A Control Barrier Function-Constrained Model Predictive Control Framework for Safe Reinforcement Learning
New York University（纽约大学）
本文提出了一种基于模型预测控制的安全强化学习框架PECTS，通过联合学习随机系统动力学和控制屏障函数来确保安全，采用采样优化方法提升安全性。
2026-04-07 cs.SY eess.SY
A barrier function approach to constrained Pontryagin-based Nonlinear Model Predictive Control
针对一类有约束的非线性模型预测控制问题，提出了一种基于Pontryagin的方法，该方法采用障碍函数法处理状态约束。与文献中的现有作品不同，该方法能够处理非线性输入和状态约束，而无需对优化算法进行任何重大修改。利用预测状态跟踪误差的L-2范数作为李雅普诺夫函数，对闭环系统进行了稳定性分析。理论结果通过Lotka-Volterra食饵/捕食系统的数值模拟得到验证。
2022-03-30 cs.SY eess.SY math.OC
Relaxed Logarithmic Barrier Function Based Model Predictive Control of Linear Systems
本文研究了放松对数屏障函数在线性模型预测控制中的应用，提出了一种无需显式终端集或状态约束的稳定MPC方案，通过全局定义的强凸函数的最小化来表征稳定控制序列，并通过数值例子验证结果。
2015-03-11 cs.SY eess.SY math.OC
A Predictive and Sampled-Data Barrier Method for Safe and Efficient Quadrotor Control
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
Safety-Critical Model Predictive Control with Discrete-Time Control Barrier Function
University of California, Berkeley（加利福尼亚大学伯克利分校）
机器人系统的最优性能通常是在状态和输入界的极限附近实现的。模型预测控制（MPC）是处理这些操作约束的流行策略，然而，安全性仍然是MPC的公开挑战，因为它需要保证系统保持在不变集内。为了获得安全的最佳性能的背景下的集合不变，我们提出了一种安全关键的模型预测控制策略，利用离散时间控制障碍函数（CBF），保证系统的安全性，并通过模型预测控制实现最佳性能。我们分析了我们的控制设计的稳定性和可行性。我们验证了我们的方法的属性上的二维双积分器避障模型。我们还验证了算法数值上使用的竞争激烈的赛车的例子，自我车能够超越其他赛车。
2021-03-23 cs.RO cs.SY eess.SY
Safe model-based Reinforcement Learning via Model Predictive Control and Control Barrier Functions
本文提出一种安全的模型基于强化学习框架，结合模型预测控制与控制屏障函数，通过参数化方法改进安全控制策略。
2025-12-04 cs.SY eess.SY
Generative Predictive Control: Flow Matching Policies for Dynamic and Difficult-to-Demonstrate Tasks
本文提出生成预测控制方法，用于解决动态且难以示范任务中的快速动态问题，通过流匹配策略实现高效反馈和高频率控制。
2026-03-05 cs.AI cs.RO cs.SY
Synthesis of Partially Observed Jump-Diffusion Systems via Control Barrier Functions
在本文中，我们研究部分可观测跳跃扩散系统的控制策略的形式化综合复杂的逻辑规格。给定一个状态估计器，我们利用一个离散化的方法，通过使用一个符号的控制障碍函数，而不需要任何知识的估计精度的控制策略的正式合成。我们的目标是合成一个离线控制策略，提供（可能最大化）部分观察到的跳跃扩散系统的轨迹满足确定性有限自动机表达的一些复杂规范的概率下界。最后，我们说明了所提出的结果的有效性，通过合成一个政策的喷气发动机的例子。
2021-09-23 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
BarrierFormer: Transformer-Guided Predictive Barrier Enforcement for Safe Robot Control
Arizona State University（亚利桑那州立大学）
针对CBF短视和MPC计算昂贵的问题，提出BarrierFormer，一种障碍监督的Transformer框架，通过预测性滚动编码CBF约束学习无模型安全策略，实现实时安全导航，并在安全率和延迟上超越现有方法。
2026-11-03 cs.RO cs.SY eess.SY
Learning Stochastic Parametric Differentiable Predictive Control Policies
Pacific Northwest National Laboratory（太平洋西北国家实验室）
合成随机显式模型预测控制策略的问题是已知的，即使是对于使用经典控制理论方法的适度复杂的系统也是快速棘手的。为了解决这一挑战，我们提出了一个可扩展的替代称为随机参数微分预测控制（SP-DPC）的神经控制策略的无监督学习随机线性系统的非线性机会约束。SP-DPC是随机参数约束最优控制问题的确定性近似。该公式允许我们通过对问题的价值函数进行自动微分来直接计算策略梯度，并对采样参数和不确定性进行评估。特别地，SP-DPC问题的价值函数的计算期望通过由已知的标称系统动态模型和神经控制策略参数化的闭环系统展开来反向传播，这允许直接基于模型的策略优化。我们提供了理论概率保证的政策学习通过SP-DPC方法的闭环稳定性和机会约束的满意度。此外，我们证明了所提出的策略优化算法的计算效率和可扩展性在三个数值例子，包括系统的大量状态或非线性约束。
2022-05-22 cs.LG cs.SY eess.SY
Synthesis of constrained robust feedback policies and model predictive control
本文提出一种基于鲁棒控制的方法，用于综合受凸二次约束的有限、无限及滚动时域控制问题的鲁棒时变状态反馈策略，利用初始状态到峰值增益技术确保约束满足，并构建线性矩阵不等式条件，实验证明其保守性低于标准基于管的鲁棒模型预测控制方法。
2023-10-18 cs.SY eess.SY math.OC
Interaction-Aware Predictive Environmental Control Barrier Function for Emergency Lane Change
Chalmers University of Technology（查尔姆斯理工大学）
本文提出一种考虑车辆交互的环境控制屏障函数方法，通过预测未来车辆位置以捕捉周围车辆反应，提升密集交通中变道的安全性与鲁棒性。
2026-03-23 cs.SY eess.SY
Predictive control barrier functions for piecewise affine systems with non-smooth constraints
University of Oxford（牛津大学）；Delft University of Technology（代尔夫特理工大学）
本文针对受非线性状态和多面体输入约束的非控制仿射分段仿射系统，引入集值广义Clarke导数设计预测安全滤波器，提出显式近似方法以保证安全性并降低计算开销。
2026-09-03 cs.SY eess.SY
Safe Importance Sampling in Model Predictive Path Integral Control
我们介绍了嵌入式障碍状态控制下的重要性采样的概念，题为安全控制模型预测路径积分控制（SC-MPPI）。对于在具有多个约束的环境中操作的机器人系统，在执行优化时，硬约束通常利用惩罚函数来编码。利用基于优化的技术（例如控制障碍函数）的替代方案可以用作安全过滤器以确保系统不违反给定的硬约束。相比之下，这项工作利用了安全滤波器的原理，但在模型预测路径积分控制的前向采样期间应用它。所得到的前向样本集可以在安全控制器的域内保持安全，从而提高样本效率并允许改进对状态空间的探索。我们通过类似于信息理论MPPI的信息理论原理推导出该控制器。我们的经验表明，优越的采样效率，探索和系统性能的SC-MPPI相比，模型预测路径积分控制（MPPI）和微分动态规划（DDP）优化屏障状态。
2023-03-06 cs.SY eess.SY
Safe-by-Construction Autonomous Vehicle Overtaking using Control Barrier Functions and Model Predictive Control
针对自动驾驶超车场景中需兼顾前车与对向来车安全的难题，提出融合分级CBF与时间最优MPC的构造式安全超车框架，经仿真验证比标准MPC具备更优的无碰撞安全性能。
2023-10-10 cs.SY eess.SY
Approximate predictive control barrier function for discrete-time systems
针对离散时间系统，提出将预测控制障碍函数（PCBF）近似集成到安全滤波器框架中，形成与预测时域无关的公式，理论分析其稳定性并验证了在线性系统及微型赛车仿真中的性能优势。
2025-08-25 cs.SY eess.SY math.OC
Adaptive model predictive control for traffic signal timing with unknown demand and parameters
针对未知需求与参数的信号交叉口网络，提出结合有限时间参数估计与无需求单步MPC的自适应控制策略，实现最大吞吐量并改善排队瞬态性能。
2025-03-13 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
A multiobjective approach to robust predictive control barrier functions for discrete-time systems
提出基于优化的多目标方法，通过鲁棒预测控制障碍函数递减约束，在优化控制目标的同时确保非线性系统目标集合的鲁棒渐近稳定性，并在线性交会和非线性换道问题中验证有效性。
2025-03-25 cs.SY eess.SY math.OC
Probabilistically safe controllers based on control barrier functions and scenario model predictive control
针对基于控制障碍函数的控制器短视、性能差及模型预测控制计算需求高的问题，提出仅在预测时域首步用场景法转化的确定性CBF约束实现概率安全的控制方法，给出无分布先验安全保证并通过无人机案例验证有效性。
2024-09-12 cs.SY eess.SY
Control Barrier Function Augmentation in Sampling-based Control Algorithm for Sample Efficiency
对于非线性随机路径规划问题，基于采样的算法生成数千个随机样本轨迹，以找到最优路径，同时通过拉格朗日惩罚方法保证安全。然而，基于采样的算法可能在障碍物丰富的环境中表现不佳，因为大多数样本可能违反安全约束，使相应的样本无效。为了提高采样算法在复杂环境下的采样效率，提出了一种基于模型预测路径积分控制和控制障碍函数的算法。与原模型预测路径积分控制算法相比，该算法所需样本和时间步长较少，在杂波环境中具有更好的性能。
2021-11-12 cs.SY eess.SY
A Predictive Cooperative Collision Avoidance for Multi-Robot Systems Using Control Barrier Function
Harbin Institute of Technology Shenzhen（哈尔滨工业大学深圳研究院）；Southern University of Science and Technology（南方科技大学）；University of Oulu（奥卢大学）；VTT-Technical Research Centre of Finland（芬兰技术研究中心）
本文提出基于预测安全矩阵的多机器人系统协作避障方法，通过最小特征值强化安全条件，并嵌入路径冲突策略以避免死锁，提升系统鲁棒性和效率。
2025-01-14 cs.RO cs.SY eess.SY
Compositional Synthesis of Control Barrier Certificates for Networks of Stochastic Systems against $ω$-Regular Specifications
本文研究了一种构造关联离散随机系统控制屏障证书的组合方案。主要目标是综合开关控制策略对$ω$ -定期的属性，可以通过接受语言的确定性Streett自动机（DSA），以及提供概率保证满足这些规格。建议的框架利用互连拓扑结构和所谓的子系统的\emph{control sub-barrier certificates}的概念，这是用来构成构造控制屏障证书的互连系统施加一些耗散型组合性条件。我们提出了一个系统的方法来分解高层次的$ω$ -定期规格到更简单的任务，利用自动机对应的规格。此外，我们制定了一个交替方向的乘法器（ADMM）优化问题，以获得合适的控制子屏障证书的子系统，同时满足组合条件。对于多项式动态系统，我们提供了一个平方和（SOS）优化问题的计算控制子屏障证书和局部控制策略的子系统。最后，我们证明了我们提出的方法的有效性，将它们应用到一个物理案例研究。
2022-07-05 cs.SY eess.SY
Distributed Model Predictive Control for Heterogeneous Platoons with Affine Spacing Policies and Arbitrary Communication Topologies
Institute for Experiential Robotics, Northeastern University（东北大学体验式机器人研究所）；Amazon（亚马逊公司）
本文提出一种分布式模型预测控制算法，支持任意通信拓扑和仿射间距策略，通过总成本分析推导稳定性条件，并经50车仿真和4车硬件实验验证。
2024-07-22 cs.MA cs.RO cs.SY
Stability and performance of stochastic predictive control
IIT Bombay（印度理工学院孟买分校）；ETH Zürich（苏黎世联邦理工学院）
本文研究了在滚动时域策略下受控随机过程的稳定性与性能，通过适当选择有限时域最优控制问题中的成本函数来保证稳定性，并获得系统在滚动时域策略下以长期期望平均成本衡量的性能界限。
2013-04-19 cs.SY eess.SY math.OC
Safe Decentralized Multi-Agent Control using Black-Box Predictors, Conformal Decision Policies, and Control Barrier Functions
Washington University in St. Louis（圣路易斯华盛顿大学）
针对去中心化多智能体机器人场景中黑盒模型预测轨迹不确定的安全控制挑战，提出基于共形决策理论自适应调整控制障碍函数约束严格程度的方法，合成平衡安全与任务的控制器，并在Stanford Drone Dataset中验证了性能。
2025-03-07 cs.MA cs.RO cs.SY
Economic Model Predictive Control as a Solution to Markov Decision Processes
本文澄清了 Economic MPC 作为 MDP 近似解的教学意义，明确了 MPC 实现闭环最优策略的条件并探讨了其推论。
2024-07-23 cs.SY eess.SY
Distributed Predictive Control Barrier Functions: Towards Scalable Safety Certification in Modular Multi-Agent Systems
Institute for Dynamic Systems and Control, ETH Zurich（苏黎世联邦理工学院动态系统与控制研究所）；University of California Berkeley（加州大学伯克利分校）
本文提出分布式预测性控制屏障函数（D-PCBF）作为多智能体系统的安全框架，通过模型预测确保在动态网络拓扑变化下的可恢复安全性，并通过仿真和实验证明其有效性。
2026-03-31 cs.RO cs.SY eess.SY
Predictive Control Barrier Functions for Online Safety Critical Control
本文提出预测控制屏障函数，在滚动时域上传播标称轨迹并编码未来安全性，实现可证明安全的主动纠正，仿真表明其修改更小、输入更低且计算快于NMPC。
2022-08-30 cs.SY eess.SY math.OC
Agile Maneuvers in Legged Robots: a Predictive Control Approach
Heriot-Watt University（赫瑞-瓦特大学）；University of Edinburgh（爱丁堡大学）；University of Oxford（牛津大学）；Dalian University of Technology（大连理工大学）
规划和执行敏捷的运动机动一直是腿式机器人技术的一个长期挑战。它需要实时地得到运动计划和局部反馈策略来处理动力学动量的非完整性。为了实现这一目标，我们提出了一个混合预测控制器，认为机器人的驱动限制和全身动态。它将反馈策略与触觉信息相结合，以局部预测未来的动作。由于可行性驱动的方法，它在几毫秒内收敛。我们的预测控制器使ANYmal机器人能够在现实场景中产生敏捷的机动。一个关键因素是跟踪局部反馈策略，因为与全身控制相比，它们实现了期望的角动量。据我们所知，我们的预测控制器是第一个处理驱动限制，生成敏捷的运动动作，并执行低水平扭矩控制的最佳反馈策略，而无需使用单独的全身控制器。
2022-07-18 cs.AI cs.RO cs.SY
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
Safe Controller for Output Feedback Linear Systems using Model-Based Reinforcement Learning
本研究的目的是使安全关键系统，同时学习和执行最优控制策略，以安全的方式实现复杂的自治。通过试验和错误学习最佳策略，即，传统的强化学习难以在安全关键系统中实现，特别是当任务重启不可用时。最近开发了基于屏障变换的安全的基于模型的强化学习技术来解决这个问题。然而，这些方法依赖于完整的状态反馈，限制了它们在现实世界环境中的可用性。在这项工作中，一个输出反馈安全的基于模型的强化学习技术的基础上，一种新的障碍感知动态状态估计器已被设计来解决这个问题。所开发的方法有利于同时学习和执行的安全关键线性系统的安全控制策略。仿真结果表明，屏障变换是一种有效的方法来实现在线强化学习的安全关键系统使用输出反馈。
2022-04-04 cs.SY eess.SY
Shield Model Predictive Path Integral: A Computationally Efficient Robust MPC Approach Using Control Barrier Functions
Georgia Institute of Technology（佐治亚理工学院）；Massachusetts Institute of Technology（麻省理工学院）
模型预测路径积分（MPPI）控制是一种基于采样的模型预测控制，其模拟数千个轨迹并使用这些轨迹来在运行中合成最优控制。然而，在实践中，MPPI遇到的问题限制了其应用。例如，已经观察到，如果存在未建模的动态或环境干扰，则MPPI倾向于做出糟糕的决策，从而阻止其在安全关键应用中的使用。此外，MPPI使用的多线程模拟需要大量的板载计算资源，使得该算法无法在没有现代GPU的情况下使用。为了缓解这些问题，我们提出了一种新的（屏蔽MPPI）算法，提供了对不可预测的干扰的鲁棒性，并实现了实时规划，使用数量少得多的并行模拟常规CPU。新的盾牌MPPI算法进行了测试，在一个积极的自主赛车平台在仿真和使用实验。结果表明，所提出的控制器大大减少了违反约束的数量相比，国家的最先进的强大的MPPI变量和随机MPC方法。
2023-02-23 cs.RO cs.SY eess.SY
Predictive Control Barrier Functions for Discrete-Time Linear Systems with Unmodeled Delays
Department of Electrical Engineering, BYU（BYU电气工程系）；Department of Mechanical Engineering, University of Maryland, Baltimore County（马里兰大学巴尔的摩县机械工程系）
针对含未知相对阶的离散时间系统状态约束问题，提出预测控制障碍函数框架，通过扩展预测时域构建相对阶为1的关联系统CBF，无需辅助函数且安全集不保守，在双积分器和双旋翼系统上验证有效。
2025-10-01 cs.RO cs.SY eess.SY
Model Predictive Path Integral Methods with Reach-Avoid Tasks and Control Barrier Functions
Toyota Motor North America R & D（丰田北美研发中心）
本文扩展了CBFkit工具箱，结合基于可达-避障代价的规划器与MPPI控制器，利用控制屏障函数在不确定环境下提供正式安全保证，支持多种机器人应用。
2024-07-18 cs.RO cs.SY eess.SY
Improved Sample Complexity of Imitation Learning for Barrier Model Predictive Control
Massachusetts Institute of Technology（麻省理工学院）；Microsoft Research（微软研究院）；University of Oxford（牛津大学）
本文提出用对数障碍松弛MPC构造平滑专家控制器，证明障碍MPC达到理论最优误差-平滑权衡，并给出凸Lipschitz函数解析中心最优性间隙的改进下界，实验验证其优于随机平滑。
2024-10-01 cs.LG cs.SY eess.SY
Predictive Red Teaming: Breaking Policies Without Breaking Robots
Google DeepMind（谷歌DeepMind）；Princeton University（普林斯顿大学）
针对模仿学习视觉运动策略在异常环境下的脆弱性难暴露问题，提出预测性红队测试并开发RoboART流水线，无需硬件评估即可预测策略性能下降，经实验验证精度高且能通过针对性微调大幅提升基线性能。
2025-02-10 cs.AI cs.LG cs.RO
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
Deep Learning Alternative to Explicit Model Predictive Control for Unknown Nonlinear Systems
针对未知非线性系统，我们提出了可微预测控制（DPC）作为显式模型预测控制（MPC）的一种基于深度学习的替代方案。在DPC框架中，神经状态空间模型从系统动态的时间序列测量中学习。神经控制策略，然后通过随机梯度下降法通过微分MPC损失函数通过闭环系统动力学模型进行优化。所提出的DPC方法学习基于模型的控制策略与状态和输入约束，同时支持时变的参考和约束。在嵌入式实现使用树莓派平台，我们实验证明，它是可能的训练约束控制策略纯粹基于未知的非线性系统的测量。我们比较显式MPC的DPC方法的控制性能，并报告在线计算需求，内存需求，政策的复杂性和建设时间的效率收益。特别是，我们表明，我们的方法的线性规模相比，通过多参数规划解决的显式MPC的指数可扩展性。
2021-07-26 cs.SY eess.SY
Where to Put Safety? Control Barrier Function Placement in Networked Control Systems
TU Munich（慕尼黑工业大学）
研究网络化控制系统中控制障碍函数（CBF）的放置位置，比较本地短视CBF滤波器和远程MPC中预测性CBF约束的安全策略，提出结合两者的架构。
2026-06-29 cs.SY eess.SY
Robust Output-Lifted Learning Model Predictive Control
针对一类具有可加性、未建模动态的非线性系统，提出了一种迭代方法来设计鲁棒学习模型预测控制（LMPC）策略.假设标称动态是差分平坦的，即，可以使用平坦输出序列来重构状态和输入。对于所考虑的一类系统，我们合成鲁棒MPC政策，并展示如何使用在迭代任务期间收集的历史轨迹数据，以1）获得未建模动态的界限，2）在输出序列空间中构建凸值函数近似以及凸安全集，用于在鲁棒MPC设计中设计终端组件。我们表明，所提出的策略保证了强大的约束满足，渐近收敛到所需的子集的状态空间，和非递减的闭环性能在每个政策更新。最后，仿真结果表明所提出的策略的有效性最小时间控制问题使用的约束非线性和不确定的车辆模型。
2023-03-21 cs.SY eess.SY
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
Constraint Learning for Control Tasks with Limited Duration Barrier Functions
当在非结构化环境中部署自治代理时，适应性和鲁棒性往往超过最优性作为主要考虑因素。换句话说，安全性和生存性的限制发挥了关键作用，在本文中，我们提出了一种新的，约束学习框架的控制任务的约束驱动控制的思想。然而，由于在无限范围内保持动态代理在状态约束内的控制策略并不总是可用的，因此这项工作考虑的是在有限时间范围T > 0内可以满足的约束，我们称之为有限持续时间安全性。因此，值函数学习可以作为一种工具，帮助我们找到有限时间的安全策略。我们表明，在某些应用程序中，存在的有限持续时间的安全政策实际上是足够的长期自治。这个想法在一群模拟机器人上得到了说明，这些机器人的任务是覆盖给定的区域，但偶尔需要放弃这项任务来给电池充电。我们展示了电池充电行为如何自然地出现作为约束的结果。此外，使用一个推车杆模拟环境中，我们展示了如何控制策略可以有效地从源任务，平衡杆，目标任务，移动推车到一个方向，而不会让杆倒下。
2021-04-07 cs.SY eess.SY
Synthesis of Discrete-time Control Barrier Functions for Polynomial Systems Based on Sum-of-Squares Programming
本文提出一种基于平方和规划的交替下降方法，用于高效综合离散时间多项式系统的二次及高次多项式控制障碍函数与控制策略，并通过数值案例验证了方法的有效性。
2025-04-29 cs.SY eess.SY math.OC
State-action control barrier functions: Imposing safety on learning-based control with low online computational costs
针对非线性状态约束下学习控制的实时安全难题，本文提出状态-动作CBF，将安全滤波转化为凸二次优化，并结合Hamilton-Jacobi可达性学习、约束收紧与收缩CBF保证形式化安全。
2024-10-24 cs.SY eess.SY
Barrier Method for Inequality Constrained Factor Graph Optimization with Application to Model Predictive Control
Interdisciplinary Center for Security, Reliability and Trust (SnT), University of Luxembourg（信息安全、可靠性与信任跨学科研究中心（SnT），卢森堡大学）；Department of Electrical and Computer Engineering (EIT), RPTU University Kaiserslautern-Landau（电气与计算机工程系（EIT），莱茵-瓦尔登堡大学凯撒斯劳滕-兰道分校）；SnT University of Luxembourg（信息安全、可靠性与信任跨学科研究中心（SnT），卢森堡大学）；Faculty of Science, Technology, and Medicine (FSTM), Department of Engineering（科学、技术与医学学院（FSTM），工程系）；EIT, RPTU University Kaiserslautern-Landau（EIT，莱茵-瓦尔登堡大学凯撒斯劳滕-兰道分校）
针对因子图在最优控制中约束处理难的问题，提出融合障碍内点法与因子图的g2o开源扩展，通过专用不等式因子节点突破二次型局限，可统一处理等式与不等式约束，在自动驾驶自适应巡航控制任务中收敛更快、计算效率更高。
2025-06-17 cs.RO cs.SY eess.SY
Enhancing Feasibility and Safety of Nonlinear Model Predictive Control with Discrete-Time Control Barrier Functions
UC Berkeley（加州大学伯克利分校）
安全性是机器人技术的基本问题之一。近年来，离散时间非线性动力系统的一步或多步最优控制问题被提出，利用控制李雅普诺夫函数（CLF）来保证系统的跟踪稳定性，同时利用控制障碍函数（CBF）来保证系统的安全性.这些现有方法的局限性主要在于可行性和安全性。在现有的方法中，优化的可行性和系统的安全性不能在理论上同时提高。在本文中，我们提出了两个公式，统一CLFs和CBFs的框架下的非线性模型预测控制（NMPC）。在所提出的公式中，安全准则通常被制定为CBF约束，并且稳定性性能通过终端代价函数或CLF约束来确保。在CBF约束中引入松弛变量，通过松弛技术解决了可行性和安全性之间的矛盾，从而使CBF约束得到增强。理论分析和数值计算结果验证了所提方法的可行性和安全性。
2021-10-01 cs.RO cs.SY eess.SY
Designing Social Distancing Policies for the COVID-19 Pandemic: A probabilistic model predictive control approach
有效控制COVID-19疫情是当今最具挑战性的问题之一。最优控制策略的设计受到各种社会、政治、经济和流行病学因素的困扰。在这里，根据最近的研究报告的流行病学数据，意大利伦巴第大区，经历了最大的和最具破坏性的爆发在欧洲的第一波大流行期间，我们解决了一个概率模型预测控制（PMPC）的建模方法和系统的研究，如果场景的社交距离在伦巴第大区的第一波大流行的回顾性分析。拟议的PMPC计划的性能进行了评估的基础上模拟的房室模型，该模型被开发来量化的不确定性在人口中的无症状病例的水平，在各种活动中的社交距离的协同效应，和公众意识运动，促使人们采取谨慎的行为，以减少疾病传播的风险。PMPC计划考虑到社会混合效应，即各种活动对疾病潜在传播的影响。建议的方法展示了PMPC方法在应对COVID-19传播和实施公共放松政策方面的效用。
2022-02-02 cs.NA cs.SY eess.SY
Designing Control Barrier Functions Using a Dynamic Backup Policy
University of Colorado, Boulder（科罗拉多大学博尔德分校）
本文提出一种系统方法，通过参数化平衡流形的备份策略族，为受任意状态和输入约束的非线性控制仿射系统构造控制屏障函数，并应用于倒立摆系统。
2026-06-03 cs.SY eess.SY
Model predictive control lowers barriers to adoption of heat-pump water heaters: A field study
本研究开发并现场验证了首个无需电阻加热元件的120V热泵热水器模型预测控制系统，通过集成机器学习预测提前预热，在保证舒适度的同时，相比240V标准控制平均节能23%-28%，相比恒温60°C方案节能37%，并具有经济可行性。
2025-10-14 cs.SY eess.SY
Policy Optimization for Unknown Systems using Differentiable Model Predictive Control
ETH Zürich（苏黎世联邦理工学院）；Inspire AG（Inspire公司）；Automatic Control Laboratory, ETH Zürich（苏黎世联邦理工学院自动控制实验室）
本文提出结合可微优化与零阶优化的新型策略优化框架，用于未知系统中的MPC策略优化，提升瞬态性能并保持收敛性。
2026-04-20 cs.SY eess.SY math.OC
Safe and Efficient Model Predictive Control Using Neural Networks: An Interior Point Approach
模型预测控制（MPC）为控制具有约束的系统提供了有用的手段，但是受到实时重复求解优化问题的计算负担的影响。MPC的离线（显式）解决方案试图使用多参数编程或机器学习来减轻实时计算挑战。多参数方法通常应用于线性或二次MPC问题，而基于学习的方法可以更灵活，内存密集度更低。现有的基于学习的方法提供了显着的加速，但挑战成为确保约束满足，同时保持良好的性能。在本文中，我们提供了一个神经网络参数化的MPC政策，明确编码的问题的约束。通过在无监督学习范式中探索MPC可行集的内部，神经网络比基于投影的方法更快地找到更好的策略，并表现出更短的求解时间。我们使用所提出的政策来解决一个强大的MPC问题，并展示了一个标准的测试系统上的性能和计算增益。
2022-09-13 cs.SY eess.SY
D-SafeMPC: Diffusion-Driven Safe Model Predictive Control with Discrete-Time Control Barrier Functions
Paderborn University（帕德博恩大学）；Illinois Institute of Technology（伊利诺伊理工学院）；California Institute of Technology（加州理工学院）；Technical University of Munich（慕尼黑工业大学）
研究针对扩散模型用于机器人规划时无法保证安全和动态约束的问题，提出D-SafeMPC方法，通过控制障碍函数等引导扩散过程，结合迭代投影方案，经实验验证该方法能提升安全性、任务成功率和规划效率。
2026-07-14 cs.RO cs.SY eess.SY
