Reference Governor for Input-Constrained MPC to Enforce State Constraints at Lower Computational Cost
在本文中，控制方案的基础上开发的输入约束模型预测控制器（MPC）和修改的参考命令，以执行约束的想法，通常的参考总督（RG）。建议的计划，被称为RGMPC，需要优化MPC的输入约束，快速算法存在，并可以处理（可能是非线性的）状态和输入约束。给出的条件，确保递归的RGMPC计划的可行性和有限时间收敛的修改后的命令所需的参考命令。对具有线性和非线性约束的航天器交会机动的仿真结果表明，与具有类似性能的状态和输入约束MPC相比，RGMPC方案具有更低的平均计算时间。
2022-10-20 cs.SY eess.SY
An adaptive MPC scheme for energy-efficient control of building HVAC systems
提出了一种用于控制供暖、通风和空调（HVAC）系统的自主自适应MPC架构，以在降低能耗的同时保持室内温度。尽管设备使用和占用者随时间变化，但现有MPC方法不能够在没有人类专家干预的情况下自动重新学习模型并可靠地计算控制决策。我们力求解决这一弱点。两个主要特征嵌入在所提出的架构中以实现自主性：（i）来自我们先前工作的系统辨识算法，其周期性地从数据重新学习建筑动态和未测量的内部热负荷，而不需要专家重新调整。估计的模型是保证是稳定的，并具有理想的物理性质，无论数据;（ii）一个MPC计划与凸近似的原始非凸问题。规划器使用下降和收敛方法，底层优化问题是可行的和凸的。一个现实的工厂长达一年的模拟表明，所提出的架构的功能-周期性模型和扰动更新和凸化的规划问题-是必不可少的，以获得性能的改善，一个常用的基线控制器。如果没有这些功能，尽管MPC在某些情况下可以优于基线控制器，但其好处可能不足以保证对MPC的投资。
2021-02-07 cs.SY eess.SY
Configuration-Constrained Tube MPC for Difference-of-Convex Nonlinear Systems
IMT School for Advanced Studies Lucca（卢卡高等研究所）；University of Seville（塞维利亚大学）
本文提出一种针对差凸非线性系统的凸管模型预测控制方法，利用配置约束多胞形管和凸方向界，在单个凸规划中联合优化管几何与控制律，保证鲁棒性和收敛性。
2026-09-09 cs.SY eess.SY math.OC
Convex MPC and Thrust Allocation with Deadband for Spacecraft Rendezvous
Instituto Superior Técnico（高等技术学院）；University of Lisbon（里斯本大学）；Institute for Systems and Robotics（系统与机器人研究所）；School of Science and Technology from the NOVA University of Lisbon（里斯本新大学科学与技术学院）；Lusófona University（卢索福纳大学）；GMV（GMV公司）
针对航天器交会中推力器死区导致MPC优化含混合整数约束、计算复杂的问题，提出两种高效逼近最优解的求解算法，耗时远低于标准求解器，适用于实时场景。
2024-06-22 cs.RO cs.SY eess.SY
A Convex Feasibility Approach to Anytime Model Predictive Control
IMT Institute for Advanced Studies Lucca（卢卡高等研究学院）
本文提出一种凸可行性方法，用于任何时间模型预测控制，通过分离性能优化与渐近收敛性，实现终端集收敛，同时根据可用资源优化计算时间，适用于线性MPC和不同终端集类型。
2015-02-27 cs.SY eess.SY
System Level Synthesis-based Robust Model Predictive Control through Convex Inner Approximation
针对具有范数有界附加扰动和模型不确定性的离散线性定常系统，提出了一种鲁棒模型预测控制（MPC）方法。在我们的方法中，在每一个时间步，我们解决了有限时间的鲁棒最优控制问题（OCP），联合搜索的鲁棒线性状态反馈控制器和边界的偏离标称预测轨迹的系统状态。通过利用系统级综合（SLS）框架，建议的鲁棒OCP制定为一个凸二次规划的闭环系统响应的空间。当使用自适应时域策略时，我们证明了所提出的MPC控制器的递归可行性和闭环系统原点的输入到状态稳定性。我们通过数值例子表明，所提出的方法大大降低了保守性相比，现有的基于SLS和基于管的鲁棒MPC方法，同时还享有较低的计算复杂度。
2021-11-10 cs.SY eess.SY
Non-asymptotic Bounds of Learning-based Linear MPC With Input Constraints and Unbounded Stochastic Noise
University of Melbourne（墨尔本大学）
研究基于学习的线性MPC在有输入约束和无界随机噪声时的情况，采用确定性等价设计结合切换MPC控制律与在线RLS参数估计，推导非渐近稳定性界，数值实验验证了理论结果。
2026-07-16 cs.SY eess.SY
Composite-Gradient Learning for Shared Control Authority Between Deep Reinforcement Learning and Model Predictive Control
Delft University of Technology（代尔夫特理工大学）
本文提出复合梯度学习（CGL）方法，将MPC整合进DRL训练过程，通过联合动作表示和交互考虑，在强交互场景下提升控制策略性能，但平均增益有限。
2026-09-17 cs.LG cs.SY eess.SY
Convex Model Predictive Control for Vehicular Systems
本文提出一种基于旋转矩阵轨道ope的凸优化预测控制方法，适用于SO(n)状态空间的系统，无需局部线性化，避免传统方法的缺陷，适用于航空和车辆系统。
2014-10-10 cs.RO cs.SY eess.SY
Exponential stability of data-driven nonlinear MPC based on input/output models
TU Ilmenau（埃尔朗根-纽伦堡工业大学）；University of Pavia（帕维亚大学）；Imperial College London（伦敦帝国理工学院）
针对无终端稳定条件的数据驱动非线性模型预测控制，通过假设指数可镇定性和比例误差界，证明了预测 horizon 足够长时的指数稳定性，并用核插值验证了近似条件。
2026-05-26 cs.SY eess.SY math.OC
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
Tailored max-out networks for learning convex PWQ functions
本文针对基于学习的控制中凸分段二次函数的神经网络表示问题，提出并证明仅含一个隐藏层和两个神经元的最大输出网络即可精确描述任意凸PWQ函数，为网络拓扑选择提供了理论依据。
2022-06-14 cs.LG cs.SY eess.SY
Mixed-Integer MPC-Based Motion Planning Using Hybrid Zonotopes with Tight Relaxations
Department of Mechanical Engineering, The Pennsylvania State University（机械工程系，宾夕法尼亚州立大学）；Penn State Applied Research Laboratory（宾夕法尼亚州立大学应用研究实验室）
本文提出基于混合锥形体的混合整数MPC运动规划方法，通过紧松弛和分支定界求解器高效解决非凸约束问题，实现快速且精确的自动驾驶运动规划。
2024-11-02 cs.RO cs.SY eess.SY
When expectation fails: stochastic MPC of linear systems with random input losses
School of Electrical and Electronic Engineering, University of Sheffield（谢菲尔德大学电气与电子工程学院）
针对乘性二元输入不确定性下的约束线性系统，揭示基于期望的随机MPC在结构性质上的根本缺陷，包括值函数非单调性和吸引域退化，并证明确定性等价MPC在递归可行性上更优。
2026-06-12 cs.SY eess.SY
Efficient Data-Driven MPC for Demand Response of Commercial Buildings
Polytechnique Montreal（蒙特利尔理工学院）；MILA；GERAD；BrainBox AI
本研究针对商业建筑需求响应，提出基于输入凸循环神经网络的混合整数凸数据驱动MPC方法，通过无导数优化求解，在仿真中验证其可兼顾热舒适度提升与能耗、成本降低。
2024-08-15 cs.LG cs.SY eess.SY
Indirect Adaptive Optimal Control in the Presence of Input Saturation
本文提出了一种结合幅值饱和自适应控制（MSAC）和模型预测控制（MPC）的方法来解决具有参数不确定性和输入饱和的线性二次型跟踪最优控制问题。所提出的MSAC-MPC方法首先关注于稳定解和参数估计，并且当参数学习完成时切换到MPC。我们表明，MSAC，高阶调谐器的基础上，导致参数收敛到真值，同时提供稳定性保证。我们还表明，切换到MPC后，最优性差距是明确的，并与参数估计误差成正比。我们证明了建议MSAC-MPC算法的有效性，通过一个数值例子的基础上的线性二阶，两个输入，不稳定系统。
2023-03-10 cs.SY eess.SY math.OC
On the Steady-State Behavior of Finite-Control-Set MPC with an Application to High-Precision Power Amplifiers
针对开关功率放大器的精度要求越来越高的问题，研究了具有有限控制集的离散线性系统的模型预测控制设计问题。通常，FCS-MPC的现有解决方案惩罚输出跟踪误差和控制输入变化率，这可能导致可用离散控制输入之间的任意切换和不可预测的稳态行为。为了改善FCS-MPC的稳态性能，本文设计了一个代价函数，该函数对状态和输入稳态极限环的跟踪误差进行惩罚。我们证明了，如果一个合适的终端成本添加到FCS-MPC算法收敛到极限环的保证。所开发的方法在用于高精度运动系统的功率放大器的直接开关控制中得到验证，其中它显著地改善了稳态输出电流纹波。
2022-05-31 cs.SY eess.SY
Neural Network-Assisted Model Predictive Control for Implicit Balancing
IDLab, Ghent University -- imec（IDLab，根特大学 -- imec）
本文提出基于输入凸神经网络的隐式平衡模型预测控制方法，通过数据驱动模型提升决策质量并减少计算时间。
2026-04-02 cs.AI cs.SY eess.SY
Chance-Constrained Convex MPC for Robust Quadruped Locomotion Under Parametric and Additive Uncertainties
Institute for Experiential Robotics（体验式机器人研究所）；Northeastern University（东北大学）；Toyota Research Institute (TRI)（丰田研究所）；Amazon Scholar（亚马逊学者）
提出机会约束MPC框架，将载荷和地形不确定性建模为扰动分布，通过摩擦锥机会约束和二次规划求解，在仿真和Unitree Go1硬件上显著提升四足机器人稳定性与适应性。
2024-11-05 cs.RO cs.SY eess.SY
Extremum Seeking-based Iterative Learning Model Predictive Control (ESILC-MPC)
University of California at Santa Barbara（加州大学圣塔芭芭拉分校）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
本文研究了具有模型参数不确定性的线性时不变系统跟踪控制问题，在输入和状态约束下，采用模块化设计思想，提出具有输入到状态稳定性保证的MPC，并结合极值搜索算法迭代学习模型不确定性，形成迭代学习控制-MPC。
2015-12-08 cs.SY eess.SY
An Execution-time-certified Riccati-based IPM Algorithm for RTI-based Input-constrained NMPC
本文将仅依赖维度的浮点运算次数可认证的输入约束MPC算法扩展到基于RTI的输入约束NMPC，并采用计算成本随预测时域线性增长的因子化Riccati递推求解牛顿系统，通过Lorenz混沌系统非线性控制案例验证了执行时间可认证能力。
2024-02-25 cs.SY eess.SY
Physics-informed linear regression is competitive with two Machine Learning methods in residential building MPC
Empa（瑞士联邦材料科学与技术研究所）；ETH Zürich（苏黎世联邦理工学院）
由于基于物理的建筑物模型难以获得，因为每个建筑物都是单独的，因此对直接从测量数据生成适合于建筑MPC的模型的兴趣越来越大。机器学习方法已被广泛应用于这一问题，并验证主要是在模拟，但是，很少有研究直接比较不同的模型或验证在真实的建筑物中被发现在文献中。在实际应用中得到验证的方法往往会导致计算复杂的非凸优化问题。在这里，我们比较物理通知自回归移动平均与外源输入（ARMAX）模型的机器学习模型的基础上随机森林和输入凸神经网络和由此产生的凸MPC计划在实验中的实际建筑应用的目标是最大限度地减少能源消耗，同时保持居住者的舒适度，并在数值案例研究。我们表明，预测控制一般导致节省26%和49%之间的加热和冷却能量，相比建筑物的基线滞后控制器。此外，我们表明，所有的模型类型导致令人满意的控制性能方面的约束满足和能源减少。然而，我们也看到，与基于机器学习的模型相比，基于物理的ARMAX模型具有更低的计算负担和更高的样本效率。此外，即使有丰富的训练数据，ARMAX模型的预测误差也明显低于机器学习模型，这表明前者的编码的基于物理的先验不能被后者独立地发现。
2022-01-26 cs.LG cs.SY eess.SY
On the design of terminal ingredients for data-driven MPC
提出了一种模型预测控制（MPC）方案，仅使用测量的输入输出数据而不使用模型知识来控制线性定常系统。该方案包括一个终端成本和终端集约束的扩展状态包含过去的输入输出值。我们提供了一个明确的设计程序，相应的终端成分，只使用测量的投入产出数据。此外，我们证明了MPC计划的基础上，这些终端成分指数稳定所需的设定点在闭环。最后，我们说明了现有的数据驱动的MPC方法的优点与数值例子。
2021-05-25 cs.SY eess.SY math.OC
Dynamic Incentive Selection for Hierarchical Convex Model Predictive Control
本文研究分层MPC中的激励Stackelberg博弈设计，提出将双层MPC转化为更简单优化问题并迭代求解激励的方法，且无需知道下层代价函数，并通过电动汽车动态电价控制验证其可扩展性。
2025-02-07 cs.SY eess.SY math.OC
Sharing the Control Authority Between Deep Reinforcement Learning and Model Predictive Control: Application to Multi-Class Transportation Networks
Delft University of Technology（代尔夫特理工大学）；Delft Center for Systems and Control（代尔夫特系统与控制中心）
本文针对多类交通网络控制难题，提出DRL-MPC分层框架划分控制权，经多类高速公路网络实验，其性能优于混合状态反馈-MPC控制器，计算时间少于分层MPC控制器，模型失配时约束执行更有效。
2026-08-24 cs.LG cs.SY eess.SY
Data-Driven Min-Max MPC for Linear Systems: Robustness and Adaptation
针对含噪数据下的未知线性时不变系统，提出数据驱动 min-max MPC 方案，通过集员表示和半定规划推导最坏情况代价上界并求解最优控制律，保证鲁棒稳定与约束满足，并扩展出利用在线数据提升性能的自适应方案。
2025-01-30 cs.SY eess.SY
Exploiting Model Sparsity in Adaptive MPC: A Compressed Sensing Viewpoint
针对存在有界扰动的稳定线性定常系统，提出了一种自适应随机模型预测控制（MPC）策略。我们考虑多输入，多输出系统，可以表示为有限脉冲响应（FIR）模型。对应于每个输出的FIR模型的参数是未知的，但假设稀疏。我们使用递归最小二乘算法估计这些参数。然后使用通过解决基追踪去噪[1]问题获得的基于集合的边界来改进估计。我们的方法是能够处理硬输入约束和概率输出约束。使用分布鲁棒优化的工具，我们重新制定的概率输出约束为易处理的凸二阶锥约束，这使我们能够把我们的MPC设计任务作为一个凸优化问题。所开发的算法的有效性突出了一个彻底的数值例子，在那里我们证明了性能增益相对于[2]的算法，它不利用稀疏信息的系统脉冲响应参数在控制设计。
2019-12-09 cs.SY eess.SY stat.ML
A Trajectory-Based Approach to Controlled Invariance and Recursively Feasible MPC
Mohammed VI Polytechnic University（穆罕默德六世理工大学）
本文提出一种基于轨迹的方法，用于计算线性离散时间系统的受控不变集，结合凸可行点与经典反向固定点算法，提出无需预计算终端集的递归可行MPC方案。
2026-04-28 cs.SY eess.SY math.OC
Computationally efficient robust MPC using optimized constraint tightening
针对受有界附加扰动影响的线性定常系统，提出了一种鲁棒模型预测控制（MPC）方法。的主要贡献是离线设计的干扰仿射反馈增益，由此产生的约束收紧最小化。这是通过将约束收紧问题公式化为以反馈项为变量的凸优化问题来实现的。所得到的MPC控制器具有名义MPC的计算复杂度，并保证递归的可行性，稳定性和约束满足。所提出的方法相比，现有的强大的MPC方法的优点是使用数值例子证明。
2022-11-15 cs.SY eess.SY math.OC
The Global Asymptotic Stability Problem for Linear MPC Is Undecidable
Linköping University（林雪平大学）
该研究证明线性模型预测控制在简单设定下全局渐近稳定性判定问题不可判定，排除了多种常见因素，揭示了其内在计算极限。
2026-09-10 cs.SY eess.SY math.OC
Suboptimal multirate MPC for five-level inverters
多电平变换器由于其在能量效率方面的优势，在可再生能源系统中的应用是一个日益增长的话题。关于其控制，模型预测控制（MPC）由于其对离散输入的自然考虑、其优化能力以及当今强大的处理硬件的可用性而变得非常有吸引力。与该领域中的其他控制技术相比，MPC的主要缺点是控制输入在采样周期期间保持恒定，并且由于硬件限制，通常难以甚至不可能减小该采样周期。为此，提出了一种多速率MPC算法，该算法允许在采样周期内多次改变控制输入。优化问题被简化，并使次优，大大减少计算负担。这种方法是测试在一个三相，五电平二极管箝位转换器（DCC）的反相模式下工作与三相电阻性负载的模拟。结果表明，显着减少谐波失真的代价是在一个标准的MPC工作在相同的采样周期的换向数量的增加。
2021-04-05 cs.SY eess.SY
Parameterized and GPU-Parallelized Real-Time Model Predictive Control for High Degree of Freedom Robots
Brigham Young University（杨百翰大学）
提出了一种新的输入参数化方法，提高了高自由度（DoF）机器人的模型预测控制（MPC）的易处理性。实验结果表明，通过参数化的输入轨迹的四分之三以上的优化变量，在传统的MPC中使用的可以被删除，几乎没有对系统性能的影响。这种参数化还导致轨迹更保守，在具有建模误差的欠阻尼系统中产生更少的超调。在本文中，我们提出了两个MPC的解决方案，利用这种参数化的方法。第一个使用凸解算器，第二个使用图形处理单元（GPU）上的并行计算。我们表明，这两种方法大大减少了解决时间大自由度，长时间的MPC问题，允许解决方案的实时速率。通过仿真和硬件实验，我们表明，参数化的凸求解器MPC具有更快的解决时间比传统的MPC高自由度的情况下，同时仍然达到类似的性能。对于基于GPU的MPC求解方法，我们使用了一种进化算法，我们称之为进化MPC（EMPC）。EMPC被证明有更快的解决时间为高自由度系统。通过使用更强大的GPU，EMPC的求解时间进一步减少。这表明并行MPC方法将随着GPU技术的改进和普及而变得更加有利。
2020-01-14 cs.RO 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
Decentralized MPC based Obstacle Avoidance for Multi-Robot Target Tracking Scenarios
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；University of Tübingen（图宾根大学）；International Institute for Information Technology（国际信息技术研究所）
在这项工作中，我们考虑的问题，分散的多机器人目标跟踪和避障在动态环境中。每个机器人执行基于模型预测控制（MPC）的局部运动规划算法。规划器被设计为二次规划，受到机器人动力学和避障的约束。采用排斥势场函数来避开障碍物。我们的方法的新颖之处在于嵌入这些非线性势场函数的约束条件内的凸优化框架。我们的方法convexifies非凸约束和依赖关系，通过将它们替换为机器人动力学中预先计算的外部输入力。所提出的算法还采用了不同的方法，以避免使用潜在的场函数规划领域的局部极小值问题。运动规划器不强制执行预定义的轨迹或任何形成的机器人的几何形状，是一个全面的解决方案，在多机器人目标跟踪的背景下，合作避障。我们在不同的环境下进行仿真研究，以展示所提出的算法的收敛性和有效性。模拟研究视频：\url{https://youtu.be/umkdm82Tt0M}
2019-09-01 cs.MA cs.RO cs.SY
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
MPC strategies for density profile control with pellet fueling in nuclear fusion tokamaks under uncertainty
针对ITER托卡马克弹丸加料密度控制的多速率非线性不确定系统问题，提出多阶段MPC方法，通过模型降阶、场景缩减和惩罚项同伦算法降低复杂度，实现了带不确定性处理的实时预测密度控制。
2025-10-06 cs.SY eess.SY
On the Dual Implementation of Collision-Avoidance Constraints in Path-Following MPC for Underactuated Surface Vessels
Kiel University（基尔大学）；AVL Software and Functions GmbH（AVL软件与功能有限公司）
提出了一种将障碍物形状近似为凸多边形的路径跟踪避碰模型预测控制（MPC）方法。避免碰撞是通过有符号的距离函数来确保的，该有符号的距离函数作为MPC问题的一部分通过利用对偶公式来有效地计算。整个MPC问题可以通过标准的非线性规划（NLP）求解器来解决。双符号距离公式化产生，除了（双）碰撞避免约束，规范和一致性约束。提出了一种新的方法，结合产生的规范平等的双重碰撞避免不等式约束，以产生一个替代制定减少复杂性。移动障碍物被认为是使用单独的线性预测的障碍物位置的凸集的对偶问题。的理论研究结果和简化的比较，经常使用的椭球形障碍制定和分析方面的效率的例子，一个模拟的路径跟踪自主水面舰艇在一个现实的机动和AIS障碍数据从基尔湾地区。
2021-03-12 cs.RO cs.SY eess.SY
Neural Network Based Explicit MPC for Chemical Reactor Control
Slovak University of Technology in Bratislava（布拉迪斯拉发斯洛伐克理工大学）
在本文中，我们展示了应用于过程控制的深度神经网络的实现。在我们的方法中，我们基于模型预测控制的神经网络的训练。模型预测控制是流行的，因为它的能力，调整的加权矩阵和事实，它尊重的约束。我们提出的神经网络，可以近似的MPC的行为，在模仿的控制输入轨迹的方式，而对状态和控制输入的约束仍然不受影响的加权矩阵的值。这种方法被证明在一个模拟的案例研究，涉及一个连续搅拌釜反应器，多组分化学反应发生。
2019-12-10 cs.LG 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
Learning-based Homothetic Tube MPC with Non-Asymptotic Guarantees
University of Melbourne（墨尔本大学）
研究基于学习的MPC用于离散时间线性系统约束镇定，通过非渐近正则化最小二乘估计生成参数置信集，嵌入鲁棒管传播等，证明了高概率递归可行性等，数值例子验证了有效性和理论保证。
2026-07-15 cs.SY eess.SY
Gaussian Process Model Predictive Control of Unknown Nonlinear Systems
School of Engineering and Advanced Technology, Massey University（梅西大学工程与先进技术学院）；Department of Information Technology and Software Engineering, Auckland University of Technology（奥克兰理工大学信息技术与软件工程系）
本文研究了用高斯过程建模未知非线性系统的模型预测控制，提出两种方法GPMPC1和GPMPC2，通过引入模型不确定性，将非凸问题转化为凸问题，提升计算效率。
2016-12-05 cs.SY eess.SY
Robust MPC for tracking of nonholonomic robots with additive disturbances
Beijing Institute of Technology（北京理工大学）；KTH Royal Institute of Technology（皇家理工学院）
本文提出两种鲁棒MPC方案用于非完整系统在有界扰动下的轨迹跟踪：管MPC和名义鲁棒MPC。管MPC通过控制信号和非线性反馈律使实际轨迹保持在最优轨迹的管内，而NRMPC通过求解优化问题获取最优控制序列并反馈修正状态，仿真验证了两种策略的有效性。
2017-03-09 cs.SY eess.SY
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
Cloud-based MPC with Encrypted Data
University of Pennsylvania（宾夕法尼亚大学）
本文研究了线性系统中带有输入约束的云外包模型预测控制（MPC）的隐私问题，提出了一种部分同态加密系统来保护客户端数据隐私，并设计了两种云-MPC架构协议，分别由单个服务器和两个独立非合谋服务器计算控制输入，同时分析了加密引入的误差和通信、MPC性能与隐私之间的权衡。
2018-09-19 cs.CR cs.SY eess.SY
Sequential Convex Programming for Collaboration of Connected and Automated Vehicles
本文研究了多个连接和自动驾驶车辆（CAV）在不同场景下的协作。在一般情况下，CAV的合作可以制定为一个非线性和非凸模型预测控制（MPC）的问题。大多数现有的方法可用于解决这样的最优化问题的缺点是相当大的计算负担，这阻碍了实际的实时实现。本文提出了使用顺序凸规划（SCP），这是一个强大的方法来解决非线性和非凸MPC问题的实时。为了适当地部署的方法，作为第一阶段，SCP需要线性化和离散化时，充分解决系统模型的非线性动态。通过线性化和离散化，将原MPC问题转化为二次约束二次规划（QCQP）问题。此外，SCP还涉及凸化处理相关的非凸约束。因此，非凸QCQP可以减少到一个二次规划（QP）的问题，可以解决得相当快。因此，尽管存在非线性和非凸特性，但计算效率得到适当提高，从而实时实现该实现。最后，在三种不同的自动驾驶场景下进行了仿真实验，验证了所提方法的有效性。
2022-07-25 cs.MA cs.SY eess.SY
Fault-Tolerant MPC Control for Trajectory Tracking
School of Science and Technology, NOVA University of Lisbon（新里斯本大学科学技术学院）；CTS - Centro de Tecnologia e Sistemas part of LASI（LASI下属的技术与系统中心）；Institute for Systems and Robotics, Instituto Superior Técnico, University of Lisbon（里斯本大学高等技术学院系统与机器人研究所）
本文提出一种结合主动故障识别的容错MPC控制方法，通过集约束凸生成器和SVD分解实现在线模型自适应，提升轨迹跟踪性能。
2026-03-30 cs.SY eess.SY
Dual Control of Linear Systems from Bilinear Observations with Belief Space Model Predictive Control
Cornell（康奈尔大学）
本文研究了具有双线观测的线性系统有限时间二次控制问题，提出基于信念空间的模型预测控制方法，通过直接优化估计状态和误差协方差，提升控制性能和估计精度。
2026-04-27 cs.LG cs.SY eess.SY
Manipulation of Neuronal Network Firing Patterns using Temporal Deep Unfolding-based MPC
本文提出基于时间深度展开的模型预测控制（TDU-MPC）方法，通过 sigmoid 函数处理神经元动力学特征，实现了对神经元网络模块放电模式的操控。
2023-09-07 cs.SY eess.SY
Hierarchical MPC for coupled subsystems using adjustable tubes
针对具有状态和输入约束的耦合离散线性系统，提出了一种递阶模型预测控制（MPC）方法。与集中式方法相比，两级分层控制器（在上层中具有一个控制器并且在下层中每个子系统具有一个控制器）可以显著降低与MPC相关联的计算成本。分层协调是使用可调管，这是优化的上层控制器和边界允许的较低级别的控制器从系统轨迹确定的上层控制器的偏差。这些可调管的大小决定了子系统之间的不确定性程度，并直接影响基于管的鲁棒MPC框架下所需的约束收紧。集合被表示为zonotopes，以使得能够优化这些可调节管的尺寸，并作为MPC优化问题的一部分在线执行必要的约束收紧。状态和输入约束满足证明了两级分层控制器与任意数量的控制器在较低的水平和一个数值例子演示的关键功能和性能的方法。
2022-02-22 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
Adaptive MPC with Chance Constraints for FIR Systems
University of California, Berkeley（加州大学伯克利分校）
本文提出了一种自适应随机模型预测控制策略，用于在存在有界扰动的情况下稳定线性时不变系统。考虑多输入多输出系统，其可表示为有限脉冲响应模型，我们使用线性递归最小二乘算法估计其参数。基于[1]、[2]的工作，我们的方法能够处理硬输入约束和概率输出约束。通过使用分布鲁棒优化工具，我们将MPC设计任务转化为一个可以使用现有工具求解的凸优化问题。此外，我们证明了所提出的自适应随机MPC算法是持续可行的。通过数值示例验证了所开发算法的有效性，并将其结果与[2]中的自适应鲁棒MPC算法进行了比较。
2018-04-25 cs.SY eess.SY
Robust Adaptive MPC in the Presence of Nonlinear Time-Varying Uncertainties: An Uncertainty Compensation Approach
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Alabama（阿拉巴马大学）；University of Michigan（密歇根大学）
本文提出一种基于不确定性的鲁棒自适应MPC框架，用于具有非线性时变不确定性的线性系统，通过L1自适应控制器补偿匹配不确定性，并利用线性矩阵不等式设计鲁棒反馈控制器以减轻未匹配不确定性的影响，通过误差界收紧状态和输入约束，提升系统性能。
2026-03-19 cs.SY eess.SY
Polynomial Parametric Koopman Operators for Stochastic MPC
Massachusetts Institute of Technology（麻省理工学院）；Johns Hopkins University（约翰斯·霍普金斯大学）
本文提出了一种基于多项式混沌展开的参数Koopman算子框架，用于随机模型预测控制，通过EDMD-DL方法从数据中学习模型，实现高效非线性SMPC问题求解。
2026-04-01 cs.SY eess.SY math.OC
Accelerating soft-constrained MPC for linear systems through online constraint removal
本文将约束自适应MPC框架从硬约束扩展到软约束线性系统，利用次优预测输入序列在线检测并移除约束，在保证闭环行为不变的同时显著加速优化求解，并在二维热传输模型上验证了计算时间三个数量级的提升。
2024-10-23 cs.SY eess.SY
