Robust Learning Model Predictive Control for Linear Systems Performing Iterative Tasks
针对不确定系统的迭代任务，提出了一种鲁棒学习模型预测控制器（LMPC）。在控制任务的每次迭代中，闭环状态、输入和成本被存储并用于控制器设计。本文首先阐述了如何利用历史数据构造鲁棒不变集和安全控制策略。然后，我们提出了一个迭代LMPC的设计过程中，在迭代$j$的鲁棒控制器产生的数据被用来设计一个鲁棒LMPC在下一个$j+1$迭代。我们表明，这个过程允许我们迭代地扩大域的控制策略，它保证递归约束的满足，输入到状态稳定性和性能界的确定性等价的闭环系统。自适应预测范围的使用是所提出的设计的关键要素。所提出的控制方案的有效性示出了线性系统受有界附加干扰。
2021-07-02 cs.SY eess.SY math.OC
On the Optimality and Convergence Properties of the Iterative Learning Model Predictive Controller
在本技术说明中，我们分析了线性确定性系统的学习模型预测控制（LMPC）策略的性能改进和最优性属性。LMPC框架是一种策略迭代方案，其中闭环轨迹用于更新控制策略以用于控制任务的下一次执行。我们表明，当线性独立约束规格（LICQ）条件成立，LMPC计划保证严格的迭代性能改善和最优性，这意味着在整个任务的闭环成本评估渐近收敛到无限时域控制问题的最优成本。与以前的工作相比，这个充分LICQ条件可以很容易地检查，它适用于更大的一类系统，它可以用来自适应地选择控制器的预测范围，作为数值例子证明。
2022-02-01 cs.SY eess.SY math.OC
Output-Feedback Nonlinear Model Predictive Control with Iterative State- and Control-Dependent Coefficients
针对可表示为状态和控制相关系数伪线性形式的非线性系统，提出迭代二次规划MPC并结合块能观规范形实现输出反馈，在多类数值示例中验证。
2023-09-28 cs.SY eess.SY math.DS
Data-driven distributionally robust iterative risk-constrained model predictive control
本文考虑了一个风险约束的无限期最优控制问题，并提出了一种迭代求解的方法。算法的每次迭代通过实施分布式鲁棒风险约束模型预测控制（MPC）方案来生成从起始点到目标平衡态的轨迹。在每次迭代中，一组安全状态（以高概率满足风险约束）和一定数量的独立和相同分布的样本的不确定性管理的风险约束是可用的。这些状态和样本在先前的迭代中累积。安全状态被用作MPC方案中的终端约束，并且样本被用于构造一组分布，称为模糊集，使得它包含具有高概率的不确定性的潜在分布。每次迭代中的风险约束要求对模糊度集中的所有分布都成立。我们建立我们的迭代过程中产生的轨迹是可行的，安全的，并渐近收敛到平衡。仿真例子说明了我们的结果的情况下，找到一个风险约束路径的移动机器人在存在不确定的障碍。
2021-11-25 cs.SY eess.SY math.OC
Iterative Tuning of Nonlinear Model Predictive Control for Robotic Manufacturing Tasks
ZHAW Institute of Materials and Process Engineering（ZHAW材料与加工工程学院）；Zürich University of Applied Sciences（苏黎世应用科学大学）
本文提出一种基于任务级反馈的迭代学习框架，用于在机器人重复制造任务中自适应调优非线性模型预测控制的权重矩阵，实现高效且精确的控制性能。
2026-01-02 cs.LG cs.RO cs.SY
Computationally efficient solution of mixed integer model predictive control problems via machine learning aided Benders Decomposition
本文提出一种机器学习辅助的分支检查广义Benders分解算法，通过近似Benders割避免反复求解子问题，在化工混合整数经济MPC案例中实现最高97%的求解时间缩减且误差仅约1%。
2023-09-28 cs.SY eess.SY math.OC
An Iterative Refinement Approach for the Rolling Stock Rotation Problem with Predictive Maintenance
针对带预测性维护的机车车辆周转问题，提出基于状态扩展事件图与整数线性规划的对偶求解方法，通过迭代求精离散化实现收敛下界，并经测试实例验证了方法有效性。
2024-04-12 math.OC
A Jacobi algorithm for distributed model predictive control of dynamically coupled systems
本文提出了一种求解具有线性耦合动态和凸耦合约束的分布式模型预测控制（DMPC）问题的迭代Jacobi算法。该算法保证了稳定性和持久的可行性，我们提供了一个本地化的过程，通过约束收紧构造一个初始的可行解。此外，我们证明了迭代过程的解决方案收敛到集中MPC解决方案。建议的迭代方法涉及解决局部最优化问题组成的只有几个子系统，这取决于设计师的选择和稀疏的动态和约束耦合。与集中式问题相比，整体计算负载的增益通过增加的通信要求来平衡。这使得我们的方法更适用于子系统的数量很大，耦合稀疏，本地通信相对快速和便宜的情况。一个数值例子说明了局部问题的大小，和收敛到集中式解决方案的迭代次数的影响。
2008-09-22 math.OC
Wasserstein distributionally robust risk-constrained iterative MPC for motion planning: computationally efficient approximations
针对迭代MPC结合分布鲁棒风险约束的运动规划问题计算量随迭代升高的问题，提出数据聚类调整模糊集和预确定DR安全区域两种高效近似方法，保证安全性的同时降低实时计算负担。
2023-10-06 cs.SY eess.SY math.OC
The Implicit Rigid Tube Model Predictive Control
该研究提出刚性管模型预测控制的高效重构形式，采用隐式集合表示，无需显式集合代数运算，仅用标准优化求解器即可实现，提升了计算可行性。
2023-06-26 math.OC
Output-Lifted Learning Model Predictive Control
针对一类非线性系统的约束最优控制问题，提出了一种计算效率高的学习模型预测控制（LMPC）方法，其中状态和输入可以利用提升输出进行重构.对于所考虑的一类系统，我们展示了如何使用在迭代任务期间收集的历史轨迹数据来构建凸值函数近似以及虚拟输出提升空间中的凸安全集。这些结构迭代地更新历史数据，并用于合成预测控制策略。我们表明，该策略保证递归约束满足，渐近稳定性和非递减的闭环性能在每次政策更新。最后，仿真结果表明，所提出的策略的有效性分段仿射（PWA）系统，运动学的单向性和双线性直流电机。
2021-01-15 cs.SY eess.SY math.OC
Approximate Predictive Control Barrier Functions using Neural Networks: A Computationally Cheap and Permissive Safety Filter
本研究提出用神经网络近似预测控制屏障函数首个优化问题的最优值函数，构建不依赖预测时域的安全滤波器，保证零约束违反的收敛性，在自动驾驶仿真中大幅降低计算成本。
2023-07-24 cs.SY eess.SY math.OC
Stability and Convergence of a Randomized Model Predictive Control Strategy
本文针对用随机批次法加速迭代求解的高效模型预测控制变体RBM-MPC，推导了无约束线性系统下的稳定性与收敛性估计，并通过数值算例验证了估计结果及该方法的计算优势。
2024-03-06 math.OC
A Simple and Efficient Algorithm for Nonlinear Model Predictive Control
提出了一种新的求解非线性模型预测控制（NMPC）中最优控制问题的算法PANOC。解决这类问题的一种常用方法是序列二次规划（SQP），它要求在每次迭代时求解一个二次规划，因此需要内部迭代过程。因此，当问题是病态的或预测范围很大时，每个外迭代在计算上变得非常昂贵。我们提出了一种线搜索算法，结合了前向向后迭代（FB）和牛顿型步骤，最近推出的前向向后包络（FBE），连续的，实值的，精确的价值函数的原始问题。牛顿型方法的曲率信息使渐近超线性率在温和的假设下，在极限点，所提出的算法是基于非常简单的操作：访问一阶信息的成本和动力学和低成本的直接线性代数。不需要内部迭代过程，也不需要Hessian评估，使得我们的方法在计算上比SQP方法更简单。低内存要求和简单的实现，使我们的方法特别适合于嵌入式NMPC应用。
2017-09-19 math.OC
Eco-driving with Learning Model Predictive Control
我们提出了一个预测巡航控制器，迭代地提高燃料经济性的车辆沿着同一路线行驶的每一天。我们的方法使用来自先前行程迭代的历史数据来提高车辆性能，同时保证期望的到达时间。建议的预测巡航控制器是基于最近开发的学习模型预测控制（LMPC）的框架，本文扩展到包括时间约束。此外，我们重新制定了修改的LMPC与时间约束成一个计算上易处理的形式。我们的方法详细介绍，应用于预测巡航控制问题，并通过仿真验证。
2019-09-11 math.OC
Iterative State- and Control-Dependent Model Predictive Control: A Jacobian-Free Formulation for Constrained Nonlinear Systems
University of South Alabama（南阿拉巴马大学）
本文提出一种无雅可比的迭代模型预测控制算法，通过依赖状态与控制的系数将非线性系统转化为线性二次规划，复杂度为O(ℓ)，在多个基准系统上验证了其性能优于密集序列二次规划等方法。
2026-08-18 cs.SY eess.SY math.OC
Sparse preconditioning for model predictive control
Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
本文提出一种O(N)快速预处理方法，用于求解模型预测控制中出现的非线性系统。该方法基于连续/GMRES方法，利用GMRES迭代算法求解最优性方程的前向差分近似。
2016-03-11 cs.SY eess.SY math.OC
Iterative Convex Optimization for Model Predictive Control with Discrete-Time High-Order Control Barrier Functions
University of California, Berkeley（加州大学伯克利分校）；Boston University（波士顿大学）
针对含安全约束的MPC实时求解难题，提出迭代凸优化框架，通过逐时步线性化动力学与DHOCBF约束，支持任意相对度并兼顾安全保证与计算效率。
2023-07-13 cs.RO cs.SY eess.SY
Guaranteed Cost Approach to Robust Model Predictive Control of Uncertain Linear Systems
针对不确定离散时间系统，提出了一种约束保性能鲁棒模型预测控制器（GCMPC）。该控制器是基于二次型成本泛函设计的，保证了对二次型不确定性的鲁棒性。这类问题是目前棘手的最小最大鲁棒模型预测控制器没有多面体近似的不确定性。所提出的技术是计算效率更高，然后基于枚举的方法，只需要一个二次约束二次问题（QCQP）优化，而基于LMI的GCMPC方法需要一个半定规划（SDP）优化。
2017-03-06 math.OC
Iterative risk-constrained model predictive control: A data-driven distributionally robust approach
本文提出迭代分布鲁棒MPC方案求解带风险约束的无限时域最优控制问题，通过累积数据逐步优化轨迹代价与安全性，证明了递归可行性与收敛性，并给出可计算重构与仿真验证。
2023-08-22 cs.SY eess.SY math.OC
On model predictive control with sampled-data input for output tracking with prescribed performance
提出一种带采样数据输入的MPC方案，通过显式推导控制输入与采样频率边界，在无需终端条件和长预测时域下实现相对阶为一系统的预设性能输出跟踪。
2024-03-27 math.OC
Online Data-Enabled Predictive Control
我们开发了一种在线数据启用预测（ODeePC）控制方法，用于未知系统的最优控制，建立在最近提出的DeePC [1]的基础上。我们提出的ODeePC方法利用具有实时测量反馈的原始对偶法，随着系统条件的变化迭代计算相应的实时最优控制时间最优控制策略。所提出的ODeePC在概念上类似于标准的自适应系统识别和模型预测控制（MPC），但它为标准方法提供了一种新的替代方案。ODeePC通过计算高效的方法来实现，这些方法在DeePC的上下文中利用快速傅里叶变换（FFT）和原始对偶法来利用汉克尔矩阵的特殊结构。我们提供理论保证ODeePC的渐近行为，我们通过数值例子证明了它的性能。
2020-11-18 math.OC
Output feedback stable stochastic predictive control with hard control constraints
针对离散线性定常系统，提出了一种不完全状态信息下的随机预测控制器。我们的方法是基于一个合适的选择的控制策略，稳定性约束，并雇用一个卡尔曼滤波器来估计不完整和腐败的观察系统的状态。我们证明，这种方法产生了一个计算上容易处理的问题，应该定期在线解决，所得到的闭环系统是均方有界的任何正界的控制行动。我们的研究结果允许一个解决最大的一类线性定常系统已知的服从随机稳定有界控制行动通过输出反馈随机预测控制。
2018-02-26 math.OC
Distributed Model Predictive Control for Energy Systems in Microgrids
提出了一种基于分布式模型预测控制（DMPC）的灵活模块化控制方案，以实现智能电网中分散能源系统的优化运行。所提出的方法是用来协调多个分布式能源（DER）在低压（LV）微电网，因此，允许虚拟发电厂（VPP）的操作。一个连续的和迭代的DMPC制定，它结合了全球电网的目标，以及当地的舒适性要求和性能指标。所研究的情况下，通过模拟产生的初步结果证明了应用这种控制方案的基准低电压微电网的好处。
2015-08-04 math.OC
Tube-based Guaranteed Cost Robust Model Predictive Control for Linear Systems Subject to Parametric Uncertainties
针对一类具有乘法结构范数有界不确定性的约束线性系统，提出了一种基于管道的保性能模型预测控制器。它为一般的最小-最大模型预测控制提供了一个上界。所提出的管的不变性适用于任何任意缩放。它产生一个二阶锥规划问题，这是计算成本较低的标准半定规划问题。我们还提出了一个数值例子，所提出的方法，开环保成本模型预测控制器，和一个位似管模型预测控制器的线性差分包含系统之间的比较研究。
2020-12-09 cs.SY eess.SY math.OC
Robust Model Predictive Control for Linear Systems with State and Input Dependent Uncertainties
针对离散线性定常系统，提出了一种计算效率高的鲁棒模型预测控制律。尽管依赖性是非凸的，我们能够捕捉到它的输入依赖性和近似的状态依赖性在最多的二阶锥规划问题。该公式具有线性复杂性的规划水平的长度。因此，该方法适合于高效的实时实现，保证递归的可行性和全局最优性。作为一个说明性的例子，卫星的鲁棒位置控制。
2019-08-09 math.OC
Learning Model Predictive Control for Connected Autonomous Vehicles
提出了一种学习模型预测控制器（LMPC），并针对编队和互联自主车辆（CAV）应用进行了定制。所提出的控制器建立在以前的工作上的非线性LMPC，调整其架构和扩展其能力（a）处理动态环境和（b）占数据驱动的决策变量，来自一个未知或不可知的功能。本文介绍了控制设计方法，并展示了如何递归地构建外环候选轨迹和内迭代LMPC控制器，收敛到模型驱动和数据驱动变量的最优策略。仿真结果表明了所提出的控制逻辑的有效性。
2019-08-07 math.OC
Risk-Sensitive Model Predictive Control for Interaction-Aware Planning -- A Sequential Convexification Algorithm
本文针对人机交互场景中具有决策依赖分布的随机系统，提出一种风险敏感模型预测控制的序列凸化算法，通过推导目标函数与碰撞避免惩罚项的凸上界，将非凸最优控制问题转化为一系列凸问题高效求解，并在机器人导航仿真中验证了其有效性与计算优势。
2025-05-30 cs.SY eess.SY math.OC
Information Theoretic Model Predictive Control on Jump Diffusion Processes
本文提出了一种复合Poisson噪声系统随机最优控制问题的信息论方法。将信息论路径积分控制推广到具有复合泊松噪声的非连续动态系统，并利用重要性采样方法设计了一种迭代模型预测控制算法。所提出的算法是可并行的，并且当在图形处理单元（GPU）上实现时可以实时运行。我们测试所提出的算法的性能在模拟两个控制任务，使用cartpole系统和四旋翼。我们的模拟表明，新方案的性能得到了改善，并指出了将随机扰动的统计特性纳入随机最优控制策略的计算的重要性。
2019-07-02 math.OC
A Revised Mehrotra Predictor-Corrector algorithm for Model Predictive Control
输入受限模型预测控制（MPC）包含一个最优化问题，在每个时刻都需要迭代求解。模型预测控制的众所周知的缺点是最优化问题的计算成本。这导致MPC应用于具有慢动态的系统的限制，例如，过程控制系统和小规模问题。因此，实现快速数值优化算法一直是人们关注的焦点。从计算成本的角度来看，内点法被证明是求解输入受限MPC的合适算法。本文首先将Mehrotra预估-校正算法（一种著名的临界点算法）的一种改进形式推广到求解二次规划问题，然后将其应用于有约束的模型预测控制问题。实验结果表明，与Matlab求解器算法相比，新算法具有更快的求解速度。
2019-04-16 math.OC
Stabilising Model Predictive Control for Discrete-time Fractional-order Systems
本文提出了一种分数阶离散时间系统的模型预测控制方法。我们证明了所有的约束条件都满足在所有的时刻，我们规定的条件的原点是一个渐近稳定的平衡点的控制系统。我们采用了有限维近似的原始无限维动力学的近似误差可以变得任意小。我们使用近似动力学设计一个基于管的模型预测控制器，该控制器将系统状态引导到受控尺寸原点的邻域。最后，我们推导出MPC控制系统的稳定性条件是计算上易于处理，并占分数阶系统的无穷维性质和状态和输入约束。所提出的控制方法保证离散时间分数阶系统的渐近稳定性，满足规定的约束条件和递归的可行性。
2016-06-15 math.OC
Flexible-step Model Predictive Control based on Generalized Lyapunov Functions
提出基于广义离散时间控制 Lyapunov 函数的柔性步长非线性 MPC，允许有限窗口内平均下降并灵活实施多个控制输入，保证递归可行性与稳定性，且改善非完整系统的渐近收敛。
2024-04-10 math.OC
Model Predictive Control with Reach-avoid Analysis
本文提出一种基于可达-规避分析的模型预测控制方法，通过连续可达-规避集替代离散状态，避免混合整数优化，实现高效的最优控制器综合。
2023-06-21 cs.SY eess.SY math.OC
Reference tracking stochastic model predictive control over unreliable channels and bounded control actions
MIT（麻省理工学院）；EPFL（洛桑联邦理工学院）
本文提出了一种在不可靠信道和有界控制输入下，通过随机模型预测控制实现参考信号跟踪的方法。
2020-12-24 math.OC
Immersion-based model predictive control of constrained nonlinear systems: Polyflow approximation
在模型预测控制（MPC）框架中，控制输入通常通过在线反复求解最优化问题来计算。对于一般的非线性系统，在线最优化问题是非凸的，计算量大，甚至难以处理。在本文中，我们提出通过计算离散时间非线性系统的高维线性嵌入来规避这个问题。计算依赖于与非线性系统的浸入性有关的代数条件，并且可以离线实现。在高维线性模型的基础上，我们定义并求解了一个凸的在线MPC问题。我们还提供了一个解释我们的方法下的Koopman运营商的框架。
2021-03-30 cs.SY eess.SY math.OC
Learning How to Autonomously Race a Car: a Predictive Control Approach
本文提出一种用于自动驾驶赛车的学习模型预测控制器（LMPC），通过存储轨迹和输入序列迭代更新控制器，降低了计算负担，并结合系统辨识策略构建预测模型，在BARC平台上验证了有效性。
2019-10-29 cs.SY eess.SY math.OC
An Accelerated Proximal Gradient-based Model Predictive Control Algorithm
本文基于最近梯度法提出了一种加速的二次规划（QP）算法。该算法能达到收敛速度$O(1/p^α)$，其中$p$为迭代次数，$α$为给定的正整数。该算法提高了现有算法实现$O(1/p^{2})$的收敛速度。其核心思想是从一组特定的高阶多项式方程中选取迭代参数。在随机生成的模型预测控制（MPC）最优化问题上对所提算法的性能进行了评估。实验结果表明，我们的算法可以优于国家的最先进的优化软件MOSEK和ECOS的小规模MPC问题。
2022-01-22 cs.SY eess.SY math.OC
Computationally Efficient Density-Driven Optimal Control via Analytical KKT Reduction and Contractive MPC
Department of Mechanical Engineering, New Mexico Institute of Mining and Technology（机械工程系，新墨西哥采矿与技术研究院）
本文提出通过分析KKT缩减和收缩MPC实现计算高效的密度驱动最优控制，解决大规模多智能体系统中集体空间分布协调问题，显著降低计算复杂度。
2026-09-22 cs.MA cs.RO math.OC
Convergence Properties of Fast quasi-LPV Model Predictive Control
本文研究了无不等式约束的 quasi-LPV 系统快速非线性模型预测控制迭代算法的收敛性质，提出了保证收敛的条件，并设计了一种保持最优性的算法变体，在仿真基准中验证了其性能。
2023-09-14 cs.SY eess.SY math.OC
Computationally efficient optimal control for unstable power system models
本文的研究重点是对不稳定的电力系统模型进行最优控制，并通过基于Riccati的反馈镇定过程和稀疏保持技术使其镇定。我们要找到的连续时间代数Riccati方程（CARE）的解决方案，从巴西互联电力系统（BIPS）模型，这是大规模稀疏指数-1广义系统的不稳定电力系统模型。我们提出了基于投影的有理Krylov子空间方法（RKSM）的迭代计算的CARE的解决方案。RKSM的新颖之处是稀疏保持计算和时间方便的自适应移位参数的实现。我们修改的低秩Cholesky因子集成交替方向隐式（LRCF-ADI）技术的嵌套迭代Kleinman-Newton（KN）方法的稀疏形式，并调整它来解决所需的CARE。我们将Kleinman-Newton方法与使用RKSM获得的结果进行了比较。所提出的技术的适用性和适应性是合理的数值与MATLAB仿真。通过表格和图形的方法对目标模型的瞬时性态进行了比较分析。
2021-09-01 cs.SY eess.SY math.DS
Robust MPC for Uncertain Linear Systems -- Combining Model Adaptation and Iterative Learning
针对带参数不确定性和加性扰动的迭代任务线性系统，提出融合集员参数估计、终端代价与终端集迭代学习的鲁棒自适应学习MPC框架，保证递归可行性等特性，仿真验证其在效率和性能上优于无终端组件迭代学习的同类方案。
2025-09-01 cs.SY eess.SY math.OC
Safe-by-Design: Approximate Nonlinear Model Predictive Control with Real Time Feasibility
University of Stuttgart（斯图加特大学）；Northeastern University（东北大学）
本文提出一种计算轻量、预测时域无穷小的连续时间滚动时域非线性MPC方法，通过小规模凸QP实现反馈，兼具准无限时域MPC的理论保证与实时可行性，并在非线性约束航天器控制中验证了有效性。
2026-09-09 cs.SY eess.SY math.OC
Approximate infinite-horizon predictive control
预测控制经常用于涉及约束的控制问题。作为一种基于优化的技术，利用用户指定的所谓阶段成本、性能属性，即，除了闭环稳定性之外，无限时域累积级成本的界也是令人感兴趣的。为了实现良好的性能，并影响与预测时域相关联的吸引区域，预测控制器的优化目标的终端成本是一个关键的设计因素。近似动态规划是指在状态域上追求迭代成本自适应的一种特定近似范式。近似误差的困扰，相关的近似最优控制器，在一般情况下，不一定是稳定的，也不是它的性能量化的整个近似域。使用一个参数终端成本通过近似动态规划训练，提出了一种稳定的预测控制器，其性能可以直接关系到成本逼近误差。该控制器还确保了在与终端成本相关联的近似最优控制器的训练域之外的闭环渐近稳定性。
2022-09-07 cs.SY eess.SY math.OC
Adaptive Output-Feedback Model Predictive Control of Hammerstein Systems with Unknown Linear Dynamics
针对线性动态未知、输入非线性已知的 Hammerstein 系统，提出结合递推最小二乘在线辨识与 QP 迭代优化的 PCAC 输出反馈预测控制方法，并用于饱和与死区约束下的积分器链镇定。
2023-09-28 cs.SY eess.SY math.DS
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
Balanced Reduced-Order Models for Iterative Nonlinear Control of Large-Scale Systems
我们提出一个新的框架来设计高维非线性系统的控制器。控制是通过迭代线性二次调节器（ILQR）设计的，该算法通过在每个时间步迭代地将线性二次调节器应用于系统的局部线性化来计算控制。由于ILQR是计算昂贵的，我们建议首先构建降阶模型（ROM）的高维非线性系统。我们通过投影得到非线性ROM，其中基础是通过平衡截断（BT）和LQG平衡截断（LQG-BT）计算的。对一个半离散的非线性Burgers方程进行了数值实验。我们发现，ILQR算法产生良好的控制ROM构建BT或LQG-BT，BT-ROM为基础的控制器略优于LQG-BT非常低维系统。
2021-10-09 cs.SY eess.SY math.DS
