Safe Chance Constrained Reinforcement Learning for Batch Process Control
The University of Manchester（曼彻斯特大学）；University College London（伦敦大学学院）；Imperial College London（伦敦帝国理工学院）
强化学习（RL）控制器在控制社区中引起了兴奋。RL控制器相对于现有方法的主要优点是它们能够独立于过程不确定性的明确假设来优化不确定系统。最近工程应用的重点一直指向安全RL控制器的发展。以前的工作已经提出了方法来考虑约束满足通过约束收紧从域的随机模型预测控制。在这里，我们扩展这些方法来考虑工厂模型不匹配。具体来说，我们提出了一种数据驱动的方法，利用高斯过程的离线仿真模型，并使用相关的后验不确定性预测来考虑联合机会约束和工厂模型不匹配。该方法是基准对非线性模型预测控制通过案例研究。结果表明，该方法的能力，占过程的不确定性，即使在工厂模型不匹配的存在下，使联合机会约束的满意。
2021-12-06 cs.LG cs.SY eess.SY
Chance-Constrained Model Predictive Control A reformulated approach suitable for sewer networks
在这项工作中，机会约束（CC）的模型预测控制（MPC）的一个修订制定。这项工作的重点是对修订后的CC-MPC的数学公式，背后的原因，需要其修订。修订后的公式是在下水道系统及其堰溢流结构的背景下给出的。利用Astlingen基准下水道模型的线性下水道模型来说明该制剂的应用，无论是数学上的和性能明智的通过模拟。基于模拟，比较的性能之间进行了修订的CC-MPC和可比的确定性MPC，重点是溢出避免，计算时间和操作行为。仿真结果表明，两种MPC的溢出避免性能相似，而CC-MPC的计算时间略有增加，同时操作行为受到限制
2020-08-13 cs.SY eess.SY
Stochastic Model Predictive Control with Dynamic Chance Constraints
针对受无界随机扰动的线性离散系统，提出通过概率可达管与约束紧缩求解两阶段随机优化的动态机会约束SMPC方案，保证递推可行性与闭环约束满足。
2023-07-25 cs.SY eess.SY math.OC
A characteristic function framework for chance constraint programming in stochastic model predictive control
Linköping University（林雪平大学）
本文提出了一种适用于非高斯扰动的特征函数框架，用于解决随机模型预测控制中机会约束的计算问题，通过特征函数计算概率及其梯度，提高计算效率。
2026-05-18 cs.SY eess.SY math.OC
Safe Reinforcement Learning with Chance-constrained Model Predictive Control
UC Berkeley（加州大学伯克利分校）
现实世界中的强化学习（RL）问题通常要求智能体通过遵守一组设计的约束来安全地行为。我们通过将基于模型预测控制（MPC）的安全指南与线性设置中具有连续动作的修改后的策略梯度框架相耦合来解决安全RL的挑战。该指南通过在MPC公式中嵌入安全要求作为机会约束来强制执行系统的安全操作。然后，策略梯度训练步骤包括训练基本策略以安全地运行的安全惩罚。我们从理论上证明，这种惩罚允许一个可证明安全的最佳基础政策，并说明我们的方法与模拟线性化四旋翼实验。
2022-03-28 cs.LG cs.SY eess.SY
Stochastic Data-Driven Predictive Control: Regularization, Estimation, and Constraint Tightening
本文针对无界随机不确定性下的数据驱动预测控制，提出免调参正则化器、基于一步超前预测的初始条件估计器以及基于二阶锥约束的约束收紧方法，以实现高概率约束满足并提升控制性能。
2023-12-05 cs.SY eess.SY
A Predictive Chance Constraint Rebalancing Approach to Mobility-on-Demand Services
本文研究了Uber或滴滴出行等移动按需服务的供需不平衡问题。这种不平衡是由于不均匀的随机出行需求造成的，可以通过主动重新平衡空载车辆来防止。为此，我们提出了一种方法，包括估计的随机出行需求模式到随机模型预测控制（SMPC）的再平衡空车MoD乘车服务。更准确地说，我们首先使用高斯过程回归（GPR）估计乘客出行需求，它为时间模式预测提供了需求不确定性范围。然后，我们制定了一个SMPC的自主乘车服务和集成的需求预测与不确定性界限到一个滚动时域MOD优化。为了保证上述优化中的约束满足估计的随机需求预测，我们采用了用户定义的置信区间的概率约束方法。因此，具有概率约束的滚动时域MOD优化需要机会约束模型预测控制（CCMPC）。所提出的方法的好处是双重的。首先，来自数据的出行需求不确定性预测可以自然地嵌入到MoD优化框架中。我们表明，对于一个给定的最小车队规模的不平衡，在每个站可以保持低于一定的阈值与用户定义的概率。其次，CCMPC可以进一步放宽到一个混合的双线性规划（MILP），我们表明，MILP可以解决作为一个相应的线性规划，总是承认一个整体的解决方案。最后，我们证明，通过高保真的运输模拟，通过调整的机会约束的置信区间接近最佳的预言机性能可以实现。与仅使用GPR的平均预测相比，相应的中值客户等待时间减少了4%。
2023-01-15 cs.SY eess.SY
Physics-informed Gaussian Processes as Linear Model Predictive Controller with Constraint Satisfaction
本文提出一种基于物理信息高斯过程的线性模型预测控制器，通过哈密顿蒙特卡洛采样保证开环约束满足，同时保持ODE结构并引入Matérn核进行优化。
2025-11-20 cs.SY eess.SY math.OC
End-to-End Differentiable Predictive Control with Probabilistic Constraint-Satisfaction Guarantees for Building Demand Response
University College London（伦敦大学学院）
本文提出端到端可微预测控制框架，通过编码器仅Transformer建模复杂系统动态，并引入在线管约束紧缩方法，实现约束满足和可行性，验证于EnergyPlus仿真中，减少99%约束违规，仅小幅增加电费。
2026-08-26 cs.SY eess.SY
Stochastic Nonlinear Model Predictive Control with Efficient Sample Approximation of Chance Constraints
Ilmenau University of Technology（埃尔福特工业大学）；Institute for Automation and Systems Engineering, Ilmenau University of Technology（埃尔福特工业大学自动化与系统工程研究所）；Otto-von-Guericke Universität Magdeburg（奥托·冯·格里克马格德堡大学）；Institute for Automation Engineering, Otto-von-Guericke Universität Magdeburg（奥托·冯·格里克马格德堡大学自动化工程研究所）；University of California, Berkeley（加州大学伯克利分校）；Department of Chemical and 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）
本文提出了一种针对具有时间不变概率不确定性的非线性系统随机模型预测控制方法，通过广义多项式混沌框架高效近似机会约束满足概率，提升计算效率。
2014-10-16 cs.SY eess.SY math.OC
Receding-horizon Stochastic Model Predictive Control with Hard Input Constraints and Joint State Chance Constraints
Massachusetts Institute of Technology（麻省理工学院）；University of California-Berkeley（加州大学伯克利分校）
本文研究离散时间线性系统在随机扰动、硬输入约束和联合状态机会约束下的随机优化控制，通过可解的二次锥规划计算滚动控制律，利用扰动参数化控制律并饱和扰动以满足硬约束，用Cantelli-Chebyshev不等式松弛机会约束，确保可行性并证明随机稳定性。
2015-06-28 cs.SY eess.SY math.OC
Chance-Constrained AC Optimal Power Flow -- A Polynomial Chaos Approach
Electrical and Computer Engineering, University of Wisconsin - Madison（威斯康星大学麦迪逊分校电气与计算机工程系）；Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）
本文提出了一种方法，用于在考虑全非线性交流功率流方程和随机不确定性的前提下，对概率约束的最优功率流进行建模和求解。通过多项式混沌展开来建模任意有限方差的不确定性，从而预测和优化系统状态以适应多种运行条件。通过概率约束限制不等式约束的违反概率，方法在可控变量和系统状态的描述上比以前的方法更加详细和灵活。
2019-04-03 cs.SY eess.SY
Distributionally Robust Model Predictive Control with Total Variation Distance
California Institute of Technology（加州理工学院）
研究了基于全变差距离模糊集的分布鲁棒模型预测控制问题。对于具有附加干扰的离散线性系统，我们提供了一个条件风险值的MPC优化问题，该问题在期望成本和机会约束下具有分布鲁棒性。分布鲁棒的机会约束被过度近似为一个更简单的，收紧的机会约束，减少了计算负担。数值实验支持我们的结果的概率保证和计算效率。
2022-06-24 cs.RO cs.SY eess.SY
Stochastic Model Predictive Control for tracking of distributed linear systems with additive uncertainty
本文针对具有附加随机不确定性的分布式线性定常系统的参考跟踪问题，提出了一种机会约束随机模型预测控制方案。机会约束的均值方差信息的基础上重新解析，我们设计合适的概率可达集约束收紧。此外，机会约束被证明是满足闭环操作。不变集跟踪的设计补充了控制器，并确保收敛到任意容许的参考点，而有条件的初始化方案提供了递归可行性的基本属性。本文最后用一个数值例子，突出了收敛到不断变化的输出参考和经验约束的满足。
2023-03-06 cs.SY eess.SY math.OC
Chance-constrained Linear Quadratic Gaussian Games for Multi-robot Interaction under Uncertainty
SYCAMORE Lab, École Polytechnique Fédérale de Lausanne (EPFL)（SYCAMORE实验室，瑞士联邦理工学院（EPFL））
本文针对不确定性下的多机器人安全交互，提出机会约束线性二次高斯博弈及其对偶上升求解算法，证明其收敛到反馈广义纳什均衡，并在仿真与真实实验中验证其安全性和较低保守性。
2025-07-18 cs.RO cs.SY eess.SY
Grid-Based Stochastic Model Predictive Control for Trajectory Planning in Uncertain Environments
随机模型预测控制已被证明是在不确定环境中规划轨迹的有效方法，例如，for autonomous自动vehicles车辆.机会约束确保碰撞概率由预定义的风险参数限定。然而，在优化问题中考虑机会约束可能是具有挑战性的，并且在计算上要求很高。本文提出了一种基于网格的随机模型预测控制方法。这种方法允许确定一个简单的确定性重新制定的机会约束，并减少了计算工作量，同时考虑环境的随机性。在所提出的方法中，我们首先将环境划分为网格，并为每个预测步骤，为每个单元格分配一个概率值，该概率值表示该单元格将被周围车辆占用的概率。然后，概率网格被转换成一个二进制网格的容许和不容许的细胞通过应用一个阈值，代表一个风险参数。只有占用概率低于阈值的小区才可用于受控车辆。给定容许单元，生成凸包，然后可以用于轨迹规划。自动驾驶公路场景的仿真显示了所提出的基于网格的随机模型预测控制方法的优点。
2021-05-14 cs.SY eess.SY
Distributed Model Predictive Safety Certification for Learning-based Control
虽然分布式算法通过需要较低的本地计算负载和较少的本地存储器为复杂的大规模系统的控制提供了优势，但是设计高性能的分布式控制策略是一项具有挑战性的任务。基于学习的控制算法为解决这一挑战提供了有希望的机会，但通常不能保证在状态和输入约束满足方面的安全性。最近提出的集中式线性系统的安全框架，通过匹配的学习为基础的输入在线与初始输入的模型预测控制法律能够驱动系统的终端集是安全的。我们扩展这个想法，得到一个分布式模型预测安全认证（DMPSC）计划，这是能够确保状态和输入约束的满足时，应用任何基于学习的控制算法的不确定分布式动态耦合线性系统。该方案是基于一个分布式的管为基础的模型预测控制（MPC）的概念，其中子系统之间的邻居协商本地管的尺寸，以减轻限制的安全方法。此外，我们提出了一种技术，用于生成一个结构化的椭球鲁棒正不变管。在数值模拟中，我们表明，安全框架，确保约束满足最初不安全的控制策略，并允许提高整体控制性能相比，强大的分布式MPC。
2021-09-30 cs.SY eess.SY
Stochastic Model Predictive Control of Autonomous Systems with Non-Gaussian Correlated Uncertainty
许多系统，如自动驾驶汽车和四旋翼，都受到参数不确定性和外部干扰的影响。这些不确定性可能导致不期望的性能下降和安全问题。因此，设计鲁棒控制策略来安全地调节系统的动态特性是很重要的。针对具有非高斯相关概率不确定性的动态系统，提出了一种新的机会约束随机模型预测控制方法。我们开发了一种新的随机Galerkin方法来传播的不确定性，使用一种新型的基函数和优化为基础的求积规则。该公式可以很容易地处理超出广义多项式混沌展开能力的非高斯相关不确定性。新的随机Galerkin公式使我们能够将机会约束随机模型预测控制问题转化为确定性问题。我们验证了我们的方法通过几个随机控制任务，包括避障，车辆路径跟踪，和四旋翼参考跟踪。
2019-10-07 cs.SY eess.SY
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
Reduced Order Model Predictive Control For Setpoint Tracking
Stanford University（斯坦福大学）
本文提出了一种降阶模型预测控制方案，用于高维系统中的设定点跟踪，并通过离线线性规划确保约束满足。
2019-05-02 cs.SY eess.SY
Degradation-aware data-enabled predictive control of energy hubs
本文研究数据驱动预测控制（DeePC）在多区域建筑及含热泵和电池的能源枢纽中的应用，证明其在满足舒适性约束的同时不增加电网功耗，并使电池年退化降低两倍。
2023-07-04 cs.SY eess.SY
Recursively Feasible Stochastic Model Predictive Control using Indirect Feedback
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）
本文提出了一种适用于线性离散时间系统且能处理可能无界和相关加性随机扰动序列的随机模型预测控制方法。通过概率可达集的概念，将机会约束类比于鲁棒MPC进行约束紧缩。引入一种初始化方法，保证递归可行性，从而可轻易证明闭环系统的机会约束满足。在加性扰动假设为独立同分布零均值的情况下，还提供了平均渐近性能界。两个示例展示了该方法，突显了新初始化方案的反馈特性以及在建筑控制设置中包含时变相关扰动。
2019-01-21 cs.SY eess.SY
A Stochastic Tube-Based MPC Framework with Hard Input Constraints
Univ. Grenoble Alpes, Grenoble INP, CNRS, GIPSA-lab（格勒诺布尔阿尔卑斯大学、格勒诺布尔理工学院、法国国家科学研究中心、GIPSA实验室）
本文提出一种随机管式MPC框架，通过概率可达集设计保证线性系统在扰动下的硬输入约束和状态机会约束，同时保持计算效率和稳定性。
2026-02-23 cs.SY eess.SY
Stochastic Model Predictive Control with Online Risk Allocation and Feedback Gain Selection
Linköping University（林雪平大学）
本文提出了一种方法，通过离散凸机会约束和预计算的反馈策略集，将非凸问题转化为混合整数锥优化问题，有效解决随机模型预测控制中的风险分配与反馈策略优化问题。
2026-04-06 cs.SY eess.SY math.OC
Stochastic Model Predictive Control for Linear Systems using Probabilistic Reachable Sets
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）
本文提出了一种用于受可能无限加性扰动影响的线性离散时间系统的随机模型预测控制（MPC）算法，通过概率可达集的概念来处理约束，基于单峰扰动分布假设，保证闭环机会约束的满足，并在不可行时采用回退到先前时间步的控制方案，同时给出了渐近平均性能界。
2018-09-20 cs.SY eess.SY
Recursively feasible stochastic predictive control using an interpolating initial state constraint -- extended version
针对可能存在无界扰动的线性系统，提出了一种随机模型预测控制（SMPC）框架。最先进的SMPC方法与闭环机会约束满足递归地初始化基于先前预测的标称状态或可能的测量状态下的一些情况下的区别的标称状态。我们通过允许在这两个极端的插值中对标称初始状态进行连续优化来改进这些初始化策略。由此产生的SMPC计划可以实现为一个标准的二次规划，是更灵活的相比，国家的最先进的初始化策略。作为主要的技术贡献，我们表明，所提出的SMPC框架也确保了闭环满足的机会约束和适当的性能界限。
2022-06-20 cs.SY eess.SY math.OC
Indirect-adaptive Model Predictive Control for Linear Systems with Polytopic Uncertainty
Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
本文提出了一种用于受约束线性不确定系统的间接自适应模型预测控制算法，通过参数依赖的Lyapunov函数构造终端成本和集，确保鲁棒约束满足和递归可行性。
2015-09-23 cs.SY eess.SY math.OC
Adaptive Relaxation based Non-Conservative Chance Constrained Stochastic MPC
针对未知不确定性下CC-SMPC过保守或依赖先验信息的问题，提出基于历史约束违反均值的自适应状态约束松弛规则，并在BESS微电网调度中验证其非保守满足机会约束并降低用电成本。
2025-01-11 cs.SY eess.SY
Conformal Predictive Programming for Chance Constrained Optimization
Thomas Lord Department of Computer Science, University of Southern California（汤姆斯·劳德计算机科学系，南加州大学）；Department of Data Sciences and Operations, University of Southern California（数据科学与运营系，南加州大学）
提出共形预测编程（CPP）框架解决机会约束优化问题，利用随机变量样本和分位数引理转化问题，有独立校准步骤提供后验保证，能支持不同共形预测变体，案例研究证明其有效性及相较于情景方法的优势。
2026-07-10 cs.LG cs.SY eess.SY
A predictive modular approach to constraint satisfaction under uncertainty -- with application to glycosylation in continuous monoclonal antibody biosimilar production
KTH Royal Institute of Technology（皇家理工学院）；Competence Centre for Advanced Bioproduction by Continuous Processing, AdBIOPRO（连续加工先进生物生产能力中心，AdBIOPRO）
本文提出了一种基于模块的预测方法，用于在不确定性下处理约束问题，通过案例研究展示了该方法在连续单克隆抗体生物类似物生产中糖基化约束满足中的有效性。
2026-01-19 cs.SY eess.SY math.OC
Scenario-based Data-Enabled Predictive Control: Robustification via the Scenario Approach
University of Oslo（奥斯陆大学）
提出基于场景的数据驱动预测控制，将场景优化框架融入数据驱动预测控制，从数据中构建经验扰动场景刻画不确定性，建立支持理论并自适应扩展，在模型上验证可减少约束违反。
2026-07-07 cs.SY eess.SY
Stochastic Optimal Control For Gaussian Disturbances with Unknown Mean and Variance Based on Sample Statistics
针对加性高斯噪声具有未知均值和协方差的线性系统，提出了一种基于样本统计量的开环随机最优控制方法.我们考虑一个联合的机会约束下的时变多面体目标集的假设，干扰已被充分采样。我们推导出两个定理，使我们能够绑定的状态的概率超过一些样本的标准偏差远离样本均值。利用这些定理，我们将机会约束转化为一系列的凸线性约束。在这里，解决方案保证机会约束满足。我们证明了我们的方法上的卫星交会机动，并提供比较的情况下的方法。
2023-03-23 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
Stochastic Model Predictive Control with Discounted Probabilistic Constraints
Department of Engineering Science, University of Oxford（牛津大学工程系）
本文研究了具有加性扰动的线性离散时间系统，设计了模型预测控制（MPC）律以最小化二次成本函数，同时满足机会约束。通过惩罚初始时间附近的违反概率并忽略远未来的时间概率，这种约束形式保证了在线优化的可行性，而无需假设扰动有界。利用切比雪夫不等式提出了计算方便的MPC优化问题，并引入了在线约束紧化技术以确保递归可行性。闭环系统被证明满足机会约束和二次稳定性条件。
2018-07-19 cs.SY eess.SY math.OC
Intrinsic Stochastic Successive Convexification on SE(3) for Chance Constrained 6-DOF Rendezvous
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
该研究提出基于SE(3)的内在随机逐次凸化方法，用于航天器六自由度交会轨迹优化，可捕捉运动不确定性耦合，联合优化轨迹等提升概率约束满足度。
2026-08-06 cs.SY eess.SY
Moving Obstacle Collision Avoidance via Chance-Constrained MPC with CBF
本文提出一种用于随机场景的广义CC-MPC-CBF方法，通过概率CBF确保碰撞避免概率，并采用顺序实现与迭代凸优化方案提升可行性与求解效率。
2025-05-27 cs.SY eess.SY
Data-driven tube-based stochastic predictive control
行为系统理论的一个强有力的结果，称为基本引理，允许预测控制类似于线性时不变（LTI）系统的模型预测控制（MPC），具有纯粹来自数据的未知动态。虽然大多数的数据驱动的预测控制文献的重点是相对于测量噪声的鲁棒性，只有少数作品考虑利用概率信息的干扰性能为导向的控制，在随机MPC。在这项工作中，我们提出了一种新的数据驱动的随机预测控制方案的机会约束LTI系统的测量噪声和附加的随机干扰。为了使其他随机和棘手的最优控制问题的确定性，我们的方法利用基于管的MPC的想法，通过将状态分解成由输入驱动的确定性标称状态和受干扰影响的随机误差状态。通过收紧约束的概率相对于加性干扰和鲁棒性相对于测量噪声，原始的机会约束的满意度得到保证。由此产生的数据驱动的滚动时域最优控制问题是轻量级的，递归可行的，并呈现闭环输入状态稳定的附加干扰和测量噪声。我们证明了所提出的方法的有效性，在一个仿真例子。
2023-03-27 cs.SY eess.SY
Online Constraint Tightening in Stochastic Model Predictive Control: A Regression Approach
Technical University of Munich（慕尼黑工业大学）
本文针对随机模型预测控制中机会约束收紧参数依赖已知噪声分布且难以紧致满足的问题，提出基于 GP 二分类回归的在线数据驱动学习方法，可高概率近似最小收紧量并降低平均控制成本。
2023-10-04 cs.LG cs.SY eess.SY
Trajectory Planning Under Environmental Uncertainty With Finite-Sample Safety Guarantees
我们解决的问题，轨迹规划的环境中由一组障碍物与不确定的时变位置。使用广泛接受的高斯分布的不确定性建模，从而在一个机会约束的程序。然而，与以前的方法相反，我们不假设完美的知识的分布的时刻，而是通过有限的样本从传感器或过去的数据来估计它们。我们得到严格的浓度范围内的错误，这些估计，以充分收紧的机会约束程序。因此，我们提供了可证明的保证满足相应的机会约束的名义尚未未知的时刻。我们用两个自主车辆轨迹规划案例研究来说明我们的结果。
2021-08-13 cs.SY eess.SY math.OC
Self-Tuning Tube-based Model Predictive Control
提出了基于自校正管的模型预测控制（STT-MPC），它是一种基于最小二乘估计器和多面体管的不确定线性系统的自适应鲁棒控制算法。我们的算法利用浓度的结果来约束系统的不确定性集与规定的信心，并保证鲁棒约束满足这一集，以及递归的可行性和输入到状态稳定性。在不影响算法的渐近性能或增加其计算复杂度的情况下，确保激励的持久性。我们使用数值实验证明了我们的算法的性能。
2022-10-02 cs.SY eess.SY
Multi-Rate Planning and Control of Uncertain Nonlinear Systems: Model Predictive Control and Control Lyapunov Functions
现代控制系统必须在受到安全约束和输入限制的日益复杂的环境中操作，并且通常以分级方式实现，其中不同的控制器在多个时间尺度上运行。然而，传统的非线性控制器综合的建设性方法通常“扁平化”这个层次结构，集中在一个单一的时间尺度，从而限制了能力，使严格的保证约束满足，为整个系统。在这项工作中，我们试图通过一个\textit{multi-rate}控制架构来解决约束非线性系统的稳定问题。这是通过使用线性化模型和模型预测控制（MPC）迭代地规划非线性系统的连续参考轨迹，并使用全阶非线性模型和控制李雅普诺夫函数（CLF）跟踪所述轨迹来实现的。通过使用\textit{Bézier curves}，以确保满足约束的方式连接这两个级别的控制设计，通过规划一系列离散点，可以规划遵守约束的连续轨迹。我们的框架编码通过凸优化问题，可以有效地解决，如模拟中所示。
2022-04-01 cs.SY eess.SY
Stochastic Data-driven Predictive Control of Linear Systems with Sub-Gaussian Disturbances using Causal Predictors
Technical University of Munich（慕尼黑工业大学）
本文提出一种仅基于输入-输出数据的随机数据驱动预测控制框架，利用扰动数据估计和因果子空间预测器，通过收紧约束保证机会约束满足，并具备递归可行性与闭环保证。
2026-09-23 cs.SY eess.SY
Adaptive Stochastic Predictive Control from Noisy Data: A Sampling-based Approach
提出一种基于采样和集合成员识别的自适应随机预测控制方法，处理含未知参数和扰动的线性系统，保证递归可行性与闭环约束满足。
2024-09-03 cs.SY eess.SY
Maximum Mean Discrepancy Distributionally Robust Nonlinear Chance-Constrained Optimization with Finite-Sample Guarantee
本文的动机是解决开放问题的分布鲁棒机会约束规划（DRCCP）使用流行的Wasserstein模糊集。具体来说，这些程序的计算技术通常对约束函数进行限制性假设，并且Wasserstein模糊集的大小通常使用昂贵的交叉验证（CV）程序或保守的测量浓度界限来设置。相比之下，我们提出了一个实用的DRCCP算法使用内核最大均值差异（MMD）的模糊集，我们的术语MMD-DRCCP，处理一般的非线性约束，而不使用ad-hoc重构技术。MMD-DRCCP可以处理一般的非线性和非凸约束，具有已证明的有限样本约束满足保证的维数无关的$\mathcal{O}(\frac{1}{\sqrt{N}})$率，可通过一个实用的算法实现。我们进一步提出了一个有效的引导计划，在实践中构建尖锐的MMD模糊集，而不诉诸CV。在投资组合最优化问题和非凸约束的基于管道的分布鲁棒模型预测控制问题上，对算法进行了数值验证。
2022-04-25 cs.SY eess.SY math.OC
Linear robust adaptive model predictive control: Computational complexity and conservatism -- extended version
针对具有参数不确定性和附加干扰的线性系统，提出了一种鲁棒自适应模型预测控制（MPC）方案。所提出的方法提供了一个计算效率的配方与理论保证（约束满足和稳定性），同时允许减少保守性和提高性能，由于在线参数自适应。移动窗口参数集识别用于基于过去数据计算固定复杂度参数集。鲁棒约束的满足是通过使用一个计算效率高的管的鲁棒MPC方法。预测代价函数基于最小均方点估计，这确保了闭环的有限增益$\mathcal{L}_2$稳定性。整个算法具有固定的（用户指定的）计算复杂度。我们说明了该方法的适用性和保守性和计算复杂性之间的权衡使用一个数值例子。本文是文[1]的扩充，并在附录A-B中包含了关于定理1的理论证明、数值例子和离线计算的附加细节。
2020-03-11 cs.SY eess.SY
Uncertainty Partitioning with Probabilistic Feasibility and Performance Guarantees for Chance-Constrained Optimization
提出一种无分布的不确定性划分方法，用于机会约束优化，在保证概率可行性和性能界限的同时，灵活平衡保守性与计算复杂度，并验证于分段仿射系统的模型预测控制。
2025-05-27 cs.SY eess.SY math.OC
Integrating Predictive Motion Uncertainties with Distributionally Robust Risk-Aware Control for Safe Robot Navigation in Crowds
University of California, Berkeley（加州大学伯克利分校）
针对人群中机器人安全导航时人类运动预测不确定性难融入控制的问题，提出分布鲁棒机会约束MPC方法，用分布鲁棒条件风险价值近似实现实时计算，经真实行人数据验证可高效安全导航。
2024-03-08 cs.RO cs.SY eess.SY
Plug-and-Play Decentralized Model Predictive Control
Università degli Studi di Pavia（帕维亚大学）；Politecnico di Milano（米兰理工大学）
针对物理耦合的线性系统，提出一种分散控制方案，通过基于管道的模型预测控制保证渐近稳定性和约束满足，并实现子系统的即插即用。
2013-02-01 cs.SY eess.SY
Learning-based Approximate Model Predictive Control for an Impact Wrench Tool
ETH Zurich（苏黎世联邦理工学院）；Hilti Corporation（喜利得公司）
本文提出基于高斯过程回归和神经网络的近似模型预测控制方法，用于实现冲击扳手的实时扭矩控制，提高跟踪精度并满足安全约束。
2025-12-18 cs.SY eess.SY
Gig-work Management System with Chance-Constraints Verification Algorithm
Keio University（庆应义塾大学）
提出高效零工管理系统框架，建立零工决策模型，据此确定最优任务时长和工资的优化问题，开发有保证置信水平的近似算法求解，还基于众包数据建立零工模型。
2026-07-07 cs.SY eess.SY
Robust Resource-Aware Self-triggered Model Predictive Control
物联网中无线设备的广泛采用需要能够在有限资源（例如电池寿命）下运行的控制器。在不确定的环境中鲁棒地操作这些设备，同时管理可用资源，增加了控制器设计的难度。本文提出了一种鲁棒自触发模型预测控制方法来优化控制目标，同时管理资源消耗。特别地，针对连续时间线性系统，提出了一种新的零阶保持非周期离散时间反馈控制律。
2021-12-01 cs.SY eess.SY
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
Chance-Constrained Nonlinear Covariance Control via Robust Linearization Remainder Bounds
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
本文提出序列凸规划框架，结合鲁棒线性化余项界与随机线性矩阵不等式，实现非线性系统的机会约束协方差控制，仿真验证其约束满足性。
2026-09-17 cs.SY eess.SY math.OC
Separated Proportional-Integral Lagrangian for Chance Constrained Reinforcement Learning
Tsinghua University（清华大学）
安全对于强化学习（RL）应用于自动驾驶等现实任务至关重要。机会约束保证了状态约束以高概率满足，适合于表示现实世界中具有不确定性的需求。现有的机会约束RL方法，如惩罚方法和拉格朗日方法，要么表现出周期振荡或不能满足的约束。在本文中，我们提出了一个分离的比例积分拉格朗日（SPIL）算法来解决这些缺点。从控制的角度来看，我们首先将惩罚方法和拉格朗日方法分别解释为比例反馈和积分反馈控制。然后，提出了一种比例积分拉格朗日方法，以稳定学习过程，同时提高安全性。为了防止积分超调和减少保守性，我们引入了积分分离技术的启发PID控制。最后，利用机会约束的解析梯度进行基于模型的策略优化。SPIL的有效性证明了一个狭窄的跟车任务。实验表明，与以往的方法相比，SPIL提高了性能，同时保证安全性，具有稳定的学习过程。
2021-02-17 cs.AI cs.LG cs.SY
