Safe Nonlinear Control Using Robust Neural Lyapunov-Barrier Functions
Massachusetts Institute of Technology（麻省理工学院）；University of California, San Diego（加利福尼亚大学圣地亚哥分校）
安全性和稳定性是机器人控制系统的共同要求，然而，设计安全，稳定的控制器仍然是困难的非线性和不确定的模型。我们开发了一种基于模型的学习方法来合成具有安全性和稳定性保证的鲁棒反馈控制器。我们从鲁棒凸优化和李雅普诺夫理论的灵感，定义鲁棒控制李雅普诺夫障碍函数，尽管模型的不确定性推广。我们证明了我们的方法在模拟的问题，包括汽车轨迹跟踪，非线性控制与避障，卫星交会与安全约束，飞行控制与学习地面效应模型。仿真结果表明，我们的方法产生的控制器，匹配或超过鲁棒MPC的能力，同时减少了一个数量级的计算成本。
2021-10-06 cs.RO cs.SY eess.SY
Model Predictive Control Design of a 3-DOF Robot Arm Based on Recognition of Spatial Coordinates
University of Liverpool（利物浦大学）
采用模型预测控制（MPC）对三自由度机械臂的输入力矩进行优化，使其能够运行到目标位置并准确抓取物体。首先使用单目相机来识别物体的颜色和深度。然后，将逆运动学计算与通过坐标变换得到的物体空间坐标相结合，得到各伺服机构所需的转角。最后，建立了机器人手臂结构的动力学模型，并应用模型预测控制仿真伺服系统的最优输入转矩，以最小化代价函数。
2022-09-04 cs.RO cs.SY eess.SY
System Identification for Virtual Sensor-Based Model Predictive Control: Application to a 2-DoF Direct-Drive Robotic Arm
Department of Aeronautics and Astronautics, Graduate School of Engineering, Kyoto University（航空学系，工学研究科，京都大学）；Kobe Steel, Ltd.（神户钢铁株式会社）
本文提出PVSID框架，利用高成本传感器在建模阶段创建虚拟传感器，实现二自由度直接驱动机械臂的非线性模型预测控制，无需运动捕捉系统即可实现精确末端轨迹跟踪。
2026-02-02 cs.RO cs.SY eess.SY
Robotic Autonomous Trolley Collection with Progressive Perception and Nonlinear Model Predictive Control
Southern University of Science and Technology（南方科技大学）；The Chinese University of Hong Kong（香港中文大学）；Shenzhen Research Institute of the Chinese University of Hong Kong（香港中文大学深圳研究院）
可以收集手推车的自主移动操纵机器人被广泛用于解放人力资源和抗击疫情。大多数现有的机器人手推车收集解决方案仅检测具有2D姿态的手推车，或者仅基于特定标记，并且缺乏规划算法的正式设计。在本文中，我们提出了一种新的移动操作系统与行李手推车收集的应用。所提出的系统集成了紧凑的硬件设计和渐进的感知和规划框架，使系统能够在动态和复杂的环境中有效和鲁棒地收集手推车。对于感知，我们首先开发了一种结合目标检测和关键点估计的3D小车检测方法。采用精确的点云平面检测方法和新颖的机械手设计，实现了近距离对接过程。在规划方面，我们制定了机器人的运动规划下的非线性模型预测控制框架与控制障碍功能，以提高避障能力，同时保持在传感器的视野中的目标在近距离。我们展示了我们的设计和框架部署在实际的手推车收集任务的系统，其有效性和鲁棒性的实验验证。
2022-03-01 cs.RO cs.SY eess.SY
Predictive Barrier Lyapunov Function Based Control for Safe Trajectory Tracking of an Aerial Manipulator
IIIT-Hyderabad（海得拉巴国际信息技术学院）；TCS Research（塔塔咨询服务研究院）；University of Michigan（密歇根大学）
本文提出了一种新的控制器框架，提供轨迹跟踪的空中机械手（AM），同时确保系统在未知的有界干扰下的安全运行。这里考虑的AM是一个2自由度（度的自由度）机械手刚性连接到无人机。我们提出的控制器结构如下传统的内环PID控制的姿态动力学和外环控制器跟踪参考轨迹。外环控制是基于模型预测控制（MPC）的限制，使用障碍李雅普诺夫函数（BLF）的AM的安全操作。基于BLF的约束提出了两个目标，即1）避免AM碰撞静态障碍物，如矩形墙，2）保持末端执行器的机械手在所需的工作空间。建议的BLF确保上述目标得到满足，即使在存在未知的有界干扰。所提出的控制器的能力，证明通过高保真非线性模拟与来自一个真正的实验室规模AM的参数。我们比较我们的控制器与其他国家的最先进的MPC控制器的AM的性能。
2022-12-09 cs.RO
Safe Machine-Learning-supported Model Predictive Force and Motion Control in Robotics
TU Darmstadt（达姆施塔特工业大学）；Otto-von-Guericke-Universität Magdeburg（奥托·冯·格里克马格德堡大学）
许多机器人任务，如人机交互或易碎物体的处理，需要严格控制和限制出现的力和力矩以及合理的运动控制，以实现安全而高性能的操作。我们提出了一个学习支持的模型预测力和运动控制方案，提供随机安全保证，同时适应不断变化的情况。高斯过程用于学习将机器人的状态映射到力和力矩的不确定关系。模型预测控制器使用这些高斯过程模型，以实现精确的运动和力控制下的随机约束满足。由于不确定性只发生在静态模型部分-输出方程-一个计算效率高的随机MPC制定。分析了静态不确定情况下最优控制问题的递归可行性和闭环系统的收敛性。基于高斯过程的方差，构造了机会约束公式和退避，以保证安全运行。在一个轻量级的机器人在模拟和实验中说明了这种方法。
2023-03-08 cs.LG cs.RO cs.SY
Model Predictive Manipulation of Compliant Objects with Multi-Objective Optimizer and Adversarial Network for Occlusion Compensation
Harbin Institute of Technology（哈尔滨工业大学）；Beihang University（北京航空航天大学）；The Hong Kong Polytechnic University（香港理工大学）
柔性物体的机器人操作是目前机器人技术中最活跃的问题之一，因为它具有自动化许多重要应用的潜力。尽管近年来机器人领域取得了进展，但这些类型材料的3D成形仍然是一个开放的研究问题。在本文中，我们提出了一种新的基于视觉的控制器，自动调节形状的顺应性的物体与机器人手臂。我们的方法使用一个有效的在线曲面/曲线拟合算法，量化对象的几何形状与一个紧凑的矢量的功能，这种反馈样的矢量，使建立一个明确的形状伺服回路。为了协调机器人的运动与计算的形状特征，我们提出了一个后退时间估计，近似系统的感觉运动模型，同时满足各种性能标准。开发了一个深度对抗网络来鲁棒地补偿相机视野中的视觉遮挡，即使对对象进行部分观察，也可以指导成形任务。模型预测控制用于计算机器人的成形运动受工作空间和饱和度的限制。详细的实验研究，以验证所提出的控制框架的有效性。
2022-05-20 cs.RO cs.SY eess.SY
Finite Time Lyapunov Exponent Analysis of Model Predictive Control and Reinforcement Learning
University of Washington（华盛顿大学）；University of Hawai‘i at Mānoa（夏威夷大学马诺阿分校）
本研究将有限时间李雅普诺夫指数（FTLE）应用于模型预测控制与强化学习驱动的智能体，提出受控FTLE（cFTLE）结构，揭示了非定常流场中输运成本的分界区域，为鲁棒运动控制、超参数调优及自主系统的安全部署提供了新洞见。
2023-05-17 cs.RO cs.SY eess.SY
A Step-by-step Guide on Nonlinear Model Predictive Control for Safe Mobile Robot Navigation
department of Cognitive Robotics, Delft University of Technology（认知机器人系，代尔夫特理工大学）；Institute for Dynamic Systems and Control, ETH Zürich（动态系统与控制研究所，苏黎世联邦理工学院）
本报告提供了一种分步方法来实现非线性模型预测控制（NMPC）方案，以解决移动机器人在充满障碍物的环境中安全导航的问题，强调安全性和性能保证，旨在弥合理论NMPC公式与实际机器人应用之间的差距。
2025-08-09 cs.RO cs.SY eess.SY
Model Hierarchy Predictive Control of Robotic Systems
University of Notre Dame（圣母大学）
这封信提出了一种新的预测控制结构的高维机器人系统。相对于传统的模型预测控制（MPC）的方法来制定一个层次序列的优化问题的运动，所提出的工作制定了一个单一的优化问题提出了一个层次的模型，因此被命名为模型层次预测控制（MHPC）。MHPC被公式化为多阶段滚动时域轨迹优化（TO）问题，并且可以使用任何通用的多阶段TO求解器来实现。MHPC在四足动物、双足动物和四旋翼动物的模拟中进行了基准测试，证明了与全身MPC相当或超过全身MPC的控制性能，同时在每种情况下保持较低的计算成本。在MIT Mini Cheetah上进行了初步的间隙跳跃实验，离线生成的控制策略，证明了生成的轨迹的物理有效性，并激励在线MHPC在未来的工作中。
2021-05-11 cs.RO
Robust Predictive Motion Planning by Learning Obstacle Uncertainty
Linköping University（林雪平大学）；Imperial College London（帝国理工学院）；Lund University（隆德大学）
针对动态环境中不确定障碍物导致规划保守的问题，提出在线学习障碍物控制集以计算非保守可达集，并设计鲁棒模型预测控制器生成安全轨迹，经仿真与硬件实验验证。
2025-01-20 cs.RO cs.SY eess.SY
Koopman NMPC: Koopman-based Learning and Nonlinear Model Predictive Control of Control-affine Systems
California Institute of Technology（加州理工学院）
基于Koopman的学习方法可能是动态机器人系统的实用和强大的工具。然而，构建Koopman表示的常用方法寻求学习提升的线性模型，这些模型无法捕获许多机器人系统中固有的非线性致动效应。本文提出了一种学习和控制方法，是克服这一限制的第一步。利用Koopman正则变换，控制仿射动力学可以表示为提升双线性模型。学习的模型用于非线性模型预测控制（NMPC）的设计，其中的双线性结构可以被利用，以提高计算效率。控制仿射动力学相比，现有的Koopman为基础的方法的好处突出通过一个例子的模拟平面四旋翼。预测误差大大减少，闭环性能类似于NMPC与全模型知识。
2021-05-17 cs.RO cs.SY eess.SY
End-Effector Stabilization of a 10-DOF Mobile Manipulator using Nonlinear Model Predictive Control
University of Waterloo（滑铁卢大学）
移动机械手（安装在移动基座上的机械臂）的运动控制对于复杂的任务（如材料和包装处理）可能具有挑战性。针对由7自由度机械臂和3自由度移动基座组成的10自由度移动机械臂，设计了一种基于非线性模型预测控制（NMPC）的任务空间镇定控制器。该系统模型是基于运动学模型的末端执行器的方向直接由旋转矩阵参数化。状态和控制约束以及奇异性约束显式地包括在NMPC制定。该控制器进行了测试，使用实时仿真，表现出高的定位精度与易处理的计算成本。
2021-03-24 cs.RO cs.SY eess.SY
Model Predictive Control of Nonlinear Latent Force Models: A Scenario-Based Approach
University of Kansas（堪萨斯大学）
非线性不确定系统的控制是机器人领域的一个共同挑战。非线性潜力模型，其中包括潜在的不确定性特征为高斯过程，进行有效地表示这样的系统的承诺，我们专注于他们在这项工作中的控制设计。为了使设计，我们采用高斯过程的状态空间表示来重铸非线性潜在力模型，从而建立预测未来状态和不确定性的能力。利用这一特点，一个随机模型预测控制问题制定。为了得到一个计算算法的问题，我们使用的基于神经网络的方法来制定一个确定性的近似的随机优化。我们评估所得到的基于神经网络的模型预测控制方法通过仿真研究的基础上的运动规划的自主车辆，这表明了很大的有效性。所提出的方法可以在各种其他机器人应用中找到潜在的用途。
2022-07-28 cs.RO cs.SY eess.SY
Predictive and Semantic Layout Estimation for Robotic Applications in Manhattan Worlds
University of Pennsylvania（宾夕法尼亚大学）
本文介绍了一种方法，自动提取平面图从各种不完整的测量，可以获得一个自主移动机器人。该方法通过推理自动从现有数据中提取的扩展结构布局表面来进行。该方案可以以在线方式运行，以构建环境的水密表示。该系统有效地推测房间边界和自由空间区域，这为后续的运动规划系统提供了有用的指导。多个数据集上的实验结果。
2018-11-19 cs.CV cs.RO
ToMPC: Task-oriented Model Predictive Control via ADMM for Safe Robotic Manipulation
本文提出一种基于ADMM的任务导向模型预测控制框架，用于安全高效的机器人操作。该框架结合碰撞自由运动和机器人环境交互，利用运动学冗余提高障碍环境下的操作效率。
2026-03-14 cs.RO
Adaptive Model Predictive Control by Learning Classifiers
NVIDIA（英伟达）；the University of Sydney（悉尼大学）
随机模型预测控制已经成为许多机器人任务的成功和鲁棒的控制框架，其中系统动力学模型稍微不准确或存在环境干扰。尽管取得了成功，但仍然不清楚如何在存在模型参数不确定性和异方差噪声的情况下最好地调整控制参数以适应当前任务。在本文中，我们提出了一个自适应MPC的变种，自动估计控制和模型参数，利用贝叶斯优化（BO）和经典的预期改善采集功能的想法。我们利用最近的结果表明，BO可以通过密度比估计，这可以通过简单地学习分类器有效地近似重新制定。然后，这是集成到一个模型预测路径积分控制框架产生鲁棒控制器的各种具有挑战性的机器人任务。我们展示了模型不确定性和机器人操作任务下经典控制问题的方法。
2022-04-05 cs.AI cs.LG cs.RO
Path planning for unmanned surface vehicle based on predictive artificial potential field. International Journal of Advanced Robotic Systems
Beihang University（北京航空航天大学）
本文提出一种结合时间信息和预测势场的改进方法，用于提升无人水面车辆路径规划的效率和避障能力。
2026-02-22 cs.RO
Safe Learning Predictive Control for Ego-World Robotic Systems
University of Bologna（博洛尼亚大学）
针对自我世界机器人框架，提出SOWL-MPC策略，结合基于稀疏变分高斯过程的在线学习机制与滚动时域控制方案，依靠噪声测量推断潜在世界策略后验分布，经实验验证该策略可实现自我机器人安全机动。
2026-07-27 cs.RO
Real-Time Learning of Predictive Dynamic Obstacle Models for Robotic Motion Planning
Division of Engineering and Applied Science, California Institute of Technology（工程与应用科学分校，加州理工学院）；Applied Intuition（应用直觉）
本文提出一种实时学习动态障碍物预测模型的方法，通过改进的Hankel-DMD实现去噪和多步预测，适用于机器人运动规划。
2026-03-06 cs.LG cs.RO cs.SY
Iterative Tuning of Nonlinear Model Predictive Control for Robotic Manufacturing Tasks
ZHAW Institute of Materials and Process Engineering（ZHAW材料与加工工程学院）；Zürich University of Applied Sciences（苏黎世应用科学大学）
本文提出一种基于任务级反馈的迭代学习框架，用于在机器人重复制造任务中自适应调优非线性模型预测控制的权重矩阵，实现高效且精确的控制性能。
2026-01-02 cs.LG cs.RO cs.SY
Differentiable Predictive Control for Robotics: A Data-Driven Predictive Safety Filter Approach
University of California Berkeley（加州大学伯克利分校）；Pacific Northwest National Laboratory（太平洋西北国家实验室）；University of Bristol（布里斯托尔大学）
本文提出基于相对阶的系统分解技术、基于DPC训练数据集的安全集生成技术和事件触发预测安全滤波器，解决可微预测控制（DPC）在条件数差时表现不佳及缺乏安全性保证的问题，在四旋翼实验中实现与MPC相当的性能，计算时间最多减少三个数量级且满足未训练场景的安全要求。
2024-09-20 cs.RO
A Unified and Modular Model Predictive Control Framework for Soft Continuum Manipulators under Internal and External Constraints
ETH Zurich（苏黎世联邦理工学院）
流体驱动的软体机器人具有良好的性能，如固有的顺应性和用户安全性。软体机器人的控制需要正确处理非线性驱动动力学、运动约束、工作空间限制和可变形状刚度，因此针对所有这些问题具有独特的算法将是非常有益的。在这项工作中，我们适应模型预测控制（MPC），流行的刚性机器人，软机械臂称为SoPrA。我们解决目前的控制方法所面临的挑战，提出了一个框架，处理这些模块化的方式。虽然以前的工作集中在关节空间配方，我们通过仿真和实验结果表明，任务空间MPC可以成功地实现动态软机器人控制。我们提供了一种将分段常曲率和增广刚体模型假设与内部和外部约束以及驱动动力学耦合的方法，提供了一种将这些方面结合起来并对其进行优化的算法。我们相信，基于我们的方法的MPC实现可以在统一的模块化框架内解决大多数基于模型的软机器人控制问题，同时允许包括通常属于其他控制领域的改进，如机器学习技术。
2022-08-23 cs.RO cs.SY eess.SY
A Hierarchical Control Architecture for Space Robots in On-Orbit Servicing Operations
Dipartimento di Scienze e Tecnologie Aerospaziali, Politecnico di Milano（航空航天科学与技术系，米兰理工学院）
针对在轨服务与碎片清除中非合作目标捕获的需求，提出一种结合内回路Lyapunov鲁棒控制与外回路扩展逆运动学的空间机器人分层控制框架，纳入晃荡动力学仿真，验证了更优的鲁棒性与适应性。
2025-10-06 cs.RO cs.SY eess.SY
VLMPC: Vision-Language Model Predictive Control for Robotic Manipulation
School of Control Science and Engineering, Shandong University（山东大学控制科学与工程学院）
针对传统MPC缺乏环境感知能力在复杂机器人操作场景中失效的问题，提出融合VLM与MPC的VLMPC框架，通过条件动作采样、动作条件视频预测和分层代价函数生成最优动作，在公开基准和真实任务中表现更优。
2024-07-13 cs.RO
Hybrid Visual Servoing Tracking Control of Uncalibrated Robotic Systems for Dynamic Dwarf Culture Orchards Harvest
Beijing Research Center of Intelligent Equipment for Agriculture（北京农业智能装备技术研究中心）；Beijing Academy of Agriculture and Forestry Sciences（北京市农林科学院）；National Engineering Research Center for Information Technology in Agriculture（国家农业信息化工程技术研究中心）
研究了SNAP果园收获机器人在矮化栽培果园收获应用中存在多个未标定模型参数时的动态跟踪问题。提出了一种新的混合视觉伺服自适应跟踪控制器和三种自适应律，以保证采摘机器人完成动态采摘任务，并对未知参数（包括摄像机内、外模型和机器人动力学）进行自适应。通过李雅普诺夫理论，严格证明了闭环系统与所提出的控制方案的渐近收敛性。实验和仿真结果验证了所提出的控制方案的性能。结果表明了该方法的有效性和优越性。
2021-06-10 cs.RO cs.SY eess.SY
Data-Enabled Neighboring Extremal: Case Study on Model-Free Trajectory Tracking for Robotic Arm
Michigan State University（密歇根州立大学）；University of Michigan（密歇根大学）
本文提出数据驱动的邻近极值（DeeNE）框架，通过一阶最优性扰动分析高效更新名义DeePC解，在保持控制性能的同时显著降低计算成本，并在7自由度KINOVA Gen3机械臂上验证了其有效性。
2025-04-09 cs.RO cs.SY eess.SY
Towards Local Minima-free Robotic Navigation: Model Predictive Path Integral Control via Repulsive Potential Augmentation
Keio University（庆应义塾大学）；Nagoya University（名古屋大学）
提出一种基于排斥势增强的模型预测路径积分控制运动规划方法，无需全局路径引导即可主动避免局部最小值，在不降低计算效率的同时提升了全局最优性。
2024-11-09 cs.RO
On Model Predictive Path Following and Trajectory Tracking for Industrial Robots
Norwegian University of Science and Technology（挪威科技大学）；SINTEF DIGITAL（SINTEF数字研究所）
在这篇文章中，我们将展示如何模型预测路径跟踪控制器允许机器人机械手停止在障碍物的方式，模型预测轨迹跟踪控制器不能。我们提出了这两个控制器应用于机器人机械手，模拟两连杆机械手使用内点求解器，考虑离散化的最优控制问题，使用配置或龙格库塔，并讨论我们的实施模型预测路径跟踪控制器的实时可行性。
2017-03-07 cs.RO
Model Predictive Control for a Soft Robotic Finger with Stochastic Behavior based on Fokker-Planck Equation
Division of Information Science, Graduate School of Science and Technology, Nara Institute of Science and Technology（信息科学系，科学技术研究生院，奈良科学技术研究所）
针对软体机器人因固有灵活性导致的运动不确定性与非线性问题，提出基于福克-普朗克方程的随机模型预测控制策略FPE-MPC，通过控制概率分布应对不确定性，数值模拟验证了其有效性。
2025-09-01 cs.RO
Sampling-Based Model Predictive Control for Volumetric Ablation in Robotic Laser Surgery
Duke University（杜克大学）
本文提出基于采样的模型预测控制方法，用于机器人激光手术中的体积消融规划，在考虑参数不确定性并避开敏感组织的前提下自主生成消融序列。
2024-10-04 cs.RO
IMPACT: Learning Internal-Model Predictive Control for Forceful Robotic Manipulation
Harvard University（哈佛大学）；Stanford University（斯坦福大学）
提出IMPACT框架，将强力操控任务解耦为任务规划和基于内部模型的预测控制，通过仿真和实验证明其在成功率、泛化性、安全性和能效上的优势。
2026-06-09 cs.CV cs.RO
Real-time Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms
Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器学习研究所（MIRMI））；Technical University of Munich（慕尼黑工业大学）；University of Zurich（苏黎世大学）；Stanford University（斯坦福大学）；NVIDIA Research（英伟达研究院）
本研究提出Real-time Neural MPC框架，将大参数容量的复杂神经网络作为动力学模型高效整合进MPC流程，在嵌入式平台50Hz实时运行下大幅降低四旋翼位置跟踪误差，提升控制性能。
2023-07-25 cs.LG cs.RO cs.SY
Safety-Aware Robust Model Predictive Control for Robotic Arms in Dynamic Environments
Korea Institute of Industrial Technology（韩国工业技术研究院）；Daegu Mechatronics & Materials Institute（大邱机电材料研究所）；University of Tsukuba（茨木大学）
针对动态环境中机械臂轨迹规划的不确定性挑战，提出结合基于相位名义控制与鲁棒安全模式的新颖RMPC框架，通过实时预测移动障碍物动态调整约束，实现平滑过渡并确保无碰撞运行，仿真表明其提升了运动自然性与安全性且任务完成更快。
2025-05-30 cs.RO
MR-MPCC: Model Predictive Contouring Control for Robotic Manipulator Tracking under Moving Reference Frames
University of Technology Sydney（悉尼科技大学）；Robotics Institute, University of Technology Sydney（悉尼科技大学机器人研究所）；University of Edinburgh（爱丁堡大学）；School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
本文提出MR-MPCC框架，采用分层控制架构，在UR5e平台验证其在移动参考干扰下的路径跟踪性能，相比PI控制和传统MPC，可降低几何路径跟踪误差与移动路径框架偏差。
2026-10-16 cs.RO
Online Multi-Contact Feedback Model Predictive Control for Interactive Robotic Tasks
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院（KAIST））；German Aerospace Center (DLR)（德国航空航天中心（DLR））
针对交互式机器人任务中未知位置多接触的问题，提出带显式接触反馈回路的MPC方法，结合MCP-EP算法与弹簧接触模型，用微分动态规划实现7自由度机器人实时控制，多场景下验证有效。
2024-03-13 cs.RO
A Predictive Application Offloading Algorithm Using Small Datasets for Cloud Robotics
Purdue University（普渡大学）
许多对机器人性能至关重要的机器人应用需要即时反馈，因此执行时间是一个关键问题。此外，机器人通常具有固定数量的硬件资源;如果应用程序需要的计算资源超过机器人可以容纳的范围，则其板载执行可能会扩展到降低机器人性能的程度。另一方面，云计算以按需计算资源为特征;通过使机器人能够利用这些资源，可以减少应用程序执行时间。使机器人能够使用云计算的关键是设计一种高效的卸载算法，该算法可以最佳地利用机器人的机载能力，并且还可以在没有任何关于应用的先验知识或信息的情况下就何时卸载形成快速共识。在本文中，我们提出了一个预测算法，以预期执行应用程序所需的时间为一个给定的应用程序数据输入大小的帮助下，少量的以前的观察。为了验证该算法，我们对之前的N个观测值进行训练，其中包括独立（输入数据大小）和相关（执行时间）变量。为了了解算法性能在预测精度和误差方面的变化，我们使用线性回归和移动机器人路径规划应用程序测试了各种N值。从我们的实验和分析，我们确定该算法具有可接受的误差和预测精度时，N>40。
2021-08-28 cs.RO
Randomized-to-Canonical Model Predictive Control for Real-world Visual Robotic Manipulation
Nara Institute of Science and Technology (NAIST)（奈良先端科学技术大学院大学）；Advanced Telecommunications Research Institute International (ATR)（国际高级电信研究所）；Kyoto University（京都大学）
近年来，许多研究工作都在探索虚拟可传递视觉模型预测控制（MPC）。然而，这样的工作仅限于一次性传输，其中必须一次性收集真实世界的数据以执行仿真到现实迁移，这仍然是将在仿真中学习的模型迁移到真实世界中的新领域的重要人工努力。为了缓解这个问题，我们首先提出了一个新的模型学习框架，称为卡尔曼随机化到规范模型（KRC模型）。该框架能够从随机图像中提取与任务相关的内在特征及其动态。然后，我们提出了卡尔曼随机到典型模型预测控制（KRC-MPC）作为一个zero-shot sim-to-real可转移的视觉MPC使用KRC模型。我们的方法的有效性进行评估，通过阀门旋转任务的机器人手在模拟和现实世界中，和块交配任务的模拟。实验结果表明，KRC-MPC可以以zero-shot方式应用于各种实际领域和任务。
2022-07-05 cs.LG cs.RO
Nullspace Structure in Model Predictive Control
Idiap Research Institute（伊迪亚普研究院）
机器人任务可以通过利用不同形式的冗余来完成。本文主要研究模型预测控制（MPC）中的冗余规划问题，在MPC时间范围内可以考虑多条路径。我们提出了零空间结构的MPC与二次近似的成本和线性化的动态。我们利用MPC（封装时空信息）中使用的精度矩阵的低秩结构来执行分层任务规划，并展示了零空间计算如何被视为融合问题（用高斯专家的产品计算）。我们使用点质量物体和模拟机器人应用程序的概念验证示例来说明该方法。
2019-05-23 cs.RO
TinyMPC: Model-Predictive Control on Resource-Constrained Microcontrollers
Carnegie Mellon University（卡内基梅隆大学）；Barnard College, Columbia University（哥伦比亚大学巴纳德学院）
本文提出TinyMPC，一种面向资源受限微控制器的低内存占用高速MPC求解器，基于ADMM算法并利用MPC问题结构提升效率，在基准测试中较OSQP提速近一个数量级，并在27克四旋翼上验证了高速轨迹跟踪与动态避障能力。
2025-08-12 cs.RO cs.SY eess.SY
Task-Priority Control of Redundant Robotic Systems using Control Lyapunov and Control Barrier Function based Quadratic Programs
Norwegian University of Science and Technology（挪威科技大学）
针对冗余度机器人系统，提出了一种基于控制李雅普诺夫函数（CLF）和控制障碍函数（CBF）的二次规划（QP）任务优先控制框架。所提出的方法保证严格的优先级之间的不同组的任务，如安全相关的，操作和优化任务。此外，可以采用惩罚参数形式的软优先级度量来对相同优先级的任务进行优先级排序。相对于运动控制方案，所提出的框架是一个整体的方法来控制冗余机器人系统，它解决了冗余分辨率，动态控制和控制分配问题同时进行。通过对超冗余关节式干预自主水下航行器（AIAUV）的数值仿真，验证了该框架的有效性。
2021-06-04 cs.RO cs.SY eess.SY
Dynamic robotic cloth folding with efficient Koopman operator-based model predictive control
Istituto Italiano di Tecnologia（意大利技术研究院）；Institut de Robòtica i Informàtica Industrial（机器人与信息技术研究所）；MaLGa Center, DIBRIS, Università degli Studi di Genova（MaLGa中心，DIBRIS，热那亚大学）
本文提出了一种基于Koopman算子的模型预测控制方法，用于快速生成布料折叠轨迹，结合物理仿真和高效的核基Koopman算子回归，以提高折叠任务的效率和精度。
2026-05-18 cs.LG cs.RO math.DS
The Control Toolbox - An Open-Source C++ Library for Robotics, Optimal and Model Predictive Control
Agile & Dexterous Robotics Lab, ETH Zürich（苏黎世联邦理工学院敏捷与灵巧机器人实验室）
我们介绍了控制器（CT），一个开源的C++库，用于有效的建模，控制，估计，轨迹优化和模型预测控制。CT适用于广泛的一类动态系统，但功能接口，专门为机器人应用设计的建模工具。本文概述了工具箱的一般概念，其主要组成部分，并突出了选定的应用程序的例子。该库包含几个工具来设计和评估控制器，建模动态系统和解决最优控制问题。CT的目的是直观的建模系统由常微分或差分方程。它支持成本函数和约束的快速原型设计，并为不同的最优控制求解器提供标准接口。到目前为止，我们支持单次射击，迭代线性二次调节器，高斯-牛顿多重射击和经典的直接多重射击。我们提供接口的通用NLP求解器和基于Riccati的线性二次最优控制求解器。CT被设计为有效地解决大规模最优控制和估计问题，并允许动态系统的在线控制。实现快速运行时性能的一些关键特性是与自动微分、派生代码生成和多线程的完全兼容。尽管如此，CT被设计为模块化框架，其构建块也可以用于其他控制和估计应用，例如逆动态控制、扩展卡尔曼滤波器或运动规划。
2018-03-26 cs.RO math.OC
Learning-Guided Force-Feedback Model Predictive Control with Obstacle Avoidance for Robotic Deburring
LAAS-CNRS, Universite de Toulouse, CNRS, Toulouse, France（法国国家科学研究中心LAAS实验室，图卢兹大学，法国图卢兹）；Inria, AUCTUS team, Talence, France（法国国家信息与自动化研究所AUCTUS团队，法国塔朗斯）；Image and Pervasive Access Laboratory (IPAL), CNRS-UMI, 2955, Singapore（图像与普适接入实验室（IPAL），法国国家科学研究中心-国际联合实验室2955，新加坡）；Artificial and Natural Intelligence Toulouse Institute, France（图卢兹人工智能与自然智能研究所，法国）
本文提出结合力反馈MPC与扩散运动先验的框架，解决机器人去毛刺任务中力控制、碰撞避免和复杂运动的问题，通过实验验证其在工业场景下的可靠性与有效性。
2026-04-07 cs.RO
Domain-specific Hardware Acceleration for Model Predictive Path Integral Control
Univ Rennes（里昂大学）；Inria（法国国家信息与自动化技术研究院）；CNRS（法国国家科学研究中心）；IRISA（国际信息与自动化研究所）；UMR6074（法国国家科研机构联合研究单位6074）
本文提出了一种针对MPPI控制的定制硬件加速器，通过实验验证其在轨迹精度上优于基于GPU的实现。
2026-01-17 cs.AR cs.RO
Episodic Learning with Control Lyapunov Functions for Uncertain Robotic Systems
California Institute of Technology（加州理工学院）
本文提出了一种基于控制李雅普诺夫函数的机器学习框架，用于适应机器人系统中的参数不确定性和未建模动态，通过迭代更新李雅普诺夫函数导数的估计和改进控制器，最终获得一个稳定性的二次规划基于控制器，并在平面Segway模拟中验证了方法的有效性。
2019-03-04 cs.LG cs.RO cs.SY
Autonomous Tissue Manipulation via Surgical Robot Using Learning Based Model Predictive Control
组织操作是任何外科手术中经常使用的基本子任务，并且在某些情况下，它可能需要外科医生助理的参与。作为非结构化环境的软组织的复杂动力学是通过手术机器人系统对其进行自动化操纵的任何尝试的主要挑战之一。提出并研究了两种基于人工智能学习的采用视觉策略的模型预测控制算法：（1）强化学习和（2）从演示中进行示教学习。这些AI算法在仿真环境中的性能比较表明，从演示示教学习算法可以通过初始化给定演示的预测动态来提高学习策略。此外，示教学习算法在Raven IV手术机器人系统上实现，并使用实验方法成功地证明了所提出的算法的可行性。这项研究是一个深刻的愿景的一部分，其中外科医生的角色将被重新定义为一个纯粹的决策者，而绝大多数的操作将由手术机器人系统自主进行。补充视频可以在以下网站找到：http://bionics.seas.ucla.edu/research/surgeryproject17.html
2019-03-03 cs.RO
Nonlinear Model Predictive Control of a Robotic Soft Esophagus
University of Auckland（奥克兰大学）；Auckland Bioengineering Institute（奥克兰生物工程研究所）
该研究针对机器人软食管（RoSE）的闭环控制问题，设计了带传感器的RoSEv2.0，采用基于SINDYC的模型预测控制生成目标蠕动波，还完成了支架迁移测试，为食管相关体外研究提供支持。
2026-08-11 cs.RO
Coordinated Motion Control and Event-based Obstacle-crossing for Four Wheel-leg Independent Motor-driven Robotic System via MPC
Beijing Institute of Technology（北京理工大学）
针对四轮腿独立电机驱动机器人系统的协调运动控制和越障问题，提出了一种基于事件触发机制的模型预测控制（MPC）方法.建立了具有动态支撑多边形的轮腿机器人控制系统的数学模型。系统动力学模型为3个自由度，忽略俯仰、横滚和垂直运动。考虑电动机驱动特性和Burckhardt非线性轮胎模型，对单轮动力学进行了分析。在此基础上，建立了以电机转矩为输入、系统状态为输出的过驱动预测模型。由于支持多边形只在特定条件下调整，因此设计了基于事件的触发机制，以节省硬件资源和能量。MPC控制器上的虚拟样机以及物理样机进行评估。仿真结果为控制器在物理样机中的实现提供了参数整定指导。在这两个原型上的实验结果验证了所提出的方法的有效性。
2021-11-23 cs.RO
Neuromorphic quadratic programming for efficient and scalable model predictive control
School of Computation, Information, and Technology, Technische Universität München（慕尼黑工业大学计算、信息与技术学院）；Intel Labs（英特尔实验室）
针对边缘自主系统大型优化的实时低能耗需求，提出在Loihi 2芯片上求解凸二次规划的神经形态方法，用于ANYmal的MPC，能效延迟积较OSQP降两个数量级以上，验证了非冯架构的机器人控制优势。
2024-06-19 cs.ET cs.NE cs.RO
Lyapunov Design for Robust and Efficient Robotic Reinforcement Learning
UC Berkeley（加州大学伯克利分校）
强化学习（RL）文献的最新进展使机器人专家能够在模拟环境中自动训练复杂的策略。然而，由于这些方法的样本复杂性较差，使用真实世界数据解决RL问题仍然是一个具有挑战性的问题。本文介绍了一种新的成本成形方法，其目的是减少所需的学习稳定控制器的样本数。该方法增加了一个术语，涉及控制李雅普诺夫函数（CLF）-一个“能量样”的功能，从基于模型的控制文献-典型的成本配方。理论结果表明，新的成本导致稳定的控制器时，使用较小的折扣因子，这是众所周知的，以减少样本的复杂性。此外，CLF术语的添加“robustifies”的搜索，以确保即使是高度次优的政策将稳定系统的稳定控制器。我们展示了我们的方法与两个硬件的例子，我们学习稳定控制器的cartpole和A1四足动物只有几秒钟和几分钟的微调数据，分别。此外，模拟基准研究表明，通过优化我们提出的成本获得稳定的政策需要的数量级更少的数据相比，标准的成本设计。
2022-11-18 cs.RO cs.SY eess.SY
A Lyapunov-Based Approach to Exploit Asymmetries in Robotic Dual-Arm Task Resolution
Dept. of Electrical Eng., Chalmers University of Technology（电气工程系，查尔姆斯理工大学）
本文提出了一种基于李雅普诺夫的方法，用于设计绝对运动任务的控制律并更新双臂之间的相对任务分布，通过数值实验展示了该方法相较于对称分布的优势。
2019-08-20 cs.RO cs.SY eess.SY
Folding Deformable Objects using Predictive Simulation and Trajectory Optimization
Columbia University（哥伦比亚大学）
可变形物体的机器人操作仍然是一项具有挑战性的任务。一个这样的任务是自主地折叠衣服。给定开始和结束折叠位置，移动机器人手臂折叠衣服的最佳轨迹是什么？某些轨迹会导致服装移动，产生皱纹和间隙，其他轨迹将完全失败。我们提出了一种新的解决方案，以找到一个最佳的轨迹，避免这种问题的情况。通过在离线模拟器中最小化二次目标函数来优化轨迹，该目标函数包括衣服的材料特性和桌子上的摩擦力。该函数测量用户折叠形状与模拟中折叠服装之间的差异，然后将其用作误差测量以创建最佳轨迹。我们证明，我们的双臂机器人可以按照优化的轨迹，实现准确和有效的操纵变形物体。
2015-12-22 cs.RO
Comparison between Docker and Kubernetes based Edge Architectures for Enabling Remote Model Predictive Control for Aerial Robots
Luleå University of Technology（吕勒奥理工大学）
边缘计算在寻求利用边缘资源和最小时间延迟的研究人员中越来越受欢迎，以便更有效地运行他们的机器人应用程序。最近，已经提出了许多边缘架构，根据每个应用，它们中的每一个都有其优点和缺点。在这项工作中，我们提出了两种不同的边缘架构，用于控制无人机（UAV）的轨迹。第一种架构基于Docker容器，第二种基于Kubernetes，而操作机器人的主要框架是机器人操作系统（ROS）。通过扩展模拟比较两种架构和获得的总体结果，评估整体拟议方案的效率。
2022-12-12 cs.RO
