Image-Based Model Predictive Control via Dynamic Mode Decomposition
我们提出了一个数据驱动的模型预测控制（MPC）框架，具有高的状态空间维数的系统。这项工作的动机是需要利用以图像形式出现的传感器数据（例如，热成像相机报告的2D或3D空间场）。我们建议使用动态模式分解（DMD）直接从图像数据建立一个低维模型，我们使用这样的模型来获得一个易于处理的MPC控制器。我们证明了这种方法（我们称之为DMD-MPC）的可扩展性，通过使用二维热扩散系统。在这里，我们假设热场的演化由50 x50像素的图像捕获，这导致2500维的状态空间。我们表明，这个高维空间的动态可以准确地预测，通过使用40维DMD模型，我们表明，该领域可以令人满意地操纵，通过使用嵌入低维DMD模型的MPC控制器。我们还表明，DMD-MPC控制器显着优于一个标准的MPC控制器，使用数据从一个有限的空间位置（代理位置）来操纵高维热场。这种比较说明了图像数据中嵌入的信息的价值。
2021-04-29 cs.SY eess.SY
Generalized Benders Decomposition with Continual Learning for Hybrid Model Predictive Control in Dynamic Environment
针对动态环境中混合模型预测控制求解慢的问题，提出基于广义Benders分解与持续学习的求解器，通过累积切割平面提供热启动，在倒立摆实验中比Gurobi快2-3倍。
2023-10-10 cs.RO cs.SY eess.SY
Model Predictive Control for Signal Temporal Logic Specifications with Time Interval Decomposition
本文研究了动态系统的模型预测控制（MPC）问题，其高阶指标由信号时序逻辑（STL）公式描述。最近的工作表明，MPC在处理反应式环境中的逻辑任务有很大的潜力。然而，现有的方法遭受沉重的计算负担，特别是对于具有大视野的任务。在这项工作中，我们提出了一个计算更有效的MPC框架STL任务的基础上时间间隔分解。具体来说，我们仍然使用标准的收缩时域MPC框架和混合线性规划（MILP）技术来解决开环优化问题。然而，而不是直接应用MPC的整个任务范围，我们分解的STL公式成几个子公式与不相交的时间范围，并收缩地平线MPC适用于每个短期子公式迭代。为了保证整个STL公式的满足性和迭代过程的递归可行性，我们引入了新的终端约束来连接每个子公式。我们展示了如何通过一个有效的内部近似方法计算这些终端约束。我们的方法的计算效率说明了一个案例研究。
2022-11-15 cs.FL cs.SY eess.SY
Distributed economic predictive control of integrated energy systems for enhanced synergy and grid response: A decomposition and cooperation strategy
针对综合能源系统单元互联复杂、协同困难的问题，提出基于增广雅可比矩阵的子系统分解方法及合作式分布式经济模型预测控制，实现电网响应与多目标优化，仿真显示性能显著提升。
2023-05-09 cs.SY eess.SY math.DS
A Dynamic Mode Decomposition Approach to Parameter Identification
Oklahoma State University（俄克拉荷马州立大学）；University of Florida（佛罗里达大学）
本文提出了一种数据驱动算法，用于控制仿射非线性系统的联合系统识别和参数估计，通过训练预测模型准确恢复系统轨迹和未知参数。
2026-10-09 cs.SY eess.SY math.OC
Accelerating Hybrid Model Predictive Control using Warm-Started Generalized Benders Decomposition
Independent Researcher（独立研究者）；Department of Mechanical Engineering, University of California, Los Angeles（加州大学洛杉矶分校机械工程系）；School of Mechanical Engineering, Georgia Institute of Technology（佐治亚理工学院机械工程学院）
本文提出一种基于广义邦德斯分解的混合MPC算法，通过预热切割平面提升求解速度，适用于机器人控制任务。
2025-12-18 cs.RO cs.SY eess.SY
Data-driven Model Predictive Control Method for DFIG-based Wind Farm to Provide Primary Frequency Regulation Service
随着风电渗透率的增加，新发布的电网规范要求风电场提供频率调节服务。由于风电场本质上是非线性的，并且有大量的参数需要频繁维护，因此如何建立风电场的动态模型进行动态控制是最关键的挑战。提出了一种数据驱动的模型预测控制（data-driven MPC）方法，使风电场参与一次调频。在该方法中，基于Koopman算子理论，提出了一种专门的动态模态分解（SDMD）算法，该算法能够线性地近似风电场的动态特性，与现有的扩展动态模态分解（EDMD）方法相比，该算法具有两个优点：1）能够在较宽的工况范围内准确地捕捉风电机组动态特性的非线性瞬态过程; 2）模型降维后计算量小。基于递归更新的线性动态模型，实现了模型预测控制解决方案。仿真结果表明，该无模型方法能够动态优化风电机组的有功功率，跟踪系统运行商的频率响应要求，并使转速畸变最小。
2020-12-07 cs.SY eess.SY
Adaptive Digital Twin of Sheet Metal Forming via Proper Orthogonal Decomposition-Based Koopman Operator with Model Predictive Control
Department of Mechanical Engineering, Northwestern University（机械工程系，西北大学）
本研究提出一种基于POD和Koopman算子的适应性数字孪生框架，用于实时控制金属板材成形过程，通过模型预测控制实现非线性系统的高效适应性管理。
2025-11-13 cs.AI cs.SY eess.SY
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
Learning Predictive Safety Filter via Decomposition of Robust Invariant Set
Tsinghua University（清华大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出一种结合鲁棒模型预测控制与强化学习的理论框架，通过分解鲁棒不变集并采用对抗式演员-评论家算法学习安全滤波器，以较低计算复杂度实现非线性系统在不确定性下的持久鲁棒安全保证。
2023-11-12 cs.LG cs.SY eess.SY
Nonlinear Model Predictive Control of Permanent Magnet Synchronous Generators in DC Microgrids
提出了一种新的策略，以控制内置永磁发电机的直流微电网通过有源整流器接口。控制器的设计是基于分解的系统动态到慢，快模式，使用奇异摄动理论。采用非线性模型预测控制（NMPC）设计了内电流控制器和外电压控制器。NMPC调节直流母线电压，并最大限度地减少交流侧损耗。然后根据飞机电力系统的实际情况给出了仿真结果。
2020-10-08 cs.SY eess.SY
Characterizing all locally exponentially stabilizing controllers as a linear feedback plus learnable nonlinear Youla dynamics
University of Oxford（牛津大学）
本文研究了非线性输入仿真的连续时间系统局部指数稳定控制器的表征问题，提出了一种将控制器分解为线性反馈和可学习非线性Youla动态的方法，并展示了该方法在非线性控制任务中的应用。
2026-05-18 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
Task Decomposition for MPC: A Computationally Efficient Approach for Linear Time-Varying Systems
针对线性时变系统提出了一种迭代学习模型预测控制（TDMPC）的任务分解方法。我们考虑状态输入轨迹的可用性，解决了原来的任务T1，并设计了一个可行的MPC政策的一个新的任务，T2，使用存储的数据从T1。我们的方法适用于任务T2，它是由包含在T1的子任务。在本文中，我们正式定义的任务分解问题，并提供了一个可行性证明所产生的政策。该算法减少了计算量的线性时变系统的分段凸约束。仿真结果表明，所提出的方法在机器人路径规划任务的效率提高。
2020-05-04 cs.SY eess.SY
Efficient Recursive Data-enabled Predictive Control (Extended Version)
本文提出一种基于奇异值分解的DeePC递归更新算法，通过低维变换和快速更新方案降低计算成本，其高度灵活的一般形式涵盖多种数据驱动方法，并在仿真中验证了有效性。
2024-03-24 cs.SY eess.SY
Dimension Reduction for Efficient Data-Enabled Predictive Control
针对数据驱动预测控制（DeePC）优化维度高的问题，提出基于奇异值分解（SVD）的离线数据预处理降维策略，可在不损失控制性能的前提下显著提升计算效率。
2023-10-05 cs.SY eess.SY
Characterizing and Optimizing Real-Time Optimal Control for Embedded SoCs
University of California, Berkeley（加州大学伯克利分校）；Tsinghua University（清华大学）
本文通过设计空间探索和硬件在环评估，优化嵌入式SoC上的MPC实时控制，实现3.71倍加速和27%功耗降低，并提出代码生成流程。
2025-10-09 cs.RO cs.SY eess.SY
