Model Predictive Path Planning in Navier-Stokes Flow with POD-Based Reduced-Order Models
本文提出一种结合POD降阶模型与MPC的路径规划方法，用于在纳维-斯托克斯流中实现高效实时控制。
2025-11-27 cs.SY eess.SY math.OC
Reduced-Order Model Predictive Control of a Fish Schooling Model
研究了Gautrais等人提出的鱼类集群模型的模型预测控制（Annales Zoologici Fennici，2008）问题。由于其吸引/对齐/排斥法律模型的高度非线性表明，需要使用MPC控制鱼群的运动。然而，对于大型学校，法律的混合性质可以使它在MPC中执行有限范围优化的数字要求。因此，本文提出了减少鱼集群模型的数值效率MPC的减少是基于使用学校中的个体鱼的方向的加权平均。我们分析表明，如何使用归一化的特征向量中心的相互作用网络可以产生一个更好的减少比较减少误差。我们证实了这一发现的重量和数值效率的MPC与降阶模型的数值模拟。拟议的削减使我们能够控制一所最多500人的学校。此外，我们确认，减少与归一化的特征向量中心，使我们能够提高控制精度的五倍相比，使用恒定的权重。
2023-03-04 cs.SY eess.SY
An Improved Approach for Output Feedback Model Predictive Control of Hybrid Systems
本文针对LPV及混合系统提出一种基于准最小-最大算法的改进鲁棒模型预测控制方案，通过新代价函数和不确定性处理，在LMI输入约束下保证鲁棒稳定性并减少切换扰动。
2023-11-29 cs.SY eess.SY
Learning based Predictive Error Estimation and Compensator Design for Autonomous Vehicle Path Tracking
National Key Lab of Vehicular Transmission, School of Mechanical Engineering, Beijing Institute of Technology（北京理工大学机械工程学院车辆传动国家重点实验室）
模型预测控制（MPC）由于其处理各种类型的约束的能力而被广泛用于自主车辆的路径跟踪。然而，由于数学模型的误差或模型的线性化，存在着相当大的预测误差。在本文中，我们提出了一个框架，结合MPC与基于学习的误差估计器和前馈补偿器，以提高路径跟踪精度。一个极端的学习机来估计基于模型的预测误差，从车辆状态反馈信息。离线训练数据是从由模型缺陷的规则MPC控制的车辆中收集的，用于分别在几种工况下的路径跟踪。数据包括车辆状态以及当前实际位置与相应预测位置之间的空间误差。根据预测误差的估计值，设计了基于PID的前馈补偿器。通过Carsim的仿真结果表明，预测误差的估计精度和所提出的框架的自动驾驶汽车的路径跟踪的有效性。
2020-07-18 cs.RO cs.SY eess.SY
Robust Nonlinear Reduced-Order Model Predictive Control
Stanford University（斯坦福大学）；ETH Zürich（苏黎世联邦理工学院）
本文提出一种新颖的降阶模型预测控制（ROMPC）方案，通过推导动态考虑模型降阶误差的误差边界系统，设计鲁棒MPC以确保约束满足、递归可行性和渐近稳定性，并在近万维软体机器人仿真中验证了有效性。
2023-09-11 cs.RO cs.SY eess.SY
Robust Trajectory Tracking Error Model-Based Predictive Control for Unmanned Ground Vehicles
Delft University of Technology（代尔夫特理工大学）；University of Leuven (KU Leuven)（鲁汶大学）
提出了一种新的基于误差的鲁棒轨迹跟踪控制方法。基于轨迹跟踪误差模型设计了一种线性模型预测控制器，其控制作用与前馈和鲁棒控制作用相结合。实验结果表明，所提出的控制结构是能够让牵引车拖车系统跟踪直线和曲线的目标轨迹与低跟踪误差。
2021-03-31 cs.RO cs.SY eess.SY
Adaptive Scale Factor Compensation for Missiles with Strapdown Seekers via Predictive Coding
在这项工作中，我们提出了一种方法来自适应补偿旋转速度和导引头角度测量的比例因子误差。自适应方案使用实现为具有递归层的深度神经网络的预测编码模型来估计比例因子误差，然后使用这些估计来补偿误差。在训练过程中，模型在广泛的比例因子误差范围内进行学习，这些误差理想地限制了部署过程中可能发生的预期误差，从而使部署的模型能够实时快速适应地面实况误差。我们证明了在一个现实的六度的自由度模拟大气层外拦截，我们的方法有效地补偿并发的旋转速度和导引头角度比例因子误差。补偿方法是通用的，因为它独立于给定的制导、导航和控制系统的实现。虽然演示使用大气层外导弹与捷联式导引头，该方法也适用于大气层内导弹与万向节和捷联式导引头，以及通用的惯性测量单位速率陀螺仪补偿。
2020-09-15 cs.SY eess.SY
QSID-MPC: Model Predictive Control with System Identification from Quantized Data
该研究聚焦量化数据对系统辨识及模型预测控制的影响，揭示模型误差与量化分辨率的关联，证明丰富数据集下两类误差的有界性，并通过两个线性动力系统数值实验验证理论。
2025-03-24 cs.SY eess.SY
Robust reduced-order model predictive control using peak-to-peak analysis of filtered signals
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）；Department of Mechanical Engineering, Imperial College London（帝国理工学院机械工程系）
本文提出一种利用降阶模型的鲁棒模型预测控制方法，通过分析误差和峰值到峰值增益来保证约束满足和鲁棒性能，实验显示在100维质量-弹簧-阻尼系统中减少了四阶以上保守性。
2026-07-24 cs.SY eess.SY math.OC
Tube-Based Zonotopic Data-Driven Predictive Control
针对受有界附加扰动影响的线性系统，提出了一种基于管的数据驱动预测控制方法。我们的方法利用最近的结果在未知的线性系统的可达性分析，制定和解决一个强大的基于管的预测控制问题。更确切地说，我们的方法包括从收集的数据中导出一个包括真实状态误差集的zonotope。我们展示了如何保证所产生的错误zonotope，这可以被利用来增加现有zonotopic数据驱动的MPC配方的计算效率的稳定性。双积分器的强对抗性噪声的影响下的结果表明，所提出的控制方法的有效性。
2022-11-24 cs.SY eess.SY
Model Predictive Control for Tracking Bounded References With Arbitrary Dynamics
本文提出一种MPC方法，通过引入人工参考作为决策变量，处理任意动态有界参考跟踪，保证递归可行性和跟踪误差渐近稳定，并仿真验证其有效性。
2025-03-26 cs.SY eess.SY
Predictive Control Based on Reduced Order Model for temperature homogeneity in a resin transfer molding tool for thermoset materials
树脂传递模塑（RTM）是近年来在轻量化制造领域备受关注的一种成型工艺，也是控制技术面临的一个重要挑战。在此过程中，树脂填充腔体，其中增强织物先前已经分层。这种树脂经历热活化的化学反应。因此，确保适当的反应需要精确控制整个模腔中的温度。有三个因素使得这个控制问题特别困难：大量执行器和传感器之间的耦合，测试条件的可变性以及不提供冷却能力的电动执行器的功率限制。目前的工作描述了一个优化的模型预测控制（MPC）架构能够处理这些困难，也实现了严格的控制要求中所需的应用。通过简化的降阶模型（ROM）将模腔内的热分布纳入控制器。这种表示是通过实验验证的有限元模型（FEM）的数据，使用自回归模型与外生项（ARX）识别。为了保持这种线性表示的简单性，通过使用扰动观测器估计时变模型参数。此外，基本算法的性能得到改善：首先，一个增广观测器估计的温度分布的扩展空间分辨率;其次，在计算的控制命令的对称性条件。所开发的体系结构已成功地实现了RTM工具的控制要求的履行。
2019-09-27 cs.SY eess.SY math.OC
Discussions on Inverse Kinematics based on Levenberg-Marquardt Method and Model-Free Adaptive (Predictive) Control
本文从控制理论的角度对目前基于LM方法的逆运动学鲁棒数值解法进行了重新分析。通过分析修正后的无模型自适应控制（MFAC）的控制性能，与已有的研究相比，更清楚地分析了计算的鲁棒性和计算误差的收敛性能。然后以最小化预测跟踪误差为目标，提出了一种新的无模型自适应预测控制方法来解决机器人逆运动学问题。最后，我们应用MFAPC作为控制器的机器人运动控制问题的仿真。该方法不仅具有良好的控制性能，而且能有效地求解逆运动学问题。
2023-02-06 cs.SY eess.SY
Tube-Based Model Predictive Control with Random Fourier Features for Nonlinear Systems
HUN-REN Institute for Computer Science and Control (SZTAKI)（匈牙利科学院计算机与控制研究所）；University of Michigan, Ann Arbor（密歇根大学）；Budapest University of Technology and Economics（布达佩斯技术与经济大学）
本文提出一种结合随机傅里叶特征与管式MPC的方法，用于非线性系统的鲁棒模型预测控制，有效减少管大小并提升实时性能。
2025-11-20 cs.SY eess.SY
An Error-State Model Predictive Control on Connected Matrix Lie Groups for Legged Robot Control
University of Michigan（密歇根大学）；Cornell University（康奈尔大学）
本文提出了一种新的误差状态模型预测控制（MPC）方法，用于机器人控制的连接矩阵李群。线性化跟踪误差动力学和线性化的运动方程推导的李代数。此外，给定一个初始条件，线性化的跟踪误差动力学和运动方程是全局有效的，并独立于系统轨迹的演变。通过利用问题的对称性，所提出的方法显示出更快的收敛速度的旋转和位置同时比最先进的几何变分MPC基于变分线性化。对全驱动三维刚体动力学跟踪控制的数值仿真证实了所提出的方法相比基线的好处。此外，提出的MPC也验证了四足机器人MIT迷你猎豹的姿态控制和运动实验。
2023-01-23 cs.RO cs.SY eess.SY
Noise-Tolerant Hybrid Approach for Data-Driven Predictive Control
University of Southern Denmark（南丹麦大学）
本文提出一种容错混合数据驱动预测控制方法，通过奇异值分解分离系统动态与噪声，提升预测精度和计算效率。
2026-01-08 cs.SY eess.SY
Batch Model Predictive Control for Selective Laser Melting
选择性激光熔化是一种很有前途的增材制造技术，可以制造高度可定制的产品。选择性激光熔化的一个主要挑战是确保所生产部件的质量，这在很大程度上受到打印层的热历史的影响。将模型预测控制与迭代学习控制相结合，提出了一种间歇模型预测控制方法。这种方法成功地拒绝了重复性和非重复性的干扰，从而实现了改善的跟踪性能和过程质量。在模拟研究中，选择性激光熔化动力学近似与降阶控制为导向的线性模型，以确保合理的计算复杂性。所提出的方法提供了收敛到所需的温度场分布，尽管模型的不确定性和干扰。
2022-04-08 cs.SY eess.SY
Comparison of Deep Reinforcement Learning and Model Predictive Control for Adaptive Cruise Control
本研究比较了深度强化学习（DRL）和模型预测控制（MPC）在车辆跟驰场景中的自适应巡航控制（ACC）设计。一阶系统被用作面向控制的模型（COM）来近似车辆的加速指令动态。基于控制系统方程和多目标代价函数，采用深度确定性策略梯度（DDPG）训练DRL策略，并采用内点优化（IPO）求解MPC问题。对事件成本的仿真结果表明，当没有建模误差且测试输入在训练数据范围内时，DRL解决方案等效于具有足够长预测范围的MPC。特别是，DRL事件成本仅比通过IPO优化整个事件提供的基准解决方案高5.8%。当测试输入超出训练数据范围时，DRL控制性能下降，表明泛化不足。当由于控制延迟、干扰和/或使用车辆的高保真模型（HFM）的测试而存在建模误差时，DRL训练的策略在大的建模误差下表现更好，而在建模误差小时具有与MPC类似的性能。
2020-05-20 cs.SY eess.SY
Data-Driven Model Reduction and Nonlinear Model Predictive Control of an Air Separation Unit by Applied Koopman Theory
RWTH Aachen University（亚琛工业大学）；Forschungszentrum Jülich GmbH（于利希研究中心有限公司）；JARA-CSD（亚琛研究联盟-计算科学分部）
本文基于Koopman理论提出数据驱动降阶策略，结合自编码器与线性潜空间动力学构建空分单元低阶控制模型，并设计适配固定块结构的非线性模型预测控制实现，使平均CPU时间减少98%，实现实时控制。
2023-09-11 cs.LG cs.SY eess.SY
Robust Model Predictive Control for Autonomous Vehicles/Self Driving Cars
本文提出一种用于自主车辆前轮控制的鲁棒模型预测控制方法，通过权重调整和在线线性化技术提升控制鲁棒性，并讨论各方法在精度和计算负载上的有效性。
2018-05-22 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
On the Practical Design of Tube-Enhanced Multi-Stage Nonlinear Model Predictive Control
管增强多阶段非线性模型预测控制是一种鲁棒控制方案，可以处理大范围的不确定性，降低保守性和可管理的计算复杂度。在本文中，我们从应用的角度阐述了该方法的灵活性。我们讨论的路径，使设计决策系统地实施新的计划。我们说明了一个工业实例的计划的设计和实施的关键步骤。
2022-04-20 cs.SY eess.SY math.OC
Bounding the difference between model predictive control and neural networks
关于反馈控制系统的未来将由数据驱动还是模型驱动方法主导的争论越来越多。这两种方法中的每一种都有其自身的优点和缺点，然而，到目前为止，只有有限的尝试被开发来弥合它们之间的差距。为了解决这个问题，本文介绍了一种方法来约束反馈控制策略之间的最坏情况下的误差基于模型预测控制（MPC）和神经网络（NN）。这一结果被利用到一种方法中，以自动合成MPC政策，最大限度地减少最坏情况下的错误相对于NN。数值例子突出了应用的界限，本文的目标是鼓励数据驱动和模型驱动控制之间的关系更定量的理解。
2022-04-13 cs.SY eess.SY
Empirical Study of Dynamic Regret in Online Model Predictive Control for Linear Time-Varying Systems
本文针对线性时变系统中在线MPC的动态遗憾展开实证研究，验证相关理论假设，分析预测误差和预测范围对性能的影响，为MPC的实际应用提供理论与实践结合的见解。
2025-02-19 cs.SY eess.SY
A subspace approach to data-driven predictive control for linear parameter-varying systems
Eindhoven University of Technology（埃因霍温理工大学）；HUN-REN Institute for Computer Science and Control（匈牙利科学院计算机与控制研究所）；University of Pennsylvania（宾夕法尼亚大学）
本文针对线性参数变时系统，提出一种子空间数据驱动预测控制方法，通过降阶预测器等设计，提升了控制器的鲁棒性与计算效率，实现了可实际部署的多步控制方案。
2026-07-31 cs.SY eess.SY
MDR-DeePC: Model-Inspired Distributionally Robust Data-Enabled Predictive Control
针对部分已知且具不确定动态的系统，提出MDR-DeePC框架，结合模型等式约束与Hankel矩阵表示并采用分布鲁棒优化，仿真证明其较标准DeePC提升了干扰抑制并降低了控制成本。
2025-06-30 cs.SY eess.SY
High-Accuracy Model Predictive Control with Inverse Hysteresis for High-Speed Trajectory Tracking of Piezoelectric Fast Steering Mirror
University of Electronic Science and Technology of China（电子科技大学）；School of Astronautics and Aeronautics（航空航天学院）
本文提出一种结合滞回逆模型的MPC方法，用于提升压电快摆镜在高速轨迹跟踪中的精度与鲁棒性。
2024-12-19 cs.SY eess.SY
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
Model predictive control for the prescription of antithyroid agents
本研究扩展垂体-甲状腺反馈回路数学模型以纳入甲巯咪唑摄入，并采用模型预测控制方案确定合适剂量，旨在改进基于试错法的甲状腺功能亢进药物治疗。
2023-07-31 cs.SY eess.SY
R$^2$NMPC: A Real-Time Reduced Robustified Nonlinear Model Predictive Control with Ellipsoidal Uncertainty Sets for Autonomous Vehicle Motion Control
Technical University Munich（慕尼黑工业大学）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所）
提出R$^2$NMPC算法，利用椭球不确定性集动态和系统敏感性近似传播，在保持名义NMPC复杂度下实现鲁棒约束，实时跟踪自动驾驶车辆轨迹，平均求解频率144Hz。
2023-11-10 cs.RO cs.SY eess.SY
Error bounds for maxout neural network approximations of model predictive control
针对神经网络逼近 MPC 难以保留稳定性与性能保证的问题，提出用混合整数可行性问题精确计算 maxout NN 的最大误差与局部增益，并证明存在零误差逼近。
2023-04-21 cs.SY eess.SY math.OC
Learning Model Predictive Control with Error Dynamics Regression for Autonomous Racing
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；University of California Berkeley（加州大学伯克利分校）
本文提出一种学习模型预测控制策略，结合全局物理模型与局部线性误差动力学回归，在仿真、1/10比例硬件及全尺寸IAC赛车上验证，实现了高速操控极限下的鲁棒迭代学习。
2024-03-07 cs.RO cs.SY eess.SY
An Efficient Move Blocking Strategy for Multiple Shooting based Nonlinear Model Predictive Control
移动阻塞（MB）是一种广泛使用的策略，用于减少滚动时域控制中出现的最优控制问题（OCP）的自由度。通过强制输入变量在多个离散化步骤中保持恒定，减小了OCP的大小。在本文中，我们专注于开发计算效率的MB计划多拍摄的非线性模型预测控制（NMPC）。通过在拍摄步骤中引入MB来减少OCP的自由度，从而导致更小但稀疏的OCP。因此，保持了离散化精度和稀疏性水平。提出了一种利用OCP的稀疏结构的凝聚算法，该算法允许在离散化节点的数量上降低从二次凝聚到线性凝聚的计算复杂度。因此，可以有效地采用具有热启动策略的活动集方法，从而允许使用更长的预测范围。给出了该方案与非均匀网格NMPC的详细比较。通过两个不同的问题的仿真，该算法在减少计算负担，同时保持优化精度和约束履行的有效性。
2019-09-20 cs.SY eess.SY math.OC
A Kalman Filter-Assisted Data-Predictive SAR ADC With Reduced Switching Energy for Low-Power Applications
School of Integrated Circuits (School of Microelectronics) Northwestern Polytechnical University（西北工业大学集成电路学院（微电子学院））；Suzhou Institute of Nano-Tech Nano-Bionics Chinese Academy of Sciences（中国科学院苏州纳米技术与纳米仿生研究所）
针对超低功耗 ADC 需求，提出卡尔曼滤波器辅助数据预测型 SAR ADC，通过预测 4 个 MSB 实现并行切换，减少开关能量和量化周期，优化切换方案，双模式操作，降低功耗，适用于无线传感器网络。
2026-07-20 cs.SY eess.SP eess.SY
Deep Learning-Aided Model Predictive Control of Wind Farms for AGC Considering the Dynamic Wake Effect
为了提供自动发电控制（AGC）服务，要求风电场（WF）动态地控制其运行以跟踪时变功率参考。尾流效应在涡轮间产生了显著的气动干扰，对WF的动态功率产生了显著影响。然而，动态尾流模型的非线性和高维性质，带来了极高的计算复杂度和模糊的WF控制器的设计。本文通过提出一种面向控制的降阶WF模型和一种深度学习辅助的模型预测控制（MPC）方法，克服了动态尾流模型带来的控制困难。利用计算流体动力学（CFD）的最新进展来提供模拟WF动态尾流的高保真数据，两种新型深度神经网络（DNN）架构被专门设计用于学习动态WF降阶模型（ROM），该模型可以捕获主要的流动动力学。然后，一个新的MPC框架的构建，显式地将所获得的WF ROM协调不同的涡轮机，同时考虑动态尾流相互作用。建议WF ROM和控制方法进行了评估，在一个广泛接受的高维动态WF模拟器，其准确性已通过实际测量数据进行了验证。研究了一个9涡轮WF机和一个更大的25涡轮WF机的情况。通过将WF模型状态减少许多数量级，大大减少了控制方法的计算负担。此外，通过所提出的方法，可以跟踪的AGC信号的范围内的WF在动态运行中扩展了现有的贪婪控制器相比。
2021-08-24 cs.SY eess.SY math.OC
Robust output feedback model predictive control using online estimation bounds
我们提出了一个框架，设计非线性鲁棒输出反馈模型预测控制（MPC）计划，确保约束条件下的噪声输出测量和干扰的满意度。我们提供了新的估计方法来约束估计误差的大小的基础上：稳定性的观察员;可检测性;集员估计;滚动时域估计（MHE）。鲁棒约束满足保证适当地将这些在线验证的边界上的估计误差在一个位似管的MPC制定。此外，我们展示了如何通过将MHE和MPC结合在单个优化问题中来进一步提高性能。该框架适用于一般类的可检测和（增量）稳定的非线性系统。虽然标准的输出反馈MPC计划使用离线计算的最坏情况下的估计误差的界限，所提出的框架利用在线验证的界限，从而减少保守性和提高性能。我们证明了减少保守性的建议框架使用非线性10状态四旋翼的例子。
2021-05-07 cs.SY eess.SY math.OC
Smoothing Mixed Traffic with Robust Data-driven Predictive Control for Connected and Autonomous Vehicles
针对 DeeP-LCC 对头车未来速度误差作零假设导致的安全与交通平滑性能限制，提出鲁棒 DeeP-LCC，通过潜在误差轨迹安全约束、历史数据误差估计及高效在线优化提升混合交通中 CAV 控制的安全性、效率与数据效率。
2023-09-30 cs.SY eess.SY math.OC
Imitation Learning of MPC with Neural Networks: Error Guarantees and Sparsification
Control and Cyber-Physical Systems Laboratory, Technical University of Darmstadt（达姆施塔特工业大学控制与信息物理系统实验室）；Dept of Chemical & Biomolecular Engineering, University of California, Berkeley（加州大学伯克利分校化学与生物分子工程系）
本文提出利用神经网络约束MPC模仿学习中的近似误差框架，通过神经网络的Lipschitz性质推导误差界，指导数据集设计并保证误差在可控范围内，同时结合鲁棒MPC方法设计稳定控制器，提升预测能力并降低Lipschitz常数。
2025-01-07 cs.LG 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
Superconvergence of Online Optimization for Model Predictive Control
提出了一种求解离散时间、等式约束、非线性动态规划的在线、滞后- $L$模型预测控制算法。基于最近的目标问题类的灵敏度分析结果，我们证明了该方法表现出一种行为，我们称之为超收敛，即，跟踪误差相对于整个地平线的解决方案不仅是稳定的连续的地平线移位，但也随着增加的移位顺序下降到一个最小值，在后退的地平线的长度呈指数衰减。分析的关键步骤是将算法的一步误差递归分解为算法误差和扰动误差。我们表明，扰动误差指数衰减与两个连续的后退视野之间的滞后，而~的算法误差，由牛顿法确定，实现平方收敛代替。总的来说，这种方法诱导我们的局部指数收敛结果的后退地平线长度为适当的值$L$。数值实验验证了我们的理论研究结果。
2022-02-05 cs.NA cs.SY eess.SY
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
Offset-free Model Predictive Control: A Ball Catching Application with a Spherical Soft Robotic Arm
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）
提出了一种用于球形柔性机械臂快速精确控制的无偏置模型预测控制器，该控制器将线性模型与在线扰动估计技术相结合，系统地补偿模型偏差。动态效应，如软材料的使用导致的材料松弛，可以解决实现无偏移跟踪。与没有干扰补偿方案的标准模型预测控制器相比，跟踪误差可以减少35%。改进的跟踪性能使得能够实现接球应用，其中球形软机器人臂可以接住由人投掷的球。
2021-03-12 cs.RO cs.SY eess.SY
A Contraction-constrained Model Predictive Control for Multi-timescale Nonlinear Processes
许多化学过程表现出不同的时间尺度动力学与时间尺度敏感变量之间的强耦合。具有非均匀间隔优化时域的模型预测控制是一种有效的多时间尺度控制方法，并提供了降低计算复杂度的机会。在这样的方法中，快速、适度和慢速动态可以通过在预测范围中较早地实现较小的时间间隔并且在预测结束时实现越来越大的间隔而被包括在优化问题中。本文基于收缩理论，提出了一个参考柔性条件，为非一致预测时域下的非线性系统提供了稳定性保证。
2022-05-09 cs.SY eess.SY math.OC
Stochastic Data-Driven Predictive Control: Chance-Constraint Satisfaction with Identified Multi-step Predictors
提出一种数据驱动随机MPC框架，通过辨识多步预测器、代理状态空间模型量化不确定性并进行约束收紧，在含噪测量下保证机会约束并降低保守性。
2025-03-15 cs.SY eess.SY math.OC
A Data-Driven Model Predictive Controller to manage epidemics: The case of SARS-CoV-2 in Mauritius
本文针对毛里求斯SARS-CoV-2疫情，提出基于SIHRD模型的混合整数数据驱动模型预测控制方案，通过优化隔离等级切换策略，在保持医疗容量不超限的同时显著降低死亡人数和住院负担。
2025-06-30 cs.SY eess.SY q-bio.PE
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
Adaptive Nonlinear Model Predictive Control for a Real-World Labyrinth Game
ETH Zurich（苏黎世联邦理工学院）
针对真实世界迷宫游戏问题，提出分两层的自适应非线性模型预测控制方法，引入自适应约束并学习迷宫表面不规则性地图，可处理干扰与模型误差，性能优于经典方法。
2025-02-10 cs.RO cs.SY eess.SY
Interactive Trajectory Planning with Learning-based Distributionally Robust Model Predictive Control and Markov Systems
Chalmers University of Technology（查尔姆斯理工大学）；Volvo Group Trucks Technology（沃尔沃集团卡车技术）
本文研究了在周围智能体决策不确定性下的交互轨迹规划问题，提出结合PAC学习与分布鲁棒优化的DR-MPC框架，通过样本数量实现鲁棒MPC与随机MPC之间的插值。
2026-05-08 cs.LG cs.SY eess.SY
Perfecting Periodic Trajectory Tracking: Model Predictive Control with a Periodic Observer ($Π$-MPC)
Stanford University（斯坦福大学）；ETH Zürich（苏黎世联邦理工学院）
本文提出Π-MPC方法，通过周期观测器估计并补偿周期性扰动，与跟踪MPC结合实现渐近零误差跟踪，并在高维软体机器人和自动驾驶赛车实验中验证了其有效性。
2024-08-30 cs.RO cs.SY eess.SY
Learning for Layered Safety-Critical Control with Predictive Control Barrier Functions
Caltech（加州理工学院）
针对降阶与全阶模型差异导致的安全违规，本文提出预测CBF，通过并行仿真学习预测鲁棒性项并在分层控制中保证安全性，且在三维跳跃机器人上验证。
2024-12-05 cs.LG cs.RO cs.SY
