Probabilistically Input-to-State Stable Stochastic Model Predictive Control
针对无界随机扰动下标准随机MPC缺乏严格递行可行性保证的问题，提出利用概率输入状态稳定性概念提供稳定性保证，并通过备用控制器处理可行性丧失，从而确保系统安全。
2024-10-10 cs.SY eess.SY
Convergence guarantees for adaptive model predictive control with kinky inference
本文分析了控制未知非线性系统的鲁棒自适应模型预测控制算法，证明采用二次稳定代价函数并通过kinky inference递归更新标称模型可确保系统在模型不确定性下收敛至原点，并经数值仿真验证。
2024-05-30 cs.SY eess.SY math.OC
Differentiable Predictive Control with Safety Guarantees: A Control Barrier Function Approach
Pacific Northwest National Laboratory（太平洋西北国家实验室）；Battelle Memorial Institute（巴特尔纪念研究所）
提出了一种基于控制障碍函数的具有安全性和鲁棒性保证的微分预测控制方法。DPC是一种基于无监督学习的方法，用于获得显式模型预测控制（MPC）问题的近似解。在DPC中，由神经网络参数化的预测控制策略通过MPC问题的自动微分获得的直接策略梯度离线优化。所提出的方法利用一种新形式的采样数据障碍函数，以执行离线和在线的DPC设置的安全要求，同时只中断基于神经网络的控制器附近的边界的安全集。仿真结果表明了该方法的有效性。
2022-08-03 cs.LG cs.SY eess.SY
Adaptive Economic Model Predictive Control for linear systems with performance guarantees
针对受扰动和参数不确定性影响的线性约束系统，提出结合确定性等价经济MPC与最小二乘在线参数自适应的控制方案，并给出渐近与瞬态性能保证，建筑温控数值示例验证了其性能收益。
2024-09-10 cs.SY eess.SY math.OC
Event-triggered and distributed model predictive control for guaranteed collision avoidance in UAV swarms
分布式模型预测控制（DMPC）常用于无人机机群的路径规划。然而，它需要在无人机上进行大量计算，导致重量和功耗增加。在这项工作中，我们建议卸载路径规划计算到多个地面计算单元。由于同时通信和重新计算所有的轨迹是不可行的一个大的群体与紧的时间要求，我们开发了一种新的事件触发DMPC，选择一个子集的最相关的无人机轨迹进行重新规划。由此产生的架构降低了无人机的重量和功耗，而主动冗余提供了对计算单元故障的鲁棒性。此外，DMPC保证了具有线性动力学的无人机的可行和无碰撞的轨迹。在模拟中，我们证明了我们的方法可以可靠地规划轨迹，同时节省60%的网络流量和所需的计算能力。硬件在环实验表明，该方法适用于实际四轴飞行器群的控制。
2022-06-22 cs.SY eess.SY
Cognitive-Flexible Control via Latent Model Reorganization with Predictive Safety Guarantees
King Mongkut’s University of Technology Thonburi（泰国孔敬理工大学）
本文提出认知灵活控制框架，通过动态重组潜在表示并结合贝叶斯MPC，实现安全且高效的非平稳网络物理系统控制。
2026-03-07 cs.SY eess.SY
Stochastic Model Predictive Control with a Safety Guarantee for Automated Driving: Extended Version
自动驾驶汽车需要在不确定的环境中进行有效和安全的规划。大多数情况下，这种不确定性是由其他交通参与者引起的，例如，周边车辆。周围车辆的未来运动通常难以预测。而鲁棒控制方法实现安全，但保守的自动车辆的运动规划，随机模型预测控制（SMPC）提供了有效的规划存在的不确定性。应用概率约束以确保最大风险保持在预定义水平以下。然而，由于可能违反概率约束，无法确保安全性，这对于自动驾驶车辆是不可接受的。在这里，我们提出了一个有效的轨迹规划框架与自动驾驶汽车的安全保证。SMPC被应用于获得有效的车辆轨迹有限的地平线。基于第一优化SMPC输入，使用可达集规划有保证的安全备份轨迹。此备份用于覆盖SMPC输入（如有必要），以确保安全。证明了安全SMPC算法的递归可行性。高速公路模拟表明所提出的方法的有效性，性能和安全性。
2022-06-08 cs.SY eess.SY
A Predictive and Sampled-Data Barrier Method for Safe and Efficient Quadrotor Control
Shanghai Jiao Tong University（上海交通大学）；Boston University（波士顿大学）；MIT（麻省理工学院）
本文提出一种级联控制框架，结合MPC与HOCBF扩展的采样数据障碍函数，实现四旋翼安全高效轨迹跟踪，兼顾安全性与实时性。
2025-10-06 cs.SY eess.SY
Robust Data-Enabled Predictive Control: Tractable Formulations and Performance Guarantees
我们介绍了线性时不变（LTI）系统的鲁棒数据使能预测控制（DeePC）的一般框架。所提出的框架使我们能够获得无模型的最优控制的LTI系统的噪声输入/输出数据的基础上。更具体地说，鲁棒DeePC解决了最小-最大优化问题，以计算最优控制序列，该最优控制序列对规定的不确定性集合内的输入/输出数据中的不确定性的所有可能实现具有弹性。我们提出了计算上易于处理的最小最大问题与各种不确定性集的重新表述。此外，我们表明，即使准确的预测未来的行为是无法实现的，在实践中由于无法访问的完美的输入/输出数据，所获得的鲁棒最优控制序列提供了性能保证的实际实现的输入/输出成本。我们进一步证明了鲁棒DeePC推广和鲁棒文献中提出的正则化DeePC（二次正则化或1-范数正则化）。最后，我们在并网功率变换器系统的高保真度、非线性和噪声仿真中展示了所提出的鲁棒DeePC算法的性能。
2021-05-15 cs.SY eess.SY
Increasing Robustness of the Anesthesia Process from Difference Patient's Delay Using a State-Space Model Predictive Controller
Amirkabir University of Technology（阿米尔卡比尔理工大学）
本文提出基于状态空间模型预测控制器与扩展卡尔曼滤波器的麻醉控制方法，通过BIS指数和丙泊酚实现麻醉深度控制，实验表明该方法能有效提升对患者延迟偏差的鲁棒性。
2013-08-07 cs.SY eess.SY
Novel Multi-objective Switched Model Predictive Control with Feasibility and Stability Guarantees
Institute of Flight Mechanics and Controls, University of Stuttgart（斯图加特大学飞行力学与控制研究所）
针对多目标控制需求，本文提出具备递推可行性与稳定性保证的标称、鲁棒两种新型多目标切换模型预测控制框架，数值实验验证其性能优于标准模型预测控制方法。
2025-11-15 cs.SY eess.SY math.OC
Distributional Robustness Regularized Scenario Optimization with Application to Model Predictive Control
我们提供了一个强大的统计和功能分析的动机分布鲁棒性的功能视图。这导致在两个实际的计算方法近似分布鲁棒非线性优化的基础上梯度范数和再生核希尔伯特空间。我们的方法可以应用于小样本和测试分布移动的统计学习的设置。作为一个案例研究，我们鲁棒基于随机模型预测控制一般非线性约束。特别是，我们证明了约束满足只有少数情况下的分布转移。
2021-10-26 cs.SY eess.SY math.OC
Asynchronous Model Predictive Control Under Model Mismatch: Stability and Performance Guarantees
Delft Center for Systems and Control, TU Delft（代尔夫特系统与控制中心，代尔夫特理工大学）
本文针对输入约束非线性系统，建立了异步确定性等价模型预测控制在模型失配下的稳定性与性能保证，量化了预测时域、执行间隔和不确定性对性能的影响，为异步MPC设计提供指导。
2026-09-09 cs.SY eess.SY
Stability Guarantees for Data-Driven Predictive Control of Nonlinear Systems via Approximate Koopman Embeddings
New Jersey Institute of Technology（新泽西理工学院）
本文通过近似Koopman嵌入为非线性系统数据驱动MPC提供稳定性保证，利用理论证书实现鲁棒稳定性理论的应用，展示了同步发电机与无限 bus 连接的物理信息嵌入示例。
2026-03-17 cs.SY eess.SY
Data-driven model predictive control: closed-loop guarantees and experimental results
我们提供了一个全面的审查和实际执行最近开发的模型预测控制（MPC）框架，用于控制未知的系统，只使用测量数据，没有明确的模型知识。我们的方法依赖于一个隐式的系统参数化从行为系统理论的基础上测量的输入输出轨迹。所提出的MPC计划保证闭环稳定的未知线性时不变（LTI）系统，即使数据受到噪声的影响。此外，我们扩展此MPC框架控制未知的非线性系统，通过不断更新的数据驱动的系统表示使用新的测量。通过非线性四容系统的仿真和实验证明了我们的方法简单而直观的适用性。
2021-07-02 cs.SY eess.SY math.OC
Learning an Approximate Model Predictive Controller with Guarantees
University of Stuttgart（斯图加特大学）
本文提出一种监督学习框架，用于在降低计算复杂度的同时近似模型预测控制器，并保证稳定性和约束满足。通过结合鲁棒MPC设计和统计学习界限，为学习的MPC提供闭环保证。
2018-06-11 cs.LG cs.SY eess.SY
Predictive control for nonlinear stochastic systems: Closed-loop guarantees with unbounded noise
本文针对受无界噪声影响的非线性系统，提出一种具有闭环保证的随机模型预测控制框架，利用概率可达集和随机收缩度量实现递推可行与机会约束满足，并通过数值仿真验证其计算效率和理论保证。
2025-06-04 cs.SY eess.SY math.OC
A Unified Framework for Online Data-Driven Predictive Control with Robust Safety Guarantees
针对非线性MPC依赖精确模型且计算成本高的问题，本文提出一种在线数据驱动预测控制统一框架，通过STF并行学习识别动力学、RCBF保证安全并学习NMPC策略，结合在线策略校正方案，在保证安全的同时大幅降低计算成本。
2023-06-29 cs.SY eess.SY
Reach-Avoid Model Predictive Control with Guaranteed Recursive Feasibility via Input Constrained Backstepping
Aalto University, Finland（阿尔托大学）
本文提出了一种新的采样数据模型预测控制框架，用于连续控制-仿射非线性系统，通过输入输出约束传播实现严格达-避和递归可行性保证。
2026-04-03 cs.SY eess.SY math.OC
Koopman Data-Driven Predictive Control with Robust Stability and Recursive Feasibility Guarantees
Eindhoven University of Technology（埃因霍温理工大学）
本文提出一种基于库普曼提升模型的子空间数据驱动预测控制方法，通过学习可观测函数抑制多步预测误差，并利用终端代价、终端集和插值初始状态保证递归可行性，同时通过新型正则化代价获得闭环输入到状态稳定性。
2024-05-02 cs.LG cs.SY eess.SY
Network-Realised Model Predictive Control Part II: Distributed Constraint Management
Department of Automatic Control；Systems Engineering, ``Politehnica'' University of Bucharest, Bucharest, Romania -1mm；Laboratoire des Signaux et Syst\`emes, CentraleSup\'elec, Paris-Saclay University, Gif-sur-Yvette, France -9mm
本文提出一种两层控制架构，通过集合理论方法实现可扩展的模型预测控制器，提供递归可行性保证，并允许灵活定制。
2026-04-10 cs.SY eess.SY
Data-driven Kernel-based Predictive Control with Stability and Robustness Guarantees
Nanyang Technological University（南洋理工大学）；Beijing Institute of Technology（北京理工大学）
研究基于输入输出数据的核基预测控制方案闭环特性，用核方法构建多步预测器，证明无噪声时方案特性，引入松弛缓解计算负担，增强抗噪声能力，扩展到慢时变系统并举例验证。
2026-07-07 cs.SY eess.SY
An overview of systems-theoretic guarantees in data-driven model predictive control
Institute for Systems Theory and Automatic Control, University of Stuttgart（斯图加特大学系统与自动控制系统理论研究所）
本文综述了数据驱动模型预测控制中系统理论保证的方法，涵盖从线性系统到非线性系统的各种设置，并讨论了未来研究方向以提升其理论和实际应用。
2025-12-22 cs.SY eess.SY math.OC
Closed-loop Performance Optimization of Model Predictive Control with Robustness Guarantees
针对模型失配和噪声影响MPC性能的问题，提出基于反向传播的MPC调参方法，优化成本函数与约束，并利用场景方法给出约束违反的概率保证，仿真验证有效。
2025-06-21 cs.SY eess.SY math.OC
Online learning-based Model Predictive Control with Gaussian Process Models and Stability Guarantees
Otto-von-Guericke-University（奥托·冯·格里克大学）；Universidad de Sevilla（塞维利亚大学）
模型预测控制允许以约束满足的形式提供高性能和安全保证。然而，只有当用于预测的受控过程的基础模型足够准确时，这些性质才能得到满足。解决这一挑战的单向式方法之一是通过数据驱动和机器学习方法，例如高斯过程，允许在操作期间在线优化模型。我们提出了一个组合的输出反馈模型预测控制计划和高斯过程为基础的预测模型，能够有效的在线学习。为此，进化高斯过程的概念与递归后验预测更新相结合。所提出的方法保证了递归约束满足和输入到状态稳定性的模型-植物不匹配。仿真研究表明，高斯过程预测模型可以成功有效地在线学习。通过结合递归更新过程和限制训练数据点的数量，同时保持良好的性能，从而显着降低了计算负荷。
2020-12-01 cs.LG cs.SY eess.SY
High-Performance Model Predictive Control for Quadcopters with Formal Stability Guarantees
Avular（阿夫拉尔）
本文提出一种具有形式稳定性保证的四旋翼 cascade 控制策略，通过模型预测控制实现高精度轨迹跟踪。
2024-12-28 cs.SY eess.SY math.OC
Tube-based Guaranteed Cost Model Predictive Control Applied to Autonomous Driving Up to the Limits of Handling
控制技术的发展，以保持车辆的稳定性下可能失去控制的情况下，是必不可少的自主地面车辆在公共场景中的安全部署。在本文中，我们提出了一种基于管的保证成本的模型预测控制器的自动驾驶汽车能够避免前后轮胎饱和，并跟踪提供的参考轨迹的车辆的处理的限制。这种方法确保车辆将保持在其安全操作范围内;因此，保证车辆的稳定性和性能，包括紧急情况下可能需要的高动态机动。我们还提出了一个新的保守逼近的非线性车辆动力学的线性系统的范数有界乘性不确定性和一个新的最大鲁棒可控不变集的车辆动力学。它包括一个更大的可行状态空间区域相比，以前提出的不变集。最后，我们提出了所提出的方法的性能的模拟和车载结果。
2020-12-09 cs.SY eess.SY math.OC
Learning-Based Distributionally Robust Model Predictive Control of Markovian Switching Systems with Guaranteed Stability and Recursive Feasibility
针对切换概率未知的机会约束马尔可夫切换系统，提出了一种数据驱动的模型预测控制方法。利用马尔可夫链的样本，估计转移概率的模糊集，其中包括具有高概率的真实条件概率分布。这些集在线更新，并用于制定一个随时间变化的，规避风险的最优控制问题。我们证明了所得到的MPC计划的递归可行性，并表明，原来的机会约束仍然满足在每个时间步。此外，我们表明，充分降低的置信水平下，由此产生的MPC计划使闭环系统的均方稳定的真实，但未知的分布，同时保持保守性比一个完全强大的方法。
2020-10-01 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
Learning Constrained Adaptive Differentiable Predictive Control Policies With Guarantees
Pacific Northwest National Laboratory（太平洋西北国家实验室）
我们提出了可微预测控制（DPC），学习约束的线性系统的概率性能保证的神经控制策略的方法。我们采用自动微分获得直接的政策梯度反向传播的模型预测控制（MPC）的损失函数和约束的惩罚，通过可微的闭环系统动力学模型。我们证明了所提出的方法可以学习参数约束控制策略来稳定具有不稳定动态的系统，跟踪时变参考，并满足非线性状态和输入约束。与基于模仿学习的方法相比，我们的方法不依赖于监督控制器。最重要的是，我们证明，在不损失性能的情况下，我们的方法是可扩展的，计算效率比隐式，显式和近似MPC。IEEE Transactions on Automatic Control（IEEE自动控制学报）
2022-01-27 cs.LG cs.NE cs.SY
Disturbance feedback-based model predictive control in uncertain dynamic environments
针对不确定环境下线性系统面临的时变不确定约束问题，提出基于未来环境状态参数化预测输入的鲁棒MPC方案，兼具理论保证与仿真验证。
2024-04-15 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
Distributionally Robust Model Predictive Control: Closed-loop Guarantees and Scalable Algorithms
本文针对线性系统、凸约束和二次代价的分布鲁棒模型预测控制（DRMPC），建立了闭环性能保证并提出了超线性收敛的Newton型可扩展优化算法，同时揭示了其相较于随机MPC的长期性能条件。
2024-11-12 cs.SY eess.SY math.OC
Distributed and Localized Model Predictive Control. Part II: Theoretical Guarantees
工程信息物理系统正变得越来越大和复杂。这些系统需要可扩展的控制器，鲁棒地满足状态和输入约束的存在下，加性噪声-这种控制器还应该伴随着理论上的可行性和稳定性的保证。在我们的配套文件中，我们介绍了分布式和本地化模型预测控制（DLMPC）的大规模线性系统; DLMPC是一个可扩展的闭环MPC计划，其中子系统只需要交换本地信息，以综合和实施本地控制器。在本文中，我们提供了递归的可行性和渐近稳定性保证DLMPC。我们利用系统级综合框架来表达闭环系统的最大正鲁棒不变集及其相应的李雅普诺夫函数，都在闭环系统响应方面。我们使用不变集作为DLMPC的终端集，并证明了这保证了最小保守性的可行性。我们使用的李雅普诺夫函数的终端成本，并表明，这保证了稳定性。我们提供了完全分布式和本地化的算法来计算终端集离线，也提供了必要的补充在线DLMPC算法，以适应耦合终端约束和成本。在所有的算法中，只有当地的信息交换是必要的，计算复杂性是独立的全球系统的大小-我们证明了这一点分析和实验。这是第一个分布式MPC的方法，提供最低限度的保守，但完全分布式保证递归的可行性和渐近稳定性，为标称和鲁棒设置。
2022-03-01 cs.SY eess.SY math.OC
Minimum Time Learning Model Predictive Control
本文提出了一种用于线性和非线性时间最优控制问题的学习模型预测控制（LMPC）策略。我们的工作建立在现有的LMPC方法，它保证有限时间收敛性能的闭环系统。我们展示了如何使用闭环数据构造时变安全集和终端代价函数。由此产生的LMPC政策是时变的，它保证递归约束满足和非递减性能。通过对安全集和终端代价函数进行凸化，提高了计算效率。我们证明了，对于一类非线性系统和凸约束，凸LMPC公式保证递归约束满足和非减性能。最后，我们说明了所提出的策略的有效性最短时间避障和赛车的例子。
2020-10-04 cs.SY eess.SY math.OC
Distributed Truncated Predictive Control for Networked Systems under Uncertainty: Stability and Near-Optimality Guarantee
本文针对不确定网络化系统提出分布式截断预测控制算法，每个节点仅利用局部信息和有限跳邻域求解截断预测优化问题，证明其具有输入到状态稳定性且遗憾值随时域和截断半径指数衰减，从而以短时域和小邻域实现近最优性能。
2025-07-17 cs.SY eess.SY math.OC
Model predictive control design for dynamical systems learned by Long Short-Term Memory Networks
本文分析了长短期记忆（LSTM）网络的稳定性相关特性，并研究了它们在模型预测控制器（MPC）设计中作为对象模型的用途。首先，给出了保证LSTM的输入到状态稳定性（ISS）和增量输入到状态稳定性（dISS）的充分条件。然后利用这些属性来设计一个观测器，保证状态估计收敛到真实的。这样的观察员，然后嵌入在MPC计划解决跟踪问题。所得到的闭环方案被证明是渐近稳定的。在pH反应器的仿真器上对训练算法和控制方案进行了数值测试，结果证实了所提出方法的有效性。
2020-08-27 cs.SY eess.SY
Control Invariant Sets for Neural Network Dynamical Systems and Recursive Feasibility in Model Predictive Control
Department of Aerospace Engineering, University of Michigan（密歇根大学航空航天工程系）；Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
针对神经网络动力系统控制设计缺乏严格安全与递归可行性保证的问题，本文提出基于集合递归的控制不变集合成算法及整合该集合的混合整数模型预测控制方法，经理论分析和自动驾驶仿真验证了其安全保证与有效性。
2025-05-15 cs.AI cs.SY eess.SY
NeuroSymbolic Robustness Analysis for Discrete Systems with Respect to Transition Deviations
The Pennsylvania State University（宾夕法尼亚州立大学）
提出一种神经符号计算框架，利用大语言模型推断可行偏差转移集，再通过符号层计算离散鲁棒性保证，以解决传统方法可扩展性差和保守性问题。
2026-06-02 cs.SY eess.SY
Topological Feasibility Guarantees for Differentiable Predictive Control
Chalmers University of Technology（查尔姆斯理工大学）；Nanyang Technological University（南洋理工大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
本文针对可微预测控制（DPC）缺乏严格可行性保证的问题，通过拓扑分析建立其确定性可行性保证，提出结合控制障碍函数（CBFs）的自监督离线策略学习策略，仿真验证其约束违反量随样本规模增大趋近于零，为学习型控制的可行性保证提供新视角。
2026-08-12 cs.LG cs.SY eess.SY
Backup Plan Constrained Model Predictive Control with Guaranteed Stability
针对任务不确定下的自主车辆路径规划，提出备份计划安全概念与备份计划约束MPC算法，通过多目标多时域可行性最大化兼顾主备任务可行性，保证闭环渐近稳定，经UAV仿真验证有效。
2023-10-06 cs.SY eess.SY
Stochastic MPC for Finite Gaussian Mixture Disturbances with Guarantees
本文提出一种针对线性系统受高斯混合扰动的随机模型预测控制算法，通过分支模型预测控制与随机仿真关系满足机会约束，并保留递归可行性与闭环保证，以车辆控制案例验证。
2025-06-24 cs.SY eess.SY
Statistical Guarantees in Data-Driven Nonlinear Control: Conformal Robustness for Stability and Safety
Department of Aerospace Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校航空航天工程系）
提出一种与真实动力学无关的统计严谨框架，通过保形鲁棒性概念，利用保形预测量化模型预测不确定性，构建保形鲁棒控制李雅普诺夫函数和屏障函数，为全数据驱动非线性控制提供有限时域指数稳定性和安全性的统计保证。
2026-06-01 cs.SY eess.SY
Robust Helicopter Ship Deck Landing With Guaranteed Timing Using Shrinking-Horizon Model Predictive Control
German Aerospace Center (DLR)（德国航空航天中心（DLR））；Leuphana University of Lueneburg（吕讷堡莱普哈纳大学）
本文提出了一种基于SHMPC的高效算法，实现鲁棒直升机在移动舰船甲板上的着陆，确保时间约束和高精度着陆性能。
2026-02-26 cs.RO cs.SY eess.SY
Distributed MPC: Guaranteeing Global Stabilizability from Locally Designed Tubes
University of Sheffield（谢菲尔德大学）
本文研究了分布式模型预测控制中常用的稳定性假设与控制器隐含不变性之间的基本关系，提出定理给出全局稳定性的充分条件，证明局部鲁棒控制器的约束可接受性足以保证闭环系统稳定，并探讨其与管式分布式MPC等复杂控制形式的关系。
2016-11-02 cs.SY eess.SY
Robust Model Predictive Path Integral Control: Analysis and Performance Guarantees
在本文中，我们提出了一种新的决策架构鲁棒模型预测路径积分控制（RMPPI），并研究其性能保证和越野导航的适用性。所提出的架构的关键组成部分是一个增强的状态空间表示的系统组成的名义和实际的动态，不同类型的跟踪控制器的占位符，标称状态传播的安全逻辑，并考虑到底层跟踪控制的能力的重要性采样方案。使用这些成分，我们推导出一个绑定的自由能增长的动力系统，这是一个功能的任务约束满足水平，底层跟踪控制器的性能，和随机优化RMPPI内使用的采样误差。为了验证自由能增长的约束，我们使用两种类型的跟踪控制器，即迭代线性二次高斯和收缩度量为基础的控制进行仿真实验。我们进一步证明了RMPPI在真实硬件中使用GT AutoRally车辆的适用性。我们的实验表明，RMPPI优于MPPI和Tube-MPPI缓解上述模型预测控制器的问题，无论是缺乏鲁棒性或过度保守。RMPPI在灵活性和对干扰的鲁棒性方面提供了两个世界中最好的。
2021-02-17 cs.SY eess.SY math.OC
Error Bounds for Reduced Order Model Predictive Control
模型预测控制是一个强大的框架，使约束系统的最优控制。然而，对于由高维状态空间描述的系统，这种框架对于实时控制来说在计算上要求太高。降阶模型预测控制（ROMPC）框架通过利用模型降阶技术来压缩在线最优控制问题中使用的状态空间模型来解决这个问题。虽然这可以通过降低在线计算要求来实现实时控制，但这些模型简化引入了近似误差，必须考虑这些近似误差以保证受控高维系统的约束满足和闭环稳定性。在这项工作中，我们提出了一个离线的方法，有效地计算模型简化所产生的误差范围，并显示它们如何可以用来保证约束满意度在以前提出的ROMPC框架。这项工作认为，线性，离散，时不变的系统被压缩的彼得罗夫-伽辽金投影，并考虑输出反馈设置系统也受到有界干扰。
2020-08-21 cs.SY eess.SY
Robust Predictive Output-Feedback Safety Filter for Uncertain Nonlinear Control Systems
在现实世界的应用中，我们经常需要可靠的决策下动态不确定性使用嘈杂的高维传感器数据。最近，我们已经看到越来越多的基于学习的控制算法，以解决动态不确定性下的决策的挑战。这些算法通常对潜在的未知动态做出假设，因此可以提供安全保证。这对于其他广泛使用的基于学习的决策算法（如强化学习）更具挑战性。此外，大多数现有的方法假设访问状态测量，这在实践中可能是限制性的。在本文中，安全滤波器和鲁棒输出反馈控制的文献的启发，我们提出了一个鲁棒预测输出反馈安全滤波器（RPOF-SF）框架，提供安全认证的任意控制器应用于不确定的非线性控制系统。建议的RPOF-SF结合了一个鲁棒稳定的观测器，估计系统状态从嘈杂的测量数据和一个预测的安全过滤器，使任意的控制器安全（可能）最小限度地修改控制器的输入，以保证安全。我们在理论上表明，建议的RPOF-SF保证约束的满意度，尽管施加到系统的干扰。我们证明了所提出的RPOF-SF算法使用不确定的质量弹簧阻尼器系统的有效性。
2022-12-17 cs.SY eess.SY
Finite Control Set Model Predictive Control with Limit Cycle Stability Guarantees
针对现有有限控制集模型预测控制稳态行为不可预测的问题，提出带周期终端代价与终端集的极限环FCS-MPC设计，保证算法渐近稳定与递归可行性，方法经切换系统和电力电子算例验证。
2024-07-10 cs.SY eess.SY math.OC
Adaptive Economic Model Predictive Control: Performance Guarantees for Nonlinear Systems
ETH Zürich（苏黎世联邦理工学院）
本文提出了一种自适应经济模型预测控制方法，通过在线模型适应和管状方法，在非线性系统中实现鲁棒性和性能保证。
2026-01-15 cs.SY eess.SY math.OC
Global Performance Guarantees for Localized Model Predictive Control
本文为局部模型预测控制提供全局性能保证，推导最优性能的充分条件，并提出最小化计算复杂度的通信结构算法，证明121个耦合摆网络中仅需与直接邻居通信即可保持最优性能。
2023-08-29 cs.SY eess.SY math.OC
Inaccuracy matters: accounting for solution accuracy in event-triggered nonlinear model predictive control
我们考虑在事件触发控制方案中使用近似系统预测的效果。这种近似可能是由于使用数值转录方法来解决连续时间最优控制问题。网格细化可以保证微分方程的误差上界，该微分方程对系统动力学进行建模。在网格细化方案的准确性保证下，我们证明了所提出的事件触发方案（将测量系统与近似状态预测进行比较）可以在保证严格正的更新间隔时间的情况下使用。我们表明，如果我们有知识的转录计划或近似误差，那么我们可以获得更好的在线估计的更新时间。我们还详细介绍了一种方法，收紧约束的近似系统轨迹中使用的非线性规划问题，以保证连续时间系统的约束满足。这是第一个将预测准确性纳入触发指标的工作。使用解决方案的准确性，我们可以保证可靠的下限更新时间和执行解决方案相关的约束收紧。
2021-05-28 cs.SY eess.SY math.OC
Numerical Predictive Control for Delay Compensation
我们提出了一种延迟补偿控制方法，将指数稳定控制器的无延迟系统到一个基于样本的预测控制器与数值积分。我们的方法处理一阶和传输延迟的执行器和权衡数值精度与计算延迟，以保证稳定的硬件限制下。通过混合稳定性分析和数值仿真，我们证明了我们的方法的有效性，从理论和仿真的角度。
2020-09-30 cs.SY eess.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
