Learning the Integral Quadratic Constraints on Plant-Model Mismatch
针对鲁棒控制中难以准确描述的被控对象-模型失配问题，提出基于单类支持向量机从采样轨迹学习积分二次约束参数的数据驱动方法，并经实验证明其能准确恢复频域不确定性。
2025-02-03 cs.SY eess.SY
Stability-Certified Koopman Observer Design for Nonlinear Systems via Generalized Persidskii Dynamics
College of Engineering and Physical Sciences, Khalifa University（卡利亚法大学工程与物理科学学院）
本文提出基于广义Persidskii系统的Koopman观测器设计方法，通过线性矩阵不等式认证观测误差的输入到状态稳定性，实验证明其在估计精度和鲁棒性上优于扩展卡尔曼滤波和线性Koopman观测器。
2026-05-08 cs.SY eess.SY
Discounted MPC and infinite-horizon optimal control under plant-model mismatch: Stability and suboptimality
University of Melbourne（墨尔本大学）；Université de Lorraine, CNRS, CRAN（洛林大学、法国国家科学研究中心、CRAN）；Technische Universität Ilmenau（埃尔福特工业大学）
研究MPC和无限时间最优控制在使用与真实系统不同的代理模型下的闭环稳定性与次优性，分析有限和无限时间问题，揭示时间长度、折扣率与模型不匹配之间的权衡。
2026-04-09 cs.SY eess.SY math.OC
Online Feedback Optimization of Compressor Stations with Model Adaptation using Gaussian Process Regression
在线反馈优化是一种用于将过程工厂的操作引导到其最优操作点而无需显式求解非线性约束优化问题的方法。这是通过利用线性工厂模型和测量反馈来实现的。然而，当使用这种方法时，工厂模型失配的存在导致次优结果。学习对象模型不匹配使得在线反馈优化能够克服这一缺点。在这项工作中，我们提出了一个新的应用程序的在线反馈优化与在线模型自适应高斯过程回归。我们展示了我们的方法与现实的负载分配问题，在压缩机站的参数和结构工厂模型不匹配。我们假设不完善的压缩机地图的知识和设计一个在线反馈优化控制器，最大限度地减少压缩机站的功耗。在评估的情况下，不完善的知识的工厂导致5%的功耗增加相比，完美的知识的情况下。我们证明，在线反馈优化与模型自适应减少这种增长只有0.8%，接近完美的知识的工厂的情况下，无论类型的不匹配。
2022-12-07 cs.SY eess.SY
Offset-free model predictive control: stability under plant-model mismatch
针对非线性无静差MPC长期依赖闭环稳定性假设的问题，本文提出含鲁棒状态与扰动估计器的设计，证明其在模型失配和持续扰动下的稳定性、无静差性能及鲁棒性。
2025-09-01 cs.SY eess.SY math.OC
Beyond inherent robustness: strong stability of MPC despite plant-model mismatch
本研究针对失配下原点仍为稳态的问题，突破MPC固有鲁棒性仅收敛到原点邻域的局限，分别针对二次代价和一般代价MPC给出失配下的稳定性证明，通过仿真验证，相关工具可解决无静差MPC稳定性这一开放问题。
2025-05-19 cs.SY eess.SY math.OC
Model life extension for continuous process: Non-invasive correction of model-plant mismatch with regularization
针对模型预测控制中模型老化导致的性能退化，提出模型寿命延长（MLE）概念，利用L1正则化回归和交叉验证非侵入式更新模型，校正静态增益与传输延迟失配。
2023-05-12 cs.SY eess.SY physics.data-an
DeePC vs. Koopman MPC for Pasteurization: A Comparative Study
Czech Technical University in Prague（布拉格捷克理工大学）；Slovak University of Technology in Bratislava（布拉迪斯拉发斯洛伐克科技大学）
本文比较了DeePC与Koopman MPC在多变量过程控制中的性能，发现两者在约束控制和跟踪误差上表现相近，但Koopman MPC在选定成本下跟踪更紧密，而DeePC产生更平滑的输入轨迹。
2026-04-01 cs.SY eess.SY
Input-to-State Stability Certification via Projection Residuals for Koopman Learning Control of Nonlinear Repetitive Systems
School of Automation, Xi’an Jiaotong University（西安交通大学自动化学院）；Xinjiang Cigarette Factory, Hongyun Honghe Tobacco (Group) Co., Ltd.（新疆卷烟厂，红云红河烟草（集团）有限责任公司）
研究未知离散时间非线性重复系统数据驱动柯普曼学习控制的输入到状态稳定性认证，通过将堆叠跟踪误差设为系统状态，考虑多种因素为ISS输入，给出确定性结果与有限样本实现，数值检验支持相关特性。
2026-07-08 cs.SY eess.SY
Deep Neural Koopman Operator-based Economic Model Predictive Control of Shipboard Carbon Capture System
Nanyang Technological University（南洋理工大学）；School of Chemistry, Chemical Engineering and Biotechnology（化学、化学工程与生物技术学院）；Nanyang Environment & Water Research Institute (NEWRI)（南洋环境与水研究所）
针对船载碳捕获系统，提出基于Koopman框架的深度神经Koopman算子建模与经济预测控制方法，所建时变参数模型可基于部分状态预测成本与输出，相关凸优化问题在线求解高效，在四种工况下显著提升经济性能与碳捕获率并保证安全运行。
2025-04-12 cs.LG cs.SY eess.SY
Closed-Loop Koopman Operator Approximation
McGill University（麦吉尔大学）
针对不稳定等系统难以开环辨识的问题，提出一种利用已知控制器和闭环结构同时辨识闭环与被控对象 Koopman 模型的方法，并通过 Duffing 振子仿真与旋转倒立摆实验验证。
2024-05-01 cs.LG cs.SY eess.SY
Improving Cooperative Adaptive Cruise Control Robustness to Parametric Uncertainty via Plant Equivalent Controller Realizations
Eindhoven University of Technology（埃因霍温理工大学）；Singapore University of Technology and Design（新加坡科技设计大学）
本文提出通过优化植物等效控制器实现CACC在参数不确定性下的鲁棒性提升，采用凸优化方法确保稳定性和性能。
2026-09-10 cs.SY eess.SY
Koopman-Based Nonlinear Identification and Model Predictive Control of a Turbofan Engine
University of Defence（国防大学）
本文提出基于Koopman算子的涡轮风扇发动机多变量控制方法，开发了物理基础组件级模型生成训练数据并验证控制器，采用改进的动态模式分解算法构建单个Koopman模型，设计两种控制器在不同飞行条件下评估性能，证明了Koopman模型在不同控制策略中的灵活性和AKMPC的鲁棒性优势。
2026-10-12 cs.LG cs.SY eess.SY
Deep Koopman Economic Model Predictive Control of a Pasteurisation Unit
Slovak University of Technology in Bratislava, Institute of Information Engineering, Automation, and Mathematics（斯洛伐克布拉迪斯拉发工业大学，信息工程、自动化与数学研究所）；Czech Technical University, Department of Control Engineering（捷克技术大学，控制工程系）
本文提出基于深度Koopman的经济模型预测控制方法，用于高效操作实验室规模的巴氏杀菌单元。通过Koopman算子理论将非线性系统转化为线性表示，结合可解释的经济成本，如能耗、物料损失和执行器磨损，实现资源高效控制。
2025-11-06 cs.AI cs.LG cs.SY
Data-driven Predictive Tracking Control based on Koopman Operators
The University of Melbourne（墨尔本大学）
针对数据驱动非线性系统控制的约束处理难题，结合神经网络与Koopman算子构建带约束收紧的KTMPC框架，证明其稳定性与可行性，并通过数值算例和自主地面车辆跟踪任务验证效果。
2023-10-04 cs.RO cs.SY eess.SY
Data-to-Certificates (D2C): Koopman Supereigenfunctions for Stability, Safety, and Control
Clemson University（克莱姆森大学）
本文提出数据到证书（D2C）范式，直接学习Koopman超特征函数作为不等式证书，用于稳定性、安全性和控制，并通过几何与预解式方法实现数据驱动认证。
2026-10-02 cs.SY eess.SY math.OC
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
Safety-Constrained Optimal Control and Hamiltonian-Gradient Learning for Systems with Unknown Dynamics
Cornell University（康奈尔大学）
本文提出了解决连续最优控制问题的框架，当真实系统动态通过不完美的模型近似时。通过将Pontryagin极小原理应用于基于模型的哈密顿函数，引入了捕捉模型与真实系统偏差的惩罚项，并在弱凸性假设下推导出模型策略与真实系统最优策略一致的条件，通过真实机器人平台验证了该框架。
2026-09-29 cs.SY eess.SY
Deep Bilinear Koopman Model for Real-Time Vehicle Control in Frenet Frame
Department of Mechanical and Aerospace Engineering, University of California Davis（加州大学戴维斯分校机械与航空航天工程系）
本文提出深度双线性库普曼模型，在Frenet坐标系中同时学习库普曼算子与不变子空间，并结合累积误差调节器实现车辆实时MPC控制，经硬件在环实验验证显著降低跟踪误差。
2025-07-16 cs.LG cs.RO cs.SY
Gramians for a New Class of Nonlinear Control Systems Using Koopman and a Novel Generalized SVD
Brigham Young University（杨百翰大学）
本文提出基于广义SVD的Gramians构造方法，解决非线性系统降阶中输入能量度量不匹配问题，通过点wise norm-preserving输入映射保持因果性并计算可计算的H∞误差证书。
2026-04-05 cs.SY eess.SY math.OC
Scalable Data-Driven Reachability Analysis and Control via Koopman Operators with Conformal Coverage Guarantees
Georgia Institute of Technology（佐治亚理工学院）；School of ECE（电子工程学院）；Schools of Cybersecurity & Privacy & Aerospace Eng（网络安全与隐私及航空航天工程学院）
本文提出基于Koopman算子的可扩展数据驱动可达性分析与控制方法，通过符合预测保证系统覆盖，提升高维任务的可达集覆盖率和计算效率。
2026-01-03 cs.AI cs.LG cs.RO
Physically Analyzable AI-Based Nonlinear Platoon Dynamics Modeling During Traffic Oscillation: A Koopman Approach
University of Wisconsin（威斯康星大学）；Texas A&M University（德克萨斯农工大学）
针对交通振荡下非线性车队动力学建模兼顾精度与物理可分析性的难题，提出基于AI的Koopman方法，通过深度学习嵌入空间将动力学线性化，兼具数据驱动精度与模型可分析性，实验验证了其精度与动态复现、稳定性分析能力。
2024-06-20 cs.AI cs.SY eess.SY
Residual-Conservative Model Predictive Path Integral Control
Department of Mechanical and Nuclear Engineering, Tennessee Technological University（机械与核工程系，田纳西技术大学）；School of Engineering, Department of Electrical and Computer Engineering, Mercer University（工程学院，电气与计算机工程系，梅里尔大学）
针对基于采样的模型预测控制方法中固定约束惩罚不适应模型与实际不匹配的问题，提出RC-MPPI框架，结合残差依赖约束收紧等三种机制，通过温度自适应等方式，在模型不匹配时降低约束违反概率，提升控制效果。
2026-07-09 cs.RO cs.SY eess.SY
Data-Driven Dead-Zone Compensation via Projection in Predictive Control Setting
Institute of Mechanical and Electrical Engineering, University of Southern Denmark（南丹麦大学机电工程学院）
本文针对运动控制中执行器死区导致的稳态偏移或极限环问题，提出一种数据驱动架构，通过并行辨识绝对子空间预测器并结合正交投影补偿死区，在Quanser扭转系统和功率放大器上验证了有效性。
2026-07-31 cs.SY eess.SY
Learning Model Predictive Control Parameters via Bayesian Optimization for Battery Fast Charging
Technical University of Darmstadt（达姆施塔特工业大学）；Massachusetts Institute of Technology（麻省理工学院）
针对模型预测控制参数调整中因模型与实际对象不匹配导致的性能与安全问题，提出基于贝叶斯优化的分层控制框架，高效学习模型参数与约束回退项，在确保电池安全运行的同时最大化快速充电的闭环性能。
2024-04-09 cs.LG cs.SY eess.SY
Iterative Learning Control of the Cooling Rate in a Dual-Laser Powder Bed Fusion Process
University of British Columbia（不列颠哥伦比亚大学）
针对双激光LPBF工艺，提出基于优化的迭代学习控制器，结合仿真与实验校正参数误差，将设备成本降低超一个数量级。
2026-09-25 cs.SY eess.SY
Learning disturbance models for offset-free reference tracking
提出一种在线学习状态与指令相关非线性扰动模型的控制框架，可在给定未来参考样本等条件下实现时变轨迹的渐近无偏差跟踪，并在仿真中优于恒定扰动模型。
2025-09-02 cs.SY eess.SY
Reduction-Based Robustness Analysis of Linear Predictor Feedback for Distributed Input Delays
Saint Petersburg State University（圣彼得堡国立大学）
本文利用Lyapunov-Krasovskii方法，基于Manitius和Olbrot的反馈设计，研究线性时不变系统在分布式输入延迟下的参数和延迟鲁棒性，通过Artstein的系统降维技术设计函数，证明轻微系统矩阵和延迟值不匹配时反馈的稳定性。
2015-05-10 cs.SY eess.SY math.OC
A Model-Predictive Control Method for Coordinating Virtual Power Plants and Packetized Resources, with Hardware-in-the-Loop Validation
本文提出一种基于双层控制系统的模型预测控制（MPC）方法，通过协调数据包化能量管理下的分布式能源和虚拟电厂（VPP）以平衡功率干扰。该方法考虑VPP能量状态进行最优调度，有效避免了传统AGC方案导致的容量饱和问题，并在硬件在环平台上验证了其动态性能的显著提升。
2019-01-12 cs.SY eess.SY math.OC
Data-driven model predictive control of battery storage units
针对电池储能动态显式建模困难的问题，本文提出基于输入/输出数据的线性与输入非线性经济 MPC 方案，后者通过提升预测精度取得更优控制效果。
2024-07-06 cs.SY eess.SY
Robust offset-free nonlinear model predictive control for systems learned by neural nonlinear autoregressive exogenous models
本文针对NNARX模型描述的系统，提出一种结合δISS训练约束、显式积分作用和管道MPC的鲁棒无偏预测控制方案，实现恒定参考信号下的鲁棒零误差跟踪，并通过水加热系统仿真验证其有效性。
2023-08-11 cs.SY eess.SY
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
Green Hydrogen Plant: Optimal control strategies for integrated hydrogen storage and power generation with wind energy
风能和太阳能等可再生能源的间歇性导致能源供应的可预测性较低，从而导致电网中可能出现不匹配。为此，氢的生产和储存可以通过增加系统内的灵活性来提供解决方案。储存的氢气可以转化为电能，也可以用作工业原料、建筑环境的供暖以及车辆燃料。本研究探讨了运营由可再生能源生产和储氢组成的综合能源系统的最佳策略。使用马尔可夫决策过程理论，我们构建了最佳的政策，每天的决策，有多少能量存储为氢，或购买或出售给电力市场，以及有多少氢出售作为天然气使用。我们特别重视实际环境，例如具有合同约束力的购电协议、不同的电价、不同的分销渠道、绿色氢气承购协议以及氢气市场价格的不确定性。广泛的实验和分析进行的背景下，荷兰北部，欧洲的第一个氢谷正在形成。结果表明，通过引入储氢装置和具有竞争力的氢气市场价格，可以实现高达51%的运营收入大幅增长。这相当于4.5兆瓦风力涡轮机每年每台涡轮机的收入增加\euro 126，000英镑。此外，我们的研究结果表明，氢气供应协议对于保持能源转型的正常进行至关重要。
2021-08-01 cs.SY eess.SY math.OC
Safe Learning-Based Optimization of Model Predictive Control: Application to Battery Fast-Charging
Technical University of Darmstadt（达姆施塔特工业大学）；Massachusetts Institute of Technology（麻省理工学院）
针对模型预测控制存在模型不确定性与代价函数设计难的问题，提出结合安全贝叶斯优化的方法，通过径向基函数网络参数化代价函数、多回合学习调优控制器，在电池快充仿真中验证了其在失配场景下保安全且缩短充电时间的效果。
2024-10-07 cs.LG cs.SY eess.SY
Stochastic data-driven model predictive control using Gaussian processes
Norwegian University of Science and Technology（挪威科技大学）；Imperial College London（帝国理工学院）；University of Manchester（曼彻斯特大学）
非线性模型预测控制（NMPC）是为数不多的能够处理多变量非线性系统的控制方法之一。高斯过程（GPs）是一种强有力的工具来识别所需的对象模型和量化对象模型失配的残余不确定性。考虑这种不确定性是至关重要的，因为它可能导致更差的控制性能和约束违反。在本文中，我们提出了一种新的方法来设计一个基于GP的NMPC算法的有限时域控制问题。该方法产生的蒙特卡洛样本的GP离线约束tightening使用回退。然后，收紧的约束保证在线满足机会约束。我们所提出的方法的优点包括快速在线评估，考虑闭环行为，并考虑在线学习和状态依赖的不确定性，以减轻保守性的可能性。该算法是一个具有挑战性的半批生物过程的案例研究进行了验证。
2020-05-24 cs.LG cs.SY eess.SY
Cloud-Assisted Nonlinear Model Predictive Control for Finite-Duration Tasks
云计算通过提供强大的计算和存储能力为控制应用创造了新的可能性。在本文中，我们提出了一种新的云辅助模型预测控制（MPC）框架，在该框架中，我们系统地融合云MPC，使用高保真非线性模型，但受到通信延迟与本地MPC，利用简化的动态（由于有限的计算），但及时反馈。与传统的基于云的控制不同，将云视为网络系统控制设置中功能强大，远程和唯一的控制器，所提出的框架旨在无缝集成两个控制器以增强性能。特别是，我们正式的融合问题，明确考虑模型的不匹配和错误，由于请求-响应通信延迟的有限持续时间的任务。我们分析了所提出的云辅助MPC框架的稳定性，并建立了在此框架内鲁棒处理约束的方法，尽管工厂模型不匹配和干扰。一个融合方案，然后开发，以提高控制性能，同时满足稳定性的条件下，其功效与多个仿真例子，其中包括汽车控制的例子，以显示其工业应用潜力。
2021-06-20 cs.SY eess.SY math.OC
Suboptimal and Reduced-Order MPC via Timescale Separation
University of Bologna（博洛尼亚大学）
提出一种通用框架，通过次优控制计算和降阶模型，结合采样时间设计，利用时间尺度分离分析闭环稳定性，保证递归可行性和指数稳定。
2026-07-22 cs.SY eess.SY math.OC
Development of a velocity form for a class of RNNs, with application to offset-free nonlinear MPC design
Politecnico di Milano（米兰理工大学）；Istituto di Sistemi e Tecnologie Industriali Intelligenti per il Manifatturiero Avanzato, Consiglio Nazionale delle Ricerche（意大利国家研究理事会先进制造智能工业系统与技术研究所）
本文提出了一种RNN类的速率形式模型，用于设计无偏非线性MPC，以应对非线性系统中的恒定扰动和模型-被控对象不匹配问题。
2025-11-19 cs.SY eess.SY
Surrogate Empowered Sim2Real Transfer of Deep Reinforcement Learning for ORC Superheat Control
Zhejiang University（浙江大学）；University of Alberta（阿尔伯塔大学）；Huzhou University（湖州师范大学）；Chung-Yuan Christian University（中原大学）
本文针对 ORC 过热度控制中 DRL 直接应用的安全风险与模型失配泛化不足问题，提出基于 Sim2Real 迁移学习的 DRL 控制方法，实验证明其能显著提升训练速度并改善多工况泛化性能。
2023-08-05 cs.AI cs.SY eess.SY
History, Adaptation, and Hidden Gain: Two Prospective Tests of Learned Predictive Control in a Synthetic Neural Population
Aston University（阿斯顿大学）
该研究针对合成神经群体的学习型预测控制，通过两项前瞻性测试发现，单参数在线增益估计可解释基于历史的网络与完全适配ARX的大部分性能差距及预测-控制不匹配问题。
2026-10-14 cs.LG cs.SY eess.SY
Tube-based Distributionally Robust Model Predictive Control for Nonlinear Process Systems via Linearization
模型预测控制（MPC）是一种有效的控制多变量动态系统的约束。然而，大多数真实的动态模型受到工厂模型失配和过程不确定性的影响，这可能导致闭环性能恶化和约束违反。已经提出了诸如随机MPC（SMPC）的方法来缓解这些问题;然而，如果实际系统偏离在控制器设计期间做出的假设干扰分布，则所得到的闭环状态轨迹仍然可能显著违反规定的约束。在这项工作中，我们提出了一种新的数据驱动的分布鲁棒预测控制方案的非线性系统。不同于SMPC，这需要确切的知识的干扰分布，我们的计划决定的控制行动相对于最坏的分布从分布模糊集。该模糊集被定义为以经验分布为中心的Wasserstein球。由于潜在的模型误差，导致偏移，该计划还扩展了利用无偏移的方法。通过非线性质量弹簧系统和非线性CSTR反应器的实例研究，验证了该控制方案的有效性。
2022-11-26 cs.SY eess.SY math.OC
Robust Parametrization of a Model Predictive Controller for a CNC Machining Center Using Bayesian Optimization
诸如模型预测控制（MPC）和状态估计器的控制算法依赖于多个不同的参数。闭环的性能通常取决于这些参数的正确设置。调整通常由专家基于系统的仿真模型手动完成。这一程序产生了两个问题。首先，专家需要熟练，并且仍然可能无法找到最佳参数化。其次，由于仿真中的模型不准确，仿真模型的性能可能无法转移到现实世界的应用程序中。有了这个贡献，我们演示了工业铣削过程中贝叶斯优化如何自动化的调整过程，并帮助解决上述问题。鲁棒参数化是确保扰动的模拟与任意分布的模型植物失配。目标是最小化期望的积分参考跟踪误差，保证可接受的最坏情况下的行为，同时保持实时能力。这些口头要求被转化为受约束的随机混合整数黑箱优化问题。一个两阶段的最小-最大型贝叶斯优化程序的开发和比较基准算法在数控加工中心的仿真研究。它展示了如何通过贝叶斯优化获得的经验性能模型可以用来分析和可视化的结果。结果表明，优越的性能的情况下，只有标称模型用于控制器合成。优化后的参数化显著改善了初始手动调整的参数化。
2020-10-14 cs.SY eess.SY
Physics-Informed Predictive Control for Integrated Electric-Vehicle Thermal Management: An Open, Real-Data-Anchored Benchmark
McGill University（麦吉尔大学）
提出OpenEV-ThermoSciML开放基准，集成电池、座舱、热泵和CO₂模型，基于真实驾驶循环和天气数据，开发物理信息Sci-ML代理模型，实现多目标优化，并在真实热天场景下验证了显著改进。
2026-06-23 cs.SY eess.SY
Online learning-based Model Predictive Control with Gaussian Process Models and Stability Guarantees
Otto-von-Guericke-University（奥托·冯·格里克大学）；Universidad de Sevilla（塞维利亚大学）
模型预测控制允许以约束满足的形式提供高性能和安全保证。然而，只有当用于预测的受控过程的基础模型足够准确时，这些性质才能得到满足。解决这一挑战的单向式方法之一是通过数据驱动和机器学习方法，例如高斯过程，允许在操作期间在线优化模型。我们提出了一个组合的输出反馈模型预测控制计划和高斯过程为基础的预测模型，能够有效的在线学习。为此，进化高斯过程的概念与递归后验预测更新相结合。所提出的方法保证了递归约束满足和输入到状态稳定性的模型-植物不匹配。仿真研究表明，高斯过程预测模型可以成功有效地在线学习。通过结合递归更新过程和限制训练数据点的数量，同时保持良好的性能，从而显着降低了计算负荷。
2020-12-01 cs.LG cs.SY eess.SY
Hydrogen-Diesel Dual-Fuel Engine Operation Using Real-Time GRU-Based Nonlinear Model Predictive Control
RWTH Aachen University（亚琛工业大学）；University of Alberta（阿尔伯塔大学）
本研究提出基于GRU神经网络动力学的非线性模型预测控制，用于氢-柴油双燃料发动机瞬态控制，在99,800循环训练后，实验显示负载跟踪误差降低27.8%，PM减少61.1%，峰值氢能份额达77.8%，实现实时约束感知控制。
2026-09-15 cs.SY eess.SY
Model predictive control of agro-hydrological systems based on a two-layer neural network modeling framework
水资源短缺是一个迫切需要解决的问题，通过闭环控制提高灌溉用水效率是必不可少的。然而，复杂的农业水文系统动力学往往在闭环控制应用中提出挑战。在这项工作中，我们提出了一个两层的神经网络（NN）框架来近似农业水文系统的动态。为了最小化预测误差，线性偏差校正被添加到所提出的模型。该模型采用模型预测控制器与区域跟踪（ZMPC），其目的是保持根区土壤水分在目标区域，同时最大限度地减少灌溉总量。与开环和闭环应用的基准长短期记忆（LSTM）模型相比，所提出的近似模型框架的性能更好。与建议的框架实现了显着的计算成本降低的ZMPC。为了处理所提出的神经网络框架的植物模型失配引起的跟踪偏移，提出了一个收缩的目标区域的ZMPC。在噪声和天气干扰的存在下，收缩区的不同的超参数进行了研究，其中的控制性能进行了比较，与时不变的目标区域的ZMPC。
2022-04-27 cs.SY eess.SY math.DS
Robust Model Predictive Longitudinal Position Tracking Control for an Autonomous Vehicle Based on Multiple Models
Mercedes-Benz AG（梅赛德斯-奔驰股份公司）；University of Saarland（萨尔大学）；Technical University of Berlin（柏林工业大学）
这项工作的目的是控制具有内燃机的自动驾驶车辆的纵向位置。动力系统具有固有的死区时间特性，并且对物理状态施加约束，因为车辆既不能任意强地加速，也不能任意快地驾驶。模型预测控制器（MPC）能够处理上述两种系统特性。MPC严重依赖于模型，因此给出了如何通过输入/输出数据系统辨识从加速度数据获得非线性系统的多个线性状态空间预测模型的策略。在车辆动力学的不同区域中识别模型，以获得更准确的预测。仍然存在的被控对象模型失配可以表示为一个附加干扰，它可以通过鲁棒控制理论来处理。因此，修改的模型应用鲁棒MPC跟踪控制理论的描述。然后设计了一个保证鲁棒约束满足和递归可行的控制器。作为下一步，讨论了将控制器应用于多个模型的修改。在这种情况下，提供了一种模型切换策略，并指出了理论和计算的局限性。最后，仿真结果，并讨论，包括系统之间切换时的计算负载。
2020-10-21 cs.RO cs.SY eess.SY
An integrated interpretable control effectiveness learning and nonlinear control allocation methodology for overactuated aircraft
University of Stuttgart, Faculty of Aerospace Engineering and Geodesy, Institute of Flight Mechanics and Control (iFR)（斯图加特大学航空航天工程与大地测量学院飞行力学与控制研究所）
提出一种基于稀疏非线性动力学辨识的学习控制效能映射方法，结合在线自适应机制，实现过驱动飞行器的高效非线性控制分配，兼具可解释性和低计算成本。
2026-10-20 cs.AI cs.RO cs.SY
Equation-Free Coarse Control of Distributed Parameter Systems via Local Neural Operators
Hopkins Extreme Materials Institute and Department of Chemical and Biomolecular Engineering, Johns Hopkins University（霍普金斯极端材料研究所和化学与生物分子工程系，约翰霍普金斯大学）；Dipartimento di Matematica e Applicazioni ”Renato Caccioppoli”, Università degli studi di Napoli Federico II（Renato Caccioppoli数学与应用系，那不勒斯费德里克二世大学）；Department of Chemical and Biomolecular Engineering and Department of Applied Mathematics and Statistics, Johns Hopkins University（化学与生物分子工程系和应用数学与统计学系，约翰霍普金斯大学）
提出一种数据驱动方法，利用局部神经算子学习短时解算子，结合Krylov子空间方法计算稳态和降阶模型，实现无显式粗粒度方程的高维分布式参数系统控制。
2026-05-25 cs.LG cs.NA cs.SY
