State space models vs. multi-step predictors in predictive control: Are state space models complicating safe data-driven designs?
该研究对比线性预测控制中的状态空间模型与多步预测器，梳理两类模型在随机最优控制、系统辨识等问题中的应用优劣，还提出了带参数不确定性的多步预测器随机预测控制的新约束收紧方法。
2023-10-06 cs.SY eess.SY math.OC
Set-Estimation based Networked Model Predictive Control for Energy Management of Faulty Microgrids
本文讨论了部分故障微电网的潮流控制问题。在微电网控制系统中，电气层和通信层都可能发生故障。这可能对微电网的运行产生严重影响。此外，扰动总是与微电网中的故障共存，这可能进一步恶化系统性能。为了同时解决故障和干扰问题，提出了一种基于集员估计（SME）的模型预测控制（MPC）方法，该方法通过通信网络传输信息。当电气设备不工作或发生通信故障时，相应的系统状态将变得不可用。为此，SME方法被用来估计未知但有界的过程和测量干扰存在的状态。利用光伏发电量和负荷需求的预测，设计了网络化预测控制方法来调度电力调度。通过这两种方法，可以实现容错控制。此外，提出了一种偏差补偿方法来补偿预测误差。所提出的控制策略的有效性证明通过无线通信测试使用树莓派。
2021-06-07 cs.SY eess.SY
An Approximate Dynamic Programming Approach for Dual Stochastic Model Predictive Control
对偶控制明确地解决了在部分未知系统的最优控制中权衡主动探索和开发的问题。虽然这个问题可以在随机动态规划的框架中，精确的解决方案是只听话的离散状态和动作空间非常小的尺寸，由于一系列嵌套的最小化和期望操作。基于滚动动态规划方法，提出了一种针对连续状态和输入域系统的近似对偶控制方法，将控制时域分为对偶和开发部分.对偶部分使用通过对过程噪声和未知系统参数进行采样而生成的场景树来近似，对于该场景树，通过沿地平线的贝叶斯估计来更新底层分布。在开发部分中，我们固定每个场景分支的参数估计，并为地平线的剩余部分计算开环控制序列。所提出的基于采样的近似的主要好处是，它使配方作为一个优化问题，计算控制序列的集合的情况树，导致双模型预测控制配方。
2019-11-09 cs.SY eess.SY
A nonlinear tracking model predictive control scheme for dynamic target signals
提出了一种非线性模型预测控制（MPC）方法，用于动态目标信号的跟踪。该方案将稳定和动态轨迹规划结合在一层中，从而确保约束满足，而无论动态目标信号的变化如何。对于周期性的目标信号，我们确保指数稳定的最佳可达周期轨迹使用合适的终端成分和凸性条件的基本周期性最优控制问题。此外，我们引入了一个在线优化的终端集的大小，自动快速收敛和操作之间的权衡接近的约束。此外，我们展示了如何稳定和动态轨迹规划可以制定为部分解耦的优化问题，从而降低了计算需求，同时确保递归的可行性和收敛性。使所提出的设计的主要工具是一种新的参考通用离线计算，提供合适的终端成分跟踪动态参考轨迹。这种方法的实用性表现在基准测试的例子，这表明了优越的性能相比，最先进的方法。
2020-10-20 cs.SY eess.SY
Comparison of Model Predictive and Reinforcement Learning Methods for Fault Tolerant Control
Vanderbilt University（范德堡大学）；Institute of Software Integrated Systems, Vanderbilt University（范德堡大学软件集成系统研究所）
容错控制器的一个理想的属性是适应系统的变化，因为它们在系统运行过程中演变。自适应控制器不需要枚举可能的故障的最优控制策略。相反，它可以实时近似一个。针对离散时间系统，提出了两种基于递阶强化学习的自适应容错控制方案。我们比较它们的性能对模型预测控制器存在传感器噪声和持续故障。在C-130飞机的油箱模型上对控制器进行了测试。我们的实验表明，基于强化学习的控制器比模型预测控制器在故障，部分可观测系统模型和不同的传感器噪声水平下表现得更鲁棒。
2020-08-10 cs.AI cs.LG cs.SY
Cognitive Flexibility as a Latent Structural Operator for Bayesian State Estimation
King Mongkut's University of Technology Thonburi（泰国国王科技大学）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
本文提出认知灵活性作为贝叶斯状态估计的潜在结构运算符，通过在线选择潜在结构提升预测准确性，同时在模型正确时保持非侵入性。
2026-04-09 cs.SY eess.SY
Optimization of Predictive Maintenance Schedules under Uncertainty: A Scenario-Based Theoretical Framework
AGH University of Science and Technology（AGH科技大学）
提出一个基于场景的框架，整合日历、使用和剩余寿命预测三种信息，在有限规划期内优化预测性维护调度，并通过期望成本和尾部风险准则评估完整维护计划。
2026-05-28 cs.SY eess.SY
Safe, Deterministic Trajectory Planning for Unstructured and Partially Occluded Environments
DENSO Automotive Deutschland GmbH（电装德国汽车有限公司）；Carl von Ossietzky University（卡尔·冯·奥西茨基大学）
确保自动驾驶汽车在不受管制的交通区域的安全行为对该行业构成了复杂的挑战。这是一个开放的问题，提供可扩展的和可认证的解决方案，这一挑战。我们推导出一个基于模型预测控制的轨迹规划器，它与基于元胞自动机的行人安全监测系统进行互操作。结合规划监控系统的例子，一个狭窄的室内停车场环境。该系统具有确定性行为，减轻了黑盒的不可预测风险，并提供了完全的可认证性。通过使用基本的和保守的行人预测模型，监测器能够确定一个安全的可驾驶区域中的部分闭塞和非结构化的停车环境。该信息被馈送到轨迹规划器，该轨迹规划器通过约束优化来确保车辆在任何时间保持在安全可驾驶区域中。我们展示了该方法如何解决停车场紧张情况下的许多情况。即使采用保守的预测模型，评估表明，一个性能良好的系统进行测试的低速导航。
2021-09-30 cs.RO cs.SY eess.SY
Learning-Enabled Iterative Convex Optimization for Safety-Critical Model Predictive Control
本文提出一种启用学习的模型预测控制框架，结合离散时间高阶控制障碍函数与迭代凸优化，通过神经网络学习未知复杂不安全集边界，在保证安全的同时加速计算。
2025-09-14 cs.SY eess.SY
Learning-Based Model Predictive Control for Piecewise Affine Systems with Feasibility Guarantees
本文提出一种结合在线与离线计算的模型预测控制方法，通过离线学习策略指定分段仿射区域序列，并给出可行性保证条件，以降低在线优化复杂度并减少离线负担。
2025-03-26 cs.SY eess.SY
Model Predictive Online Trajectory Planning for Adaptive Battery Discharging in Fuel Cell Vehicle
本文针对插电式混合动力汽车中燃料电池与电池的动态协调问题，提出一种基于迭代LQR的分层在线轨迹规划方法，使高层SOC规划器能自适应指定各驾驶段放电量，并通过数值仿真验证其有效性。
2024-09-05 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
State-Output Risk-Constrained Quadratic Control of Partially Observed Linear Systems
我们提出了一种方法来执行风险厌恶的二次调节的部分观测线性时不变（LTI）系统的过程和输出噪声干扰。为了补偿由于这两种类型的噪声引起的可变性，状态调节受到两个风险约束。后者使得所得到的控制器谨慎的随机干扰，通过限制统计变异性，即，一个简化版本的累积预期预测方差的状态和输出。我们提出的配方结果在一个最佳的风险规避政策，保留了良好的特性，经典的线性二次（LQ）控制。特别地，最优策略具有关于最小均方误差（mmse）估计的仿射结构。该策略的线性分量在风险较大的方向上更严格地调节状态，其中过程和输出噪声协方差、互协方差以及相应的惩罚同时较大。这是通过系统地“夸大”国家刑罚来实现的。附加的仿射项迫使状态对抗过程和输出扰动的纯三阶统计量和交叉三阶统计量顺序统计量。我们的最优策略的另一个有利的特点是，它可以预先离线计算，从而避免了以前的工作的限制。稳定性分析表明，无论参数整定如何，所得到的控制器始终是内稳定的。建议的风险规避政策的功能说明通过广泛的数值模拟通过一个工作的例子。
2022-04-18 cs.SY eess.SY math.OC
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
Diffusion-Based Forecasting for Uncertainty-Aware Model Predictive Control
National Technical University of Athens（雅典国立技术大学）；Athena Research Center（雅典娜研究中心）
针对部分可观测随机系统的不确定性感知决策问题，提出集成扩散时间序列预测的D-I MPC框架，在纽约州电力市场能量套利任务上显著优于经典预测与无模型强化学习基线。
2025-03-19 cs.AI cs.LG cs.SY
Ensemble Kalman-Bucy filtering for nonlinear model predictive control
Institut für Mathematik, Universität Potsdam（波茨坦大学数学研究所）
针对部分观测动力系统中状态估计与最优控制割裂的问题，本文将集合 Kalman-Bucy 滤波引入非线性模型预测控制，用交互粒子近似 Pontryagin 极大值原理的正倒向随机微分方程，并在倒立摆上验证性能。
2025-03-16 cs.LG cs.NA cs.SY
Filter-Aware Model-Predictive Control
Volkswagen Group（大众集团）；Machine Learning Research Lab（机器学习研究实验室）
针对部分可观测问题中常规 MPC 忽略未来观测、难以维持状态估计确定性的不足，提出以可跟踪性惩罚信息损失并由神经网络近似的滤波器感知 MPC，在视觉导航和机械臂实验中显著提升性能。
2023-04-20 cs.LG cs.RO cs.SY
Composite-Gradient Learning for Shared Control Authority Between Deep Reinforcement Learning and Model Predictive Control
Delft University of Technology（代尔夫特理工大学）
本文提出复合梯度学习（CGL）方法，将MPC整合进DRL训练过程，通过联合动作表示和交互考虑，在强交互场景下提升控制策略性能，但平均增益有限。
2026-09-17 cs.LG cs.SY eess.SY
SLIP: Learning to Predict in Unknown Dynamical Systems with Long-Term Memory
University of California, Berkeley（加州大学伯克利分校）
针对随机噪声下的未知部分观测线性动力系统，提出了一种有效实用的在线预测算法（多项式时间）。当系统参数已知时，最优线性预测器是卡尔曼滤波器。然而，现有的预测模型的性能是穷人在重要的LDS类，只是勉强稳定，并表现出长期的预测记忆。我们解决这个问题，通过界定广义Kolmogorov宽度的卡尔曼滤波器模型的谱方法和进行紧凸松弛。我们提供了一个有限样本的分析，表明我们的算法竞争与卡尔曼滤波器在事后只有对数遗憾。我们的遗憾分析依赖于门德尔松的小球方法，提供尖锐的误差范围没有浓度，有界性，或指数遗忘的假设。我们还给出了实验结果表明，我们的算法优于国家的最先进的方法。我们的理论和实验结果揭示了有效的可能近似正确（PAC）学习的卡尔曼滤波器从部分观测数据所需的条件。
2020-10-12 cs.LG cs.SY eess.SY
Learning Bilinear Models of Actuated Koopman Generators from Partially-Observed Trajectories
Princeton University（普林斯顿大学）；Paderborn University（帕德博恩大学）
针对带驱动系统Koopman生成器逼近中基函数选择难和部分状态观测受限的问题，提出将其表示为双线性隐马尔可夫模型并用EM算法求解，在三个示例中验证了其有效性。
2023-10-24 cs.CE cs.LG cs.SY
