样被设计为基本的基线,主要是为了它的教学价值,但结果却令人惊讶地与更成熟的算法竞争。这项工作并没有提出算法的进步,而是优先考虑高性能的算法,简单的代码,以及通过直观和交互式软件的基于模型的方法的可访问性。MJPC可以在github.com/deepmind/mujoco_mpc上找到,视频摘要可以在dpmd.ai/mjpc上查看。
2022-12-24 cs.RO cs.SY eess.SY
Toward Single-Step MPPI via Differentiable Predictive Control
University of Pennsylvania(宾夕法尼亚大学)
本文提出Step-MPPI框架,通过神经网络参数化MPPI提案分布,利用自监督学习实现高效单步前瞻MPPI,解决计算成本和样本需求随预测 horizon 增加的问题,提升实时性。
2026-10-06 cs.SY eess.SY
Control Barrier Function Augmentation in Sampling-based Control Algorithm for Sample Efficiency
对于非线性随机路径规划问题,基于采样的算法生成数千个随机样本轨迹,以找到最优路径,同时通过拉格朗日惩罚方法保证安全。然而,基于采样的算法可能在障碍物丰富的环境中表现不佳,因为大多数样本可能违反安全约束,使相应的样本无效。为了提高采样算法在复杂环境下的采样效率,提出了一种基于模型预测路径积分控制和控制障碍函数的算法。与原模型预测路径积分控制算法相比,该算法所需样本和时间步长较少,在杂波环境中具有更好的性能。
2021-11-12 cs.SY eess.SY
Ising Machines for Model Predictive Path Integral-Based Optimal Control
imec - Ghent University(imec - 根特大学)
本文提出将模型预测路径积分作为Ising机器实现的MPC方法,通过QUBO问题映射实现高效最优控制轨迹探索,并展示了其在实时控制中的应用潜力。
2025-12-17 cs.SY eess.SY
Sampling Strategy Design for Model Predictive Path Integral Control on Legged Robot Locomotion
School of Artificial Intelligence Shandong University Jinan, China;Department of Mechatronics;Robotics Xi'an Jiaotong-Liverpool University Suzhou, China;Robotics Xi'an Jiaotong-Liverpool University Suzhou, China University of Liverpool United Kingdom;Robotic Systems Xi'an Jiaotong-Liverpool University Suzhou, China
本文提出了一种用于四足机器人运动的模型预测路径积分控制的采样策略设计方法,通过比较不同采样策略的效果,提升了控制平滑度和任务性能。
2026-01-04 cs.RO cs.SY eess.SY
Less is More: Contextual Sampling for Nonlinear Data-Driven Predictive Control
Department of Aerospace Engineering, University of the Bundeswehr Munich(联邦国防军 Munich 工程学院航空航天系)
针对非线性数据驱动预测控制计算成本高、难以实时应用的问题,提出上下文采样动态数据选择策略,通过自适应选取相关轨迹缩减数据集规模,在多机器人平台实验中实现了更优的效率与相当的跟踪性能。
2025-11-14 cs.RO cs.SY eess.SY
Sample-Efficient and Smooth Cross-Entropy Method Model Predictive Control Using Deterministic Samples
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
本文提出dsCEM方法,通过确定性样本替代随机采样,提升非线性优化控制的效率和控制输入的平滑性,实验表明在低样本情况下优于iCEM。
2026-05-11 cs.SY eess.SY
Effects of sampling and horizon in predictive reinforcement learning
普通强化学习(RL)可能容易失去收敛,违反约束,意外的性能等,通常,RL代理经历广泛的学习阶段,以实现可接受的功能。这与典型地基于模型的经典控制算法形成对比。研究的一个方向是RL与这些算法的融合,特别是模型预测控制(MPC)。然而,这引入了与预测范围相关的新的超参数。此外,RL通常与马尔可夫决策过程有关。但大多数真实环境都不是时间离散的。强化学习的实际物理环境由一个数字主体和一个时间连续的动力系统组成。因此,事实上,还有另一个超参数-代理采样时间。在本文中,我们调查的预测范围和采样的两个混合RL-MPC-代理的移动机器人停车,这又是一个典型的控制问题的案例研究的影响。我们用MPC的一个简单变体对代理进行基准测试。抽样显示出一种“甜蜜点”的行为,而RL代理人在较短的视野表现出的优点。
2021-08-23 cs.SY eess.SY math.DS
Safety in Augmented Importance Sampling: Performance Bounds for Robust MPPI
本文研究了安全约束模型预测控制问题中增广重要性抽样的性质。当在受约束的环境中操作时,基于采样的模型预测控制和运动规划通常利用惩罚函数或昂贵的基于优化的控制障碍算法来维持前向采样的可行性。与此相反,所提出的算法利用离散嵌入的障碍状态在增广重要性采样施加反馈相对于一个标称状态采样时。我们将证明,这种方法的安全性的离散嵌入的障碍状态在增强的重要性采样是更有效的样本的度量碰撞的轨迹,是计算上可行的,以执行每个样本,并导致更好的安全性能在一个混乱的导航任务与极端的未建模的干扰。此外,我们将利用增广重要性抽样和安全控制的理论性质,推导出一个新的边界上的自由能的系统。
2022-04-12 cs.SY eess.SY
Hybrid Feedback Sampling for Sample-Efficient Model Predictive Control
Carnegie Mellon University(卡内基梅隆大学);Massachusetts Institute of Technology(麻省理工学院)
本文提出混合反馈采样MPC(FS-MPC)算法,平衡局部与全局搜索,解决采样MPC在高维开环不稳定系统中的样本效率与数值不稳定问题,在真实机器人控制任务中表现优于现有方法。
2026-08-21 cs.RO cs.SY eess.SY
A Control Barrier Function-Constrained Model Predictive Control Framework for Safe Reinforcement Learning
New York University(纽约大学)
本文提出了一种基于模型预测控制的安全强化学习框架PECTS,通过联合学习随机系统动力学和控制屏障函数来确保安全,采用采样优化方法提升安全性。
2026-11-16 cs.SY eess.SY
Nonlinear Model Predictive Control Based on Constraint-Aware Particle Filtering/Smoothing
非线性模型预测控制(NMPC)在许多应用中得到了广泛的应用。它的制定传统上涉及重复在线求解非线性约束优化问题。在本文中,我们研究NMPC通过贝叶斯估计的镜头,并强调蒙特卡洛抽样方法可以提供一个有利的方式来实现NMPC。我们开发了一种约束感知的粒子滤波/平滑方法,并利用它来实现NMPC。新的基于采样的NMPC算法可以简单有效地执行,即使是复杂的非线性系统,同时潜在地减轻了传统研究中的数值优化所面临的计算复杂性和局部极小值的问题。通过仿真研究,该算法的有效性进行了评估。
2022-05-09 cs.SY eess.SY
Judo: A User-Friendly Open-Source Package for Sampling-Based Model Predictive Control
Caltech(加州理工学院);RAI Institute(RAI研究院)
Judo是一个开源Python软件包,提供采样MPC算法的稳健实现、标准化基准和交互式GUI,利用MuJoCo后端实现实时性能,便于原型设计、评估和部署。
2025-06-20 cs.RO cs.SY eess.SY
Safety-aware Model Predictive Path Integral Control with Signal Temporal Logic
University of Southern California(南加州大学);University of Michigan(密歇根大学);Toyota Motor North America R&D(丰田北美研发中心);ETH Zürich(苏黎世联邦理工学院)
本文提出safety-aware-stl-mppi框架,将STL公式编码为CBF并集成到MPPI控制器,经火星车与四旋翼实验验证,可在复杂约束下实现高安全与效率的运动规划。
2026-08-26 cs.RO cs.SY eess.SY
Offline Uncertainty Sampling in Data-driven Stochastic MPC
本文提出一种基于离线不确定性采样的数据驱动随机MPC策略,无需模型辨识即可实现约束收紧,保证鲁棒递归可行性,并在仿真中表现出优于纯鲁棒方法的控制性能。
2023-04-06 cs.SY eess.SY
A Convex Feasibility Approach to Anytime Model Predictive Control
IMT Institute for Advanced Studies Lucca(卢卡高等研究学院)
本文提出一种凸可行性方法,用于任何时间模型预测控制,通过分离性能优化与渐近收敛性,实现终端集收敛,同时根据可用资源优化计算时间,适用于线性MPC和不同终端集类型。
2015-02-27 cs.SY eess.SY
Effective GPU Parallelization of Distributed and Localized Model Predictive Control
模型预测控制(MPC)要对大规模分布式系统进行有效的在线控制,必须快速求解底层的高维优化问题。文献中应用了多种技术来加速求解过程,主要归功于基于软件的算法进步和硬件辅助计算增强。然而,这些方法专注于算术加速,而忽略了底层系统结构的好处。特别地,现有的解耦的软件-硬件算法设计通过硬件简单地并行化算术运算,并不以原则性的方式解决诸如CPU-GPU和线程到线程通信的硬件开销。此外,并行子问题分解在分布式MPC的优势没有得到很好的认识和利用。因此,我们还没有充分发挥MPC硬件加速的潜力。在本文中,我们探索这些机会,利用GPU并行化的分布式和本地化的MPC(DLMPC)算法。我们利用嵌入在DLMPC制定的局部约束,以减少硬件固有的通信开销。我们的并行实现在各种参数下的运行速度比CPU同行快50倍。此外,我们发现,本地感知的GPU并行化可以减半的优化运行时间相比,天真的加速。总的来说,我们的研究结果表明,考虑到信息交换结构的软硬件协同设计带来的性能增益。
2021-03-27 cs.DC cs.SY eess.SY
Model-Based Diffusion Sampling for Predictive Control in Offline Decision Making
提出MPDiffuser框架,通过组合扩散规划器与动力学扩散模型,在采样中交替更新以生成符合任务目标且动力学可行的轨迹,并利用轻量级排序模块选择最优轨迹,在D4RL和DSRL基准及四足机器人上验证了有效性。
2026-06-09 cs.AI cs.RO cs.SY
Output-Sampled Model Predictive Path Integral Control (o-MPPI) for Increased Efficiency
针对动态环境下MPPI难选满足输出约束的输入、效率受限的问题,提出基于输出采样的o-MPPI方法,经自动驾驶仿真与实验验证,其在相近成功率下大幅减少滚动推演次数并缩短预测时域,显著提升效率。
2023-09-22 cs.SY eess.SY
Reference-Free Sampling-Based Model Predictive Control
Inria - Département d’Informatique de l’École normale supérieure, PSL Research University(法国国家科学研究中心(Inria)- 工业信息学院,巴黎综合理工学院,PSL研究大学);Sorbonne Université, CNRS, Institut des Systèmes Intelligents et de Robotique, ISIR(索邦大学,法国国家科学研究中心,智能系统与机器人研究所,ISIR)
本文提出一种无需人工设计步态或预定义接触序列的基于采样的模型预测控制框架,通过优化高层目标发现多样运动模式,实现实时控制。
2026-04-16 cs.RO cs.SY eess.SY
Multiple Loop Self-Triggered Model Predictive Control for Network Scheduling and Control
ACCESS Linnaeus Centre, School of Electrical Engineering, Royal Institute of Technology(ACCESS林奈中心,电气工程学院,皇家理工学院);The University of Newcastle(纽卡斯尔大学)
本文提出一种基于自适应采样间隔的多线性时不变过程网络调度与控制算法,通过模型预测控制思想实现自适应采样,确保系统稳定性和网络冲突自由。
2015-02-11 cs.SY eess.SY math.OC
Boundary Sampling to Learn Predictive Safety Filters via Pontryagin's Maximum Principle
Toyota Research Institute(丰田研究院);Department of Aeronautics and Astronautics, Stanford University(斯坦福大学航空与宇航科学系)
本文通过庞特里亚金极大值原理识别接近安全违规的轨迹,用于指导数据收集,提升学习效率,改进安全过滤器性能。
2026-04-14 cs.RO cs.SY eess.SY
Model Predictive Path Integral Control as Preconditioned Gradient Descent
Johns Hopkins University(约翰斯·霍普金斯大学)
本文通过变分优化将MPPI控制重新解释为预条件梯度下降,证明了其收敛性,并给出了高斯族中精确单位步长MPPI下降的充分条件。
2026-10-08 cs.SY eess.SY math.OC
Learning Sampling Distributions for Model Predictive Control
University of Washington(华盛顿大学)
基于采样的方法已经成为当代模型预测控制(MPC)方法的基石,因为它们对动态或成本函数的可微性没有限制,并且易于并行化。然而,它们的功效高度依赖于采样分布本身的质量,这通常被假设为简单的,如高斯分布。这种限制可能会导致样本远非最佳,从而导致性能低下。最近的工作已经探索通过在控制的学习潜在空间中采样来改善MPC的性能。然而,这些方法最终在控制空间中的时间步长之间执行所有MPC参数更新和热启动。这要求我们依赖于许多算法来生成样本和更新分布,并可能导致次优性能。相反,我们建议在潜在空间中执行所有操作,使我们能够充分利用学习的分布。具体来说,我们框架的学习问题作为两个层次的优化,并显示如何训练控制器与反向传播通过时间。通过使用分布的归一化流参数化,我们可以利用其易于处理的密度来避免要求动态和成本函数的可微性。最后,我们在模拟机器人任务上评估了所提出的方法,并证明了它能够超越现有方法的性能,并在减少样本数量的情况下更好地扩展。
2022-12-05 cs.AI cs.RO cs.SY
Stability and Robustness of Distributed Suboptimal Model Predictive Control
ETH Zürich(苏黎世联邦理工学院)
在分布式模型预测控制(MPC)中,每个采样时刻的控制输入是通过分布式算法求解有限时域上的大规模最优控制问题(OCP)来计算的。通常,这样的算法需要子系统之间的几个(几乎无限的)通信回合来收敛,这在计算上和从能量角度(对于无线系统)来看都是主要缺点。出于这些挑战,我们提出了一个次优的分布式MPC计划,其中总的通信负担也分布在时间上,通过保持一个运行的解决方案估计的大规模OCP和更新它在每个采样时间。我们证明,在一定的规律性条件下,所得到的次优MPC控制律恢复定性的鲁棒稳定性最优MPC的属性,如果在每个采样时间的通信预算是足够大的。
2023-03-27 cs.RO cs.SY eess.SY
MPPI-VS: Sampling-Based Model Predictive Control Strategy for Constrained Image-Based and Position-Based Visual Servoing
Luddy School of Informatics, Computing, and Engineering, Indiana University(印第安纳大学卢迪信息学、计算与工程学院)
在本文中,我们开辟了新的途径,视觉伺服系统建立在路径积分(PI)最优控制理论,其中的非线性偏微分方程(PDE)可以转化为一个期望的所有可能的轨迹使用费曼-卡茨(FK)引理。更准确地说,我们提出了一种MPPI-VS控制策略,一种基于采样的模型预测控制的实时无逆控制策略(即,模型预测路径积分(MPPI)控制)算法,用于基于图像、3D点和基于位置的视觉伺服技术,考虑到系统约束(例如可见性、3D和控制约束)和与机器人和相机模型相关联的参数不确定性以及测量噪声。与经典的视觉伺服控制方案相反,我们的控制策略直接利用相互作用矩阵的近似,而不需要估计相互作用矩阵的逆或执行伪逆。我们验证了MPPI-VS控制策略,以及经典的控制方案上的6自由度笛卡尔机器人的眼睛在手的相机的基础上利用图像平面中的四个点作为视觉特征。为了更好地评估和展示我们提出的控制策略的鲁棒性和潜在的优势相比,经典的计划,在各种操作条件下进行了密集的模拟,然后进行了讨论。所得到的结果表明,该计划的有效性和能力,在应对容易与系统的约束,以及它的鲁棒性存在的相机参数和测量的大误差。
2021-12-30 cs.RO cs.SY eess.SY
LP-MPPI: Low-Pass Filtering for Efficient Model Predictive Path Integral Control
Institute of Robotics and Machine Intelligence, Poznan University of Technology, Poznan, Poland(机器人与机器智能研究所,波兹南技术大学,波兰波兹南);IDEAS Research Institute, Warsaw, Poland(IDEAS研究所,波兰华沙)
LP-MPPI通过低通滤波提高模型预测路径积分控制的效率,减少高频噪声,提升控制平滑度和性能表现。
2026-02-03 cs.RO cs.SY eess.SY
Reachability-Guided Sequential Quadratic Programming-Guarded Model Predictive Path Integral for Safe Nonlinear Predictive Control
ETH Zurich(苏黎世联邦理工学院);University of California, Los Angeles(加州大学洛杉矶分校);Seoul National University(首尔大学);University of California, Berkeley(加州大学伯克利分校)
提出ReSQ-MPPI,结合可达性分析与序列二次规划精炼,提升采样型模型预测控制在安全非线性环境中的安全性与性能。
2026-10-06 cs.RO cs.SY eess.SY
Automatic Software and Computing Hardware Co-design for Predictive Control
Imperial College London(帝国理工学院)
本文提出了一种自动化MPC软件和计算硬件协同设计的框架,通过多目标优化算法BiMADS,在计算资源使用和控制器性能之间实现最优平衡。
2017-10-24 cs.SY eess.SY math.OC
Zero-Order Optimization for Gaussian Process-based Model Predictive Control
Institute for Dynamic Systems and Control, ETH Zürich(苏黎世联邦理工学院动态系统与控制研究所)
针对基于高斯过程的模型预测控制中最优控制问题求解耗时的挑战,提出结合定制雅可比近似的SQP方法与可并行GP推理框架,降低复杂度并加速计算,经实验验证了缩放特性与运行时间分布。
2023-06-13 cs.LG cs.SY eess.SY
Model Predictive Optimized Path Integral Strategies
Stanford University(斯坦福大学)
我们推广的模型预测路径积分控制(MPPI)的推导,允许一个单一的联合分布控制序列中的控制。这种改造允许将自适应重要性采样(AIS)算法实施到原始重要性采样步骤中,同时仍然保持MPPI的优点,例如与任意系统动态和代价函数一起工作。通过在每个控制步骤中集成AIS来优化建议分布的好处在模拟环境中得到了证明,包括控制轨道周围的多辆车。新算法比MPPI算法具有更高的采样效率,在更少的采样数下获得了更好的性能。这种性能差异随着动作空间的维度增加而增加。仿真结果表明,新算法可以作为一个随时算法,增加控制值在每次迭代依赖于一个大的样本集。
2023-03-01 cs.RO cs.SY eess.SY
Variational Encrypted Model Predictive Control
Purdue University(普渡大学);Seoul National University(首尔大学);Seoul National University of Science and Technology(首尔科学技术大学)
本文提出变分加密模型预测控制协议,通过加密多项式运算实现在线执行,将MPC问题转化为基于采样的估计器,利用倾斜采样分布减少加密计算,无需额外通信轮次,通过双重并行层次高效扩展。
2026-03-19 cs.CR cs.SY eess.SY
Cooperative distributed model predictive control for embedded systems: Experiments with hovercraft formations
Hamburg University of Technology(汉堡工业大学);TU Dortmund University(多特蒙德工业大学);EPFL(洛桑联邦理工学院)
本文提出无需中央协调器、可在气垫船机载毫秒级运行的协作式分布式MPC方法,并通过多场景编队实验验证其灵活性。
2025-03-17 cs.RO cs.SY eess.SY
Residual-Conservative Model Predictive Path Integral Control
Department of Mechanical and Nuclear Engineering, Tennessee Technological University(机械与核工程系,田纳西技术大学);School of Engineering, Department of Electrical and Computer Engineering, Mercer University(工程学院,电气与计算机工程系,梅里尔大学)
针对基于采样的模型预测控制方法中固定约束惩罚不适应模型与实际不匹配的问题,提出RC-MPPI框架,结合残差依赖约束收紧等三种机制,通过温度自适应等方式,在模型不匹配时降低约束违反概率,提升控制效果。
2026-07-09 cs.RO cs.SY eess.SY
Higher-Order Approximation of Exit Functionals in Sampling-Based Stochastic Model Predictive Control
Purdue University(普渡大学)
本文提出将高阶强逼近方法用于随机模型预测控制中的退出泛函估计,通过自适应Milstein离散化和Lévy面积模拟,在机会约束路径积分控制中实现了优于Euler-Maruyama的强退出时间与失效指标逼近。
2026-10-14 cs.NA cs.RO cs.SY