Learning Robustness with Bounded Failure: An Iterative MPC Approach
针对受加性扰动的迭代任务线性时不变系统，提出基于置信支撑集的迭代MPC设计方法，可在约束违规概率有界的前提下避免保守估计，经数值示例验证有效。
2023-06-10 cs.SY eess.SY math.ST
Reference-Free Iterative Learning Model Predictive Control with Neural Certificates
本文提出一种无参考迭代学习MPC方法，利用基于CLBF的神经证书函数逐步细化终端组件，将优化问题转化为标准非线性规划，在保证递归可行性与渐近稳定性的同时提升在线计算效率和控制性能。
2025-07-18 cs.SY eess.SY
PRESAS: Block-Structured Preconditioning of Iterative Solvers within a Primal Active-Set Method for fast MPC
线性动力系统的模型预测控制（MPC）要求在每个采样时刻求解一个最优控制结构二次规划（QP）。本文提出了一种原始有效集策略（PRESAS）的有效解这样的块稀疏QP，基于一个预处理的迭代求解器，以计算在每次迭代的搜索方向。预处理器的秩一因式分解更新导致$\mathcal{O}(N m^2)$的每次迭代计算复杂性，其中$m$表示状态和控制变量的数量，并且$N$表示控制间隔的数量。提出了三种不同的块结构预处理技术，并进一步研究了它们的数值性质。此外，提出了一种基于增广拉格朗日的实现，以避免昂贵的初始化过程中找到一个原始可行的起点。基于一个独立的C代码实现，我们说明了计算性能的PRESAS对当前最先进的QP求解器的多个线性和非线性MPC的案例研究。我们还表明，求解器是实时可行的dSPACE MicroAutoBox-II快速原型单元的车辆控制应用，并说明了数值的可靠性的基础上，从小型自动驾驶汽车的测试台的实验结果。
2020-07-13 cs.SY eess.SY math.OC
Constraint-adaptive MPC for large-scale systems: Satisfying state constraints without imposing them
针对含大量状态约束的一般非线性系统，提出两种约束自适应MPC方案，通过每步动态选择纳入在线优化的约束来降低计算负担，同时保证递推可行性与约束满足，实验显示计算时间提升超两个数量级且无性能损失。
2024-10-24 cs.SY eess.SY math.OC
Improving Drone Racing Performance Through Iterative Learning MPC
Learning Systems and Robotics lab（学习系统与机器人实验室）；Technical University of Munich（慕尼黑技术大学）
本文通过自适应代价函数、平移局部安全集和笛卡尔坐标公式化三项创新改进迭代学习MPC，在仿真和实机实验中显著提升无人机竞速单圈时间并避免碰撞。
2025-09-21 cs.RO cs.SY eess.SY
Iterative Learning Predictive Control for Constrained Uncertain Systems
提出一种结合二进制混合整数ILC与凸MPC的方案，用于不确定非线性系统，确保鲁棒约束满足、非递增名义成本及最优性能收敛，并在仿真中验证其有效性。
2025-03-25 cs.SY eess.SY
Active Exploration in Iterative Gaussian Process Regression for Uncertainty Modeling in Autonomous Racing
本文提出一种用于迭代GP回归的主动探索机制，通过MPC平衡竞速目标与不确定性探索准则收集多样化数据，在Gran Turismo Sport和一对一竞速仿真中显著提升GP预测精度与竞速表现。
2023-11-03 cs.SY eess.SY
Iteration-Free Cooperative Distributed MPC through Multiparametric Programming
本文提出基于多参数规划的无迭代求解算法，用显式控制律函数同时求解替代迭代过程，显著降低了协作分布式模型预测控制的通信量与计算成本，并降低了系统延迟。
2024-12-03 cs.SY eess.SY
A Scalable Learned Iterative Solver for Nonlinear MPC via Temporal Decomposition
TU Dortmund University（多特蒙德工业大学）
该研究针对非线性模型预测控制（NMPC）求解成本高的问题，提出基于时间分解的可扩展学习型迭代求解器，在CSTR级联基准测试中实现最高4倍加速，控制性能与IPOPT相当且无约束违反。
2026-10-12 cs.LG 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
Output-Feedback Nonlinear Model Predictive Control with Iterative State- and Control-Dependent Coefficients
针对可表示为状态和控制相关系数伪线性形式的非线性系统，提出迭代二次规划MPC并结合块能观规范形实现输出反馈，在多类数值示例中验证。
2023-09-28 cs.SY eess.SY math.DS
A Data-Driven Automatic Tuning Method for MPC under Uncertainty using Constrained Bayesian Optimization
模型预测控制器（MPC）的闭环性能对预测模型的选择、控制器公式和整定参数很敏感。然而，预测模型通常针对预测精度而不是性能进行优化，并且MPC调谐通常手动完成以满足（概率）约束。在这项工作中，我们展示了一个通用的方法，自动调整MPC下的不确定性。特别是，我们制定的自动调谐问题作为一个受约束的黑盒优化问题，可以解决与衍生自由优化。我们依赖于贝叶斯优化（BO）的约束变体来解决MPC调整问题，该问题可以直接处理噪声和昂贵的评估功能。所提出的自动调整方法的好处是证明了一个基准的连续搅拌釜反应器的例子。
2020-11-24 cs.SY eess.SY
Data-driven distributionally robust iterative risk-constrained model predictive control
本文考虑了一个风险约束的无限期最优控制问题，并提出了一种迭代求解的方法。算法的每次迭代通过实施分布式鲁棒风险约束模型预测控制（MPC）方案来生成从起始点到目标平衡态的轨迹。在每次迭代中，一组安全状态（以高概率满足风险约束）和一定数量的独立和相同分布的样本的不确定性管理的风险约束是可用的。这些状态和样本在先前的迭代中累积。安全状态被用作MPC方案中的终端约束，并且样本被用于构造一组分布，称为模糊集，使得它包含具有高概率的不确定性的潜在分布。每次迭代中的风险约束要求对模糊度集中的所有分布都成立。我们建立我们的迭代过程中产生的轨迹是可行的，安全的，并渐近收敛到平衡。仿真例子说明了我们的结果的情况下，找到一个风险约束路径的移动机器人在存在不确定的障碍。
2021-11-25 cs.SY eess.SY math.OC
Robust Model Predictive Control for nonlinear discrete-time systems using iterative time-varying constraint tightening
本文提出一种基于迭代时变约束收紧的收缩时域鲁棒MPC方法，通过求解NLP同时优化系统运行与约束收紧，有效平衡了计算负荷与保守性。
2024-02-20 cs.SY eess.SY
ABC-LMPC: Safe Sample-Based Learning MPC for Stochastic Nonlinear Dynamical Systems with Adjustable Boundary Conditions
University of California Berkeley（加州大学伯克利分校）；California Institute of Technology（加州理工学院）
基于样本的学习模型预测控制（LMPC）策略由于其理想的理论特性和在机器人任务上的良好经验性能而最近引起了人们的关注。然而，随机系统的LMPC控制器的先验分析主要集中在线性系统的迭代学习控制设置。我们提出了一种新的LMPC算法，可调边界条件LMPC（ABC-LMPC），它可以快速适应新的开始和目标配置，并从理论上表明，所得到的控制器保证迭代改进的期望随机非线性系统。我们通过该算法的实际实例展示了结果，并通过实验证明，所得控制器能够适应3个随机连续控制任务的各种初始和终止条件。
2020-05-16 cs.LG cs.RO cs.SY
Efficient Uniform Feasible-Set Sampling for Approximate Linear MPC
Corporate Research of Robert Bosch GmbH（罗伯特·博世集团企业研究）；Institute of 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LMPC-HR采样器，通过将问题转化为凸线性规划，高效采样线性MPC的可行集边界，显著降低生成均匀分布样本的计算时间。
2026-07-01 cs.SY eess.SY
Explicit Distributed MPC: Reducing Computation and Communication Load by Exploiting Facet Properties
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Indian Institute of Technology Gandhinagar（甘地纳加尔印度理工学院）
本文提出一种无迭代分布式MPC方法，通过利用面属性进行关键区域探索，显著降低计算和通信开销，实现实时控制。
2026-04-02 cs.SY eess.SY math.OC
Learning-Enabled Iterative Convex Optimization for Safety-Critical Model Predictive Control
本文提出一种启用学习的模型预测控制框架，结合离散时间高阶控制障碍函数与迭代凸优化，通过神经网络学习未知复杂不安全集边界，在保证安全的同时加速计算。
2025-09-14 cs.SY eess.SY
Iterative risk-constrained model predictive control: A data-driven distributionally robust approach
本文提出迭代分布鲁棒MPC方案求解带风险约束的无限时域最优控制问题，通过累积数据逐步优化轨迹代价与安全性，证明了递归可行性与收敛性，并给出可计算重构与仿真验证。
2023-08-22 cs.SY eess.SY math.OC
Data-Driven Min-Max MPC for LPV Systems with Unknown Scheduling Signal
本文提出一种针对LPV系统的数据驱动最小最大MPC方法，在调度信号未知时仅用输入-状态数据构建一致性系统矩阵，并最小化最坏情况成本，保证递归可行性与闭环稳定性。
2024-11-08 cs.SY eess.SY
Data-driven distributed MPC of dynamically coupled linear systems
本文提出一种基于Willems基本引理的数据驱动分布式MPC方案，仅用输入输出数据镇定动态耦合线性系统，并证明了递归可行性与实际稳定性。
2023-08-11 cs.SY eess.SY math.OC
Data-Driven Min-Max MPC with Integral Quadratic Constraints
University of Stuttgart（斯图加特大学）
针对未知非线性不确定系统，提出一种基于积分二次约束（IQC）的数据驱动最小-最大模型预测控制（MPC）综合方法，通过半定规划最小化最坏情况成本，并证明闭环系统指数稳定性。
2026-05-31 cs.SY eess.SY
Learning Hierarchical Control For Multi-Agent Capacity-Constrained Systems
University of California, Berkeley（加州大学伯克利分校）；NASA Jet Propulsion Laboratory（美国国家航空航天局喷气推进实验室）；Princeton University（普林斯顿大学）
针对迭代环境下非线性容量受限多智能体集群的管控问题，提出含高低两层的分层控制框架，两层均采用数据驱动MPC策略，结合迭代学习控制优化容量估计与策略参数，保障闭环可行性并提升性能。
2024-04-10 cs.RO cs.SY eess.SY
Distributed Learning Model Predictive Control for Linear Systems
针对具有耦合动态和状态约束的分布式线性定常系统，提出了一种分布式学习模型预测控制（DLMPC）方案。所提出的解决方法是基于一个在线的分布式优化计划与最近邻通信。如果控制任务是迭代的，并且来自先前可行迭代的数据可用，则子系统利用本地数据来构造本地终端集和终端成本，这保证了递归可行性和渐近稳定性，以及迭代过程中的性能改进。在第一个可行的轨迹是很难获得的情况下，或者任务是非迭代的，我们进一步提出了一种算法，有效地探索状态空间，并生成所需的数据，在MPC问题的终端成本和终端约束的建设在一个安全和分布式的方式。相对于其他分布式MPC计划，使用结构化的正不变集，所提出的方法涉及一个控制不变集作为终端集，我们不强加任何分布式结构。所提出的迭代格式收敛到全局最优解的无限时域最优控制问题在温和的条件下。数值实验证明了所提出的DLMPC格式的有效性。
2020-06-24 cs.SY eess.SY
Neural network based model predictive control of voltage for a polymer electrolyte fuel cell system with constraints
本文提出一种基于神经网络的模型预测控制方法，通过同时调节氢气和空气流量，在满足安全约束下稳定燃料电池输出电压，仿真验证其性能与基于物理模型的MPC相当。
2024-03-24 cs.SY eess.SY
From Data to Safe Mobile Robot Navigation: An Efficient and Modular Robust MPC Design Pipeline
department of Cognitive Robotics, Delft University of Technology（认知机器人学系，代尔夫特理工大学）；Czech Institute of Informatics, Robotics and Cybernetics, Czech Technical University in Prague（信息学、机器人学与自动化研究所，布拉格技术大学）；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）
针对移动机器人导航中因扰动和测量噪声导致的安全问题，提出一种高效模块化的鲁棒 MPC 设计流水线，利用闭环实验数据估计扰动边界并合成鲁棒输出反馈 MPC，在 Gazebo 四旋翼仿真中验证了其鲁棒约束满足和递归可行性。
2025-08-09 cs.RO cs.SY eess.SY
Linear tracking MPC for nonlinear systems Part II: The data-driven case
提出了一种新的数据驱动的模型预测控制（MPC）方法来控制未知的非线性系统仅使用测量的输入输出数据与闭环稳定性保证。我们的计划依赖于数据驱动的系统参数化提供的基本引理Willems等人。我们使用新的输入输出测量在线更新数据，利用本地线性逼近的底层系统。我们证明，我们的MPC计划，这只需要解决严格凸二次规划在线，确保闭环（实际）收敛到（未知）的最佳可达平衡，跟踪所需的输出参考，同时满足多面体输入约束。作为中间结果的独立利益，我们扩展的基本引理仿射系统，我们得到新的鲁棒性界w.r.t.噪声数据的开环最优控制问题，这是直接转移到其他数据驱动的MPC计划在文献中。我们的方法的适用性示出了一个连续搅拌釜式反应器的数值应用。
2022-04-14 cs.SY eess.SY math.OC
Varying Horizon Learning Economic MPC With Unknown Costs of Disturbed Nonlinear Systems
本文提出一种无需终端约束的变时域经济模型预测控制方案，利用混合核回归学习重构未知成本，通过在线迭代自适应调整时域并设计收缩约束确保系统稳定，仿真验证了其在鲁棒性和计算效率上的优势。
2025-09-15 cs.SY eess.SY
Output Feedback Stochastic MPC with Hard Input Constraints
针对受高斯扰动和测量噪声影响的约束线性系统，提出一种结合卡尔曼滤波与管道约束收紧的输出反馈随机模型预测控制方法，可保证不可行率低于指定容差，并通过仿真验证其优于经典方法。
2023-11-28 cs.SY eess.SY
Closed-loop Analysis of ADMM-based Suboptimal Linear Model Predictive Control
针对最优控制应用的实时计算约束问题，提出基于ADMM的次优线性MPC方案，将问题拆分为带解析解的无约束最优控制迭代更新与无动力学可行性步骤，结合热启动实现系统渐近稳定与递归可行性。
2024-12-13 cs.SY eess.SY math.OC
Stochastic MPC with Dynamic Feedback Gain Selection and Discounted Probabilistic Constraints
考虑具有附加扰动的线性离散时间系统，设计了一种模型预测控制（MPC）律，该控制律在单次机会约束下引入动态反馈增益，以最小化二次型代价函数。在线选择反馈增益，我们提供了两种选择方法的基础上最小化预测成本的上限。机会约束被定义为一个无限水平上的违反概率的折扣和。通过惩罚违规概率接近初始时间和分配违规概率在遥远的未来与消失的小权重，这种形式的约束允许MPC法律与保证递归的可行性，而没有有界性假设的干扰。一个计算方便的MPC优化问题，制定使用切比雪夫不等式，我们引入了在线约束收紧技术，以确保递归的可行性。保证闭环系统满足机会约束和二次稳定性条件。通过动态反馈增益选择，降低了闭环系统的代价，并减小了切比雪夫不等式的保守性。此外，可以获得更大的可行初始条件集。数值模拟显示这些结果。
2021-05-26 cs.SY eess.SY math.OC
Scalable Distributed Learning-Based MPC for Heterogeneous Consumer-Prosumer Building Aggregations: MPC-Aware Feature Selection and Convex Constraint-Coupled Optimization
University College London（伦敦大学学院）
提出一种数据驱动框架，通过MPC感知的特征选择、输入凸编码器-仅变换器（IC-EoT）建模和跟踪ADMM分布式求解，实现异构建筑聚合的实时协调需求响应。
2026-09-29 cs.SY eess.SY
Constraint Removal for MPC with Performance Preservation and a Hyperthermia Cancer Treatment Case Study
本文针对MPC中大量状态约束导致计算负担过重的问题，提出一种约束自适应MPC框架，通过每步选择部分约束并利用可达集计算，在保证闭环性能、递归可行性和约束满足不变的前提下，将热疗癌症治疗案例的计算时间降低两个数量级。
2024-10-23 cs.SY eess.SY math.OC
Data-driven Dynamic Multi-objective Optimal Control: An Aspiration-satisfying Reinforcement Learning Approach
本文提出了一种数据驱动的迭代算法，用于求解非线性连续时间系统的动态多目标最优控制问题。它首先表明，对应于每个目标的哈密顿功能可以利用比较性能的容许政策。哈密顿不等式，然后使用，他们的满意度保证满足目标的愿望。然后提出了一个满足期望的动态优化框架，在满足其他目标期望的同时优化主目标。关系满意（足够好）的决策框架。基于平方和（SOS）的迭代算法来解决制定的愿望满足MO优化。为了满足系统动力学完全知识的要求，提出了一种数据驱动的满意强化学习方法，在不完全了解系统动力学的情况下，仅利用一段时间内测量的系统轨迹信息实时求解SOS优化问题.最后通过两个仿真实例验证了该算法的有效性。
2021-01-22 cs.SY eess.SY math.OC
Guaranteed Robust Nonlinear MPC via Disturbance Feedback
Institute for Dynamic Systems and Control（动态系统与控制研究所）
本文提出一种基于扰动反馈的鲁棒非线性MPC方法，通过将不确定系统分解为标称模型、扰动反馈控制器和误差界并利用序贯凸规划联合优化，在保证鲁棒约束满足、ISS和递归可行性的同时实现快速实时求解，并在火箭着陆等任务中验证。
2025-09-23 cs.RO cs.SY eess.SY
Safe Navigation with Zonotopic Tubes: An Elastic Tube-based MPC Framework
Michigan State University（密歇根州立大学）
本文提出了一种基于弹性管的MPC框架，通过自适应设计确保鲁棒正不变性，提高系统鲁棒性和安全性。
2025-12-24 cs.SY eess.SY
Data-driven distributionally robust MPC for systems with uncertain dynamics
针对未知离散线性定常系统受未知和可能无界的附加不确定性影响的问题，提出了一种新的数据驱动分布鲁棒模型预测控制方法.我们使用离线收集的数据和动力学的近似模型，制定一个有限时间的最优化问题。为了考虑到与动态和干扰作用于系统的不确定性，我们诉诸于一个分布鲁棒的制定，优化成本预期，同时满足条件风险价值约束的最坏情况下的概率分布的不确定性内的模糊度定义使用Wasserstein度量。利用分布鲁棒优化文献的结果，我们得到了一个易于处理的有限维凸优化问题，有限样本保证类凸分段仿射成本和约束函数。一个简单的数值例子上的闭环仿真证明了所提出的算法的性能。
2022-09-19 cs.SY eess.SY math.OC
Reservoir computing for system identification and predictive control with limited data
University of Washington（华盛顿大学）
本文评估递归神经网络变体在有限数据下学习系统动力学并作为模型预测控制替代模型的能力，发现回声状态网络在计算复杂度、预测时长和控制成本上均具优势。
2024-10-23 cs.LG cs.SY eess.SY
The Feasibility Theory of Constrained Reinforcement Learning: A Tutorial Study
Tsinghua University（清华大学）；University of California, Berkeley（加州大学伯克利分校）；Carnegie Mellon University（卡内基梅隆大学）
本文提出适用于模型预测控制与强化学习的可行性理论，通过分离策略求解与实施时间域，定义初始和无限状态可行性，分析可行区域的包含关系，并提供虚拟时间约束设计规则和可行性函数工具。
2026-01-29 cs.SY eess.SY
An Efficient MPC Algorithm For Switched Systems with Minimum Dwell Time Constraints
针对具有最小停留时间约束的非线性切换系统，提出了一种有效的次优模型预测控制算法。虽然由于稳定性、功率和机械限制，大多数物理系统都需要MTC，但使用MTC的MPC最优化问题具有挑战性。为了有效地解决这些问题，在线MPC最优化问题被分解成一系列更简单的问题，其中包括两个非线性规划（NLP）和舍入步骤，典型地在混合整数最优控制（MIOC）。与经典的方法，嵌入MTC在一个混合整数线性规划（MILP）与组合约束的舍入步骤，我们的建议是嵌入MTC的NLP使用移动块。这样的配方可以加快在线计算采用最近的移动阻塞算法的NLP问题，并通过使用一个简单的总和舍入（SUR）的舍入步骤的方法。给出了舍入步长下整数逼近误差的一个明确的上界。此外，结合收缩和滚动时域的策略，以满足闭环MTC。使用$l$步控制不变（$l$ -CI）集证明了递归可行性，其中$l$是最小停留时间步长。本文还给出了一种离线计算切换线性系的$l$ -CI集的算法。数值研究表明，显着的速度和可比的控制性能的建议MPC算法对经典的方法，虽然在次最优解的成本。
2022-02-15 cs.SY eess.SY math.OC
Adaptive MPC under Time Varying Uncertainty: Robust and Stochastic
研究了约束不确定系统的自适应模型预测控制策略。考虑一个线性系统，存在有界时变附加不确定性。将不确定性解耦为具有已知界限的过程噪声和我们希望识别的时变偏移的总和。假设时变偏移不确定性在时间上逐点未知。它的域，称为可行参数集，和它的最大变化率是已知的控制设计者。随着新的数据变得可用，我们使用已知的过程噪声界限，用基于集成员方法的方法来改进可行参数集。我们考虑两个独立的情况下，系统状态的鲁棒性和概率约束，执行器输入的硬约束。在这两种情况下，我们鲁棒地满足可行参数集中偏移不确定性的所有可能值的约束。通过施加适当的终端条件，我们证明了所提出的算法的递归可行性和稳定性。所提出的鲁棒和随机自适应MPC算法的有效性与详细的数值例子说明。
2021-04-11 cs.SY eess.SY
i2LQR: Iterative LQR for Iterative Tasks in Dynamic Environments
University of California, Berkeley（加州大学伯克利分校）；Xi’an Jiaotong University（西安交通大学）；Shanghai Jiao Tong University（上海交通大学）；University of Minnesota-Twin Cities（明尼苏达大学双城分校）
本文提出 i2LQR 控制策略，利用历史数据在每个时间戳迭代求解最优解，以提升动态环境中迭代任务的闭环性能，仿真表明其在静态环境中媲美 LMPC，在动态环境中表现更优。
2023-09-06 cs.RO cs.SY eess.SY
Recursive feasibility for stochastic MPC and the rationale behind fixing flat tires
针对无界扰动下的线性系统，提出基于实测状态初始化的随机模型预测控制方案，通过椭球概率可达集与约束松弛保证递推可行性，并证明松弛需求随时间消失，优于开环初始化方案。
2025-04-24 cs.SY eess.SY math.OC
Iterative Semi-parametric Dynamics Model Learning For Autonomous Racing
Munich Electrification（慕尼黑电气化公司）；Arrival（Arrival公司）；The University of Edinburgh（爱丁堡大学）
精确的机器人动力学建模对于安全高效的运动控制至关重要。在本文中，我们开发和应用迭代学习半参数模型，与神经网络，自主赛车的任务与模型预测控制器（MPC）。我们提出了一种新的非线性半参数动力学模型，我们表示已知的动态与参数模型，和一个神经网络捕捉未知的动态。我们表明，我们的模型可以比纯参数模型更准确地学习，并且比纯非参数模型更好地泛化，这使得它非常适合从完整状态空间收集数据不可行的现实应用。我们提出了一个系统，该模型是自举的预先记录的数据，然后在运行时间迭代更新。然后，我们将我们的迭代学习方法应用于自动驾驶赛车的模拟问题，并表明它可以安全地在线适应修改后的动力学，甚至比手动驾驶数据训练的模型具有更好的性能。
2020-11-17 cs.LG cs.RO cs.SY
RAMP-Net: A Robust Adaptive MPC for Quadrotors via Physics-informed Neural Network
Purdue University（普渡大学）
模型预测控制（MPC）是一种需要迭代求解硬约束优化问题的SOTA控制技术。对于不确定动态，基于解析模型的鲁棒MPC施加了额外的约束，增加了问题的难度。在性能关键型应用程序中，当需要在更短的时间内进行更多计算时，该问题会加剧。数据驱动的回归方法，如神经网络，在过去已经提出了近似系统动态。然而，这样的模型依赖于大量的标记数据，在没有符号分析先验的情况下。这会带来不小的培训开销。物理信息神经网络（PINN）在逼近非线性常微分方程组（ODE）方面获得了广泛的应用，并具有合理的精度。在这项工作中，我们提出了一个鲁棒自适应MPC框架通过PINN（RAMP-Net），它使用一个神经网络训练部分从简单的ODE和部分从数据。物理损失用于学习表示理想动力学的简单常微分方程。访问损失函数内部的分析函数充当正则化器，针对参数不确定性实施鲁棒行为。另一方面，常规数据丢失用于适应在数学建模期间未考虑的残余干扰（非参数不确定性）。在仿真环境中进行了四旋翼飞行器轨迹跟踪实验。我们报告7.8%至43.2%和8.04%至61.5%的速度范围从0.5至1.75米/秒的跟踪误差减少相比，两个SOTA回归基于MPC方法。
2023-02-24 cs.AI cs.RO cs.SY
Ensemble Kalman Inversion for Constrained Nonlinear MPC: An ADMM-Splitting Approach
University of Texas at Austin（德克萨斯大学奥斯汀分校）；University of Washington（华盛顿大学）
本文提出了一种基于ADMM的集合卡尔曼反演算法，用于解决带约束的非线性模型预测控制问题，通过引入非负松弛变量将阶段性非线性不等约束嵌入，并利用贝叶斯解释实现求解。
2026-03-24 cs.SY eess.SY math.OC
Model Predictive Control with Reach-avoid Analysis
本文提出一种基于可达-规避分析的模型预测控制方法，通过连续可达-规避集替代离散状态，避免混合整数优化，实现高效的最优控制器综合。
2023-06-21 cs.SY eess.SY math.OC
