Testing predictive automated driving systems: lessons learned and future recommendations
University of Alcalá（阿尔卡拉大学）；Joint Research Centre, European Commission（欧盟委员会联合研究中心）
传统车辆通过传统方法进行认证，在测试轨道上设置不同的物理认证测试，以评估所需的安全水平。这些方法非常适合复杂性有限、与其他实体的交互有限的车辆作为最后一秒的资源。然而，这些方法不允许对关键和边缘情况下的真实行为进行安全性评估，也不允许评估在中期或长期内预测它们的能力。这对于自动驾驶和自主驾驶功能尤其重要，这些功能利用先进的预测系统来预测路径规划层中要考虑的未来动作和运动。在本文中，我们提出并分析了在BRAVE项目框架内开发的自动驾驶功能中的几个预测系统的试验场物理测试结果。根据我们在测试预测性自动驾驶功能方面的经验，我们确定了当前物理测试方法在处理预测性系统时的主要局限性，分析了未来的主要挑战，并提供了一系列实际行动和建议，供未来自动驾驶和自动驾驶功能的物理测试程序考虑。
2022-04-25 cs.AI cs.RO cs.SY
Information-Driven Active Perception for k-step Predictive Safety Monitoring
University of Florida（佛罗里达大学）
本文研究了在部分可观测随机系统中预测安全监控的主动感知策略合成，通过动态调度传感器查询以最大化未来状态安全性的信息增益，利用标记隐藏马尔可夫模型和确定有限自动机定义安全要求，提出基于k步香农条件熵最小化的规划目标。
2026-03-24 cs.SY eess.SY
Safe Adaptive-Sampling Control via Robust M-Step Hold Model Predictive Control
University of California, Berkeley（加州大学伯克利分校）；University of California, Santa Barbara（加州大学圣塔芭芭拉分校）
本文提出 robust M-step hold 模型预测控制方法，用于确保自适应采样控制的安全性，通过递归可行性分析和在线选择 M 实现安全控制，通过 cruise control 示例验证了方法的有效性。
2026-05-06 cs.SY eess.SY
Real-time Nonlinear Model Predictive Control using One-step Optimizations and Reachable Sets
本文提出用预计算可达集内近似辅助的一步优化序列替代全时域最优控制问题，以降低实时非线性模型预测控制在嵌入式硬件上的计算负担，并给出递推可行性与渐近稳定性证明。
2023-04-12 cs.SY eess.SY
A Control Barrier Function-Constrained Model Predictive Control Framework for Safe Reinforcement Learning
New York University（纽约大学）
本文提出了一种基于模型预测控制的安全强化学习框架PECTS，通过联合学习随机系统动力学和控制屏障函数来确保安全，采用采样优化方法提升安全性。
2026-04-07 cs.SY eess.SY
Learning-Based Model Predictive Control for Piecewise Affine Systems with Feasibility Guarantees
本文提出一种结合在线与离线计算的模型预测控制方法，通过离线学习策略指定分段仿射区域序列，并给出可行性保证条件，以降低在线优化复杂度并减少离线负担。
2025-03-26 cs.SY eess.SY
Learning an Approximate Model Predictive Controller with Guarantees
University of Stuttgart（斯图加特大学）
本文提出一种监督学习框架，用于在降低计算复杂度的同时近似模型预测控制器，并保证稳定性和约束满足。通过结合鲁棒MPC设计和统计学习界限，为学习的MPC提供闭环保证。
2018-06-11 cs.LG cs.SY eess.SY
Online Dynamics Learning for Predictive Control with an Application to Aerial Robots
GRASP Laboratory（GRASP实验室）；University of Pennsylvania（宾夕法尼亚大学）
在这项工作中，我们考虑的任务，提高动态模型的准确性，模型预测控制（MPC）在线设置。虽然预测模型可以学习并应用于基于模型的控制器，但这些模型通常是离线学习的。在这种离线设置中，首先收集训练数据，并通过精心设计的训练过程学习预测模型。然而，由于模型是离线学习的，因此它不适应部署期间观察到的干扰或模型误差。为了提高模型和控制器的适应性，我们提出了一个在线动态学习框架，不断提高部署过程中动态模型的准确性。我们采用基于知识的神经常微分方程（KNODE）作为动态模型，并使用受迁移学习启发的技术来不断提高模型的精度。我们证明了我们的框架与四旋翼的有效性，并验证了该框架在模拟和物理实验。结果表明，我们的方法可以考虑可能是时变的干扰，同时保持良好的轨迹跟踪性能。
2022-11-28 cs.LG cs.RO cs.SY
State space models vs. multi-step predictors in predictive control: Are state space models complicating safe data-driven designs?
该研究对比线性预测控制中的状态空间模型与多步预测器，梳理两类模型在随机最优控制、系统辨识等问题中的应用优劣，还提出了带参数不确定性的多步预测器随机预测控制的新约束收紧方法。
2023-10-06 cs.SY eess.SY math.OC
Learning-Based Efficient Approximation of Data-Enabled Predictive Control
针对数据驱动预测控制（DeePC）优化规模随数据量线性增长、计算成本高的问题，提出基于可微凸规划的规模不变高效近似方法，仿真验证其可将计算时间缩短4/5且保持控制性能。
2024-09-11 cs.SY eess.SY
Model-plant mismatch learning offset-free model predictive control
提出了模型-对象失配学习无偏置模型预测控制（MPC），它学习和应用内在的模型-对象失配，有效地利用基于模型和数据驱动控制策略的优点，克服每种方法的局限性。在这项研究中，在受控变量空间的稳态流形上的模型-植物失配映射近似通过一般的回归神经网络从每个设定点的稳态数据。尽管学习的模型-对象失配图可以提供平衡点处的信息（即，设定点），它不能在瞬态期间提供模型-被控对象失配信息。此外，固有的模型-设备失配可以由于操作期间的系统特性变化而变化。因此，我们另外应用补充干扰变量，该补充干扰变量是基于标称无偏移MPC方案从干扰估计器更新的。然后，将组合扰动信号应用于无偏置MPC的目标问题和有限时域最优控制问题，以提高控制器的预测精度和闭环性能。这样，我们就可以利用学习到的模型-对象失配信息和标称扰动估计器方法的稳定特性。闭环仿真结果表明，该方法能够正确地学习模型-对象失配，有效地提高无偏置MPC的模型-对象失配补偿性能。此外，我们研究的鲁棒渐近稳定性的开发的无偏置MPC计划，这是已知的是难以分析在标称无偏置MPC，通过利用学习模型植物失配信息。
2020-12-13 cs.SY eess.SY
Stochastic Data-Driven Predictive Control: Chance-Constraint Satisfaction with Identified Multi-step Predictors
提出一种数据驱动随机MPC框架，通过辨识多步预测器、代理状态空间模型量化不确定性并进行约束收紧，在含噪测量下保证机会约束并降低保守性。
2025-03-15 cs.SY eess.SY math.OC
Lessons learned from field demonstrations of model predictive control and reinforcement learning for residential and commercial HVAC: A review
Purdue University（普渡大学）；Trane Technologies（特灵科技）；University of Colorado, Boulder（科罗拉多大学博尔德分校）；National Renewable Energy Laboratory（美国国家可再生能源实验室）
综述MPC和RL在住宅和商业建筑HVAC中的现场演示，分析其成本节约效果及未来研究方向。
2025-07-19 cs.SY eess.SY
A Prediction-Correction Algorithm for Real-Time Model Predictive Control
在这项工作中，我们采用预测校正算法的连续时变凸优化问题，以解决动态规划所产生的模型预测控制。特别地，预测步骤跟踪取决于系统的当前状态的问题的最优解的演变。所述步骤的成本是反演一个Hessian的成本，并且在某些条件下，它保证了在下一个时间步骤中，Hessian保持在优化问题的二次收敛区域中。这些条件意味着（i）控制区间中的状态变化不能太大，以及（ii）在前一时间步中计算的解需要足够精确。后者可以通过运行经典的牛顿迭代来保证，我们称之为校正步骤。由于该方法表现出二次收敛，因此实现期望精度$η$的迭代次数为$\log_2\log_2 1/η$阶，其中每次迭代的成本近似为反演Hessian的成本。这使得预测-校正控制律具有较低的计算复杂度。此外，通过该算法实现的解决方案使得闭环系统保持稳定，这允许将模型预测控制的适用性扩展到具有更快动态和更少计算能力的系统。我们考虑非线性系统的数值例子支持理论结论。
2019-11-22 cs.SY eess.SY
Learning-Based Predictive Control Method for Vehicle Lateral Control with a Multi-Step Gaussian Process Regression Prediction
Illinois Institute of Technology（伊利诺伊理工学院）；Lamar University（拉玛大学）
本文提出一种基于多步高斯过程回归的模型预测控制方法，用于安全控制状态与控制相关的不确定性系统，并通过车辆换道仿真验证了其有效性。
2026-10-02 cs.SY eess.SY
Homothetic tube model predictive control with multi-step predictors
针对有界不确定线性系统，提出集成多步预测器的同伦管MPC框架，利用更小误差界减轻保守性，采用多速率公式解决不兼容问题，理论保证鲁棒递归可行性与稳定性，仿真验证了保守性与计算复杂度优势。
2023-11-20 cs.SY eess.SY math.OC
Robust Data-Driven Predictive Control for Unknown Linear Time-Invariant Systems
本文针对未知线性时不变系统提出一种鲁棒数据驱动预测控制方案，通过构造包含所有能生成预采集数据的系统集合并最小化目标函数上界，放宽了对持续激励条件的要求，且具有无限预测时域，在间歇反应器上验证了有效性。
2024-01-14 cs.SY eess.SY
Learning myopic mixed-integer nonlinear model predictive control from expert demonstrations
Eindhoven University of Technology（埃因霍温理工大学）；Norwegian University of Science and Technology（挪威科技大学）
本文提出一种短视混合整数非线性模型预测控制框架，通过价值函数近似减少在线计算负担，结合专家示范与逆优化实现高效控制，验证了在捕食者-猎物问题和卫星姿态控制中的有效性。
2026-05-08 cs.SY eess.SY
KPC: Learning-Based Model Predictive Control with Deterministic Guarantees
我们提出了核预测控制（KPC），基于学习的预测控制策略，享有确定性的安全保证。噪声破坏的样本的未知系统动态被用来学习几个模型，通过非参数核回归的形式主义。通过单独处理每个预测步骤，我们免除了通过高度非线性映射传播集合的需要，这一过程通常涉及多个保守近似步骤。然后，通过采用一个有效的鲁棒性制定的样本误差界来执行状态的可行性。然后，我们提出了一个松弛策略，利用在线数据来削弱优化问题的约束，同时保持安全。两个数值例子来说明所提出的控制方法的适用性。
2020-11-23 cs.SY eess.SY
Nonlinear Covariance Steering using Variational Gaussian Process Predictive Models
本文研究了未知离散随机非线性系统的不确定状态的前两阶矩在有限时间内指向给定终端分布的问题。为了实现这一目标，首先，使用随机变分高斯过程回归从一组可用的训练数据点中学习非参数预测模型：这是一种强大且可扩展的机器学习工具，用于学习任意非线性函数的分布。其次，我们制定了一个易于处理的非线性协方差转向算法，利用高斯过程预测模型来计算反馈策略，将驱动系统的状态分布接近目标分布。特别是，我们实现了一个贪婪的协方差转向控制策略，在每个时间步线性化的高斯过程模型的最新预测的均值和协方差，解决了线性协方差转向控制问题，并只适用于第一控制律。最新的反馈控制策略下的状态不确定性，然后使用无迹变换与学习的高斯过程预测模型和算法进行到下一个时间步。数值模拟说明本文的主要思想。
2021-04-02 cs.SY eess.SY math.OC
Receding-Constraint Model Predictive Control using a Learned Approximate Control-Invariant Set
University of Trento（特伦托大学）
针对非线性系统精确控制不变集难以计算的问题，提出一种新颖的模型预测控制方案，通过向后移动安全集约束保证递归可行性，并在检测到风险时触发任务中止策略保证安全性，有效减少了约束违反。
2024-08-28 cs.RO cs.SY eess.SY
A Learn-and-Control Strategy for Jet-Based Additive Manufacturing
在本文中，我们开发了一个基于物理指导的递归神经网络（RNN）模型的预测几何控制框架，用于基于喷射的增材制造（AM）。由于其物理上可解释的架构，该模型的参数是通过使用少量层的输入输出数据通过反向传播训练网络来获得的。此外，我们证明，该模型可以双重表示，使层液滴输入模式（每一层）的一部分，现在成为网络参数，通过反向传播学习。该方法适用于前馈预测控制，其中网络参数从先前数据离线学习，并且合成所有待打印层的控制输入图案。预测控制器的稳定性的充分条件。此外，我们设计了一种算法，有效地实现反馈预测控制，其中网络参数和输入模式（滚动时域）在线学习，没有增加提前期计算。前馈控制方案的实验表明，提高RMS参考跟踪误差超过30%的最先进的状态。我们还实验证明，过程的不确定性补偿的在线学习和反馈控制。
2022-07-07 cs.SY eess.SY math.OC
Adaptive model predictive control for traffic signal timing with unknown demand and parameters
针对未知需求与参数的信号交叉口网络，提出结合有限时间参数估计与无需求单步MPC的自适应控制策略，实现最大吞吐量并改善排队瞬态性能。
2025-03-13 cs.SY eess.SY
Aerobatic maneuvers in insect-scale flapping-wing aerial robots via deep-learned robust tube model predictive control
Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology（电气工程与计算机科学系，麻省理工学院）；Department of Aeronautics and Astronautics, Massachusetts Institute of Technology（航空宇航系，麻省理工学院）
本研究通过深度学习的鲁棒管模型预测控制，在750毫克扑翼机器人上实现了昆虫级特技机动，显著提升了扫视速度和加速度，并完成了连续身体翻转。
2025-08-05 cs.LG cs.RO cs.SY
Predictive control barrier functions: Enhanced safety mechanisms for learning-based control
虽然基于学习的控制技术通常优于经典控制器设计，但安全要求限制了许多应用中对此类方法的接受。最近的发展通过所谓的预测安全过滤器来解决这个问题，该过滤器评估拟议的基于学习的控制输入是否会导致违反约束，并在必要时对其进行修改，以确保未来所有时间步长的安全性。这种预测性安全滤波器的理论保证依赖于模型假设，微小的偏差可能导致滤波器故障，使系统处于危险之中。本文介绍了一种辅助软约束预测控制问题，总是可行的，在每个时间步长和渐近稳定的可行集的原始安全过滤器，从而提供了一个恢复机制，在安全关键的情况下。这是通过结合终端控制障碍函数的简单约束收紧来实现的。通过扩展离散时间控制障碍函数理论，我们建立了所提出的辅助问题提供了一个“预测”的控制障碍函数。所得到的算法证明使用数值例子。
2022-05-13 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
Constrained Deep Learning Based Nonlinear Model Predictive Control
基于学习的模型预测控制（MPC）是一种降低MPC计算量的方法。本文提出了一种用于非线性系统学习MPC策略的约束深度神经网络（DNN）设计。利用神经网络的约束训练，MPC约束得到有效的加强。此外，递归的可行性和鲁棒稳定性条件推导出基于学习的MPC方法。此外，概率的可行性和最优性经验的保证提供了学习的控制策略。所提出的算法实现古田摆和控制性能的证明和比较精确的MPC和正常训练的学习为基础的MPC。结果表明，所提出的方法优越的控制性能和约束满足。
2023-03-29 cs.SY eess.SY
Data-Driven Linear Koopman Embedding for Networked Systems: Model-Predictive Grid Control
Iowa State University（爱荷华州立大学）
针对非线性网络化电网控制问题，提出无基字典的Koopman启发深度神经网络线性嵌入方法，通过三重变换实现动力学升维线性化，结合MPC实现实时紧急电压控制，在IEEE 39-bus系统验证了有效性与鲁棒性。
2022-10-29 cs.AI cs.SY eess.SY
Safe and Near-Optimal Policy Learning for Model Predictive Control using Primal-Dual Neural Networks
UC Berkeley（加州大学伯克利分校）
在本文中，我们提出了一个新的框架，近似显式MPC法律的线性参数变化系统，使用监督学习。与大多数现有的方法相比，我们不仅学习控制策略，而且还学习“证书策略”，这使我们能够在线估计学习到的控制策略的次优性，在执行时。我们使用监督学习技术从数据中学习这两种策略，并且还提供了一种随机方法，使我们能够保证每个学习策略的质量，以可行性和最优性来衡量。这反过来又允许我们限制学习的控制策略不可行或次优的概率，其中检查由证书策略执行。由于我们的算法不需要在运行时的优化问题的解决方案，它甚至可以部署在资源受限的系统。我们说明了所提出的框架的车辆动力学控制问题，我们证明了高达两个数量级的速度比在线优化的性能下降最小的效率。
2019-06-19 cs.LG cs.SY eess.SY
Economic data-enabled predictive control using machine learning
本文在DeePC框架内提出凸数据基经济预测控制方法，利用神经网络转换系统输出并以二次函数近似非线性经济成本，通过学习重构矩阵处理输出约束，其性能在模拟化工过程中得到验证。
2025-05-12 cs.SY eess.SY
Optimal Weight Adaptation of Model Predictive Control for Connected and Automated Vehicles in Mixed Traffic with Bayesian Optimization
针对混合交通环境下的互联自动车辆（CAV），提出了一种最优权值自适应模型预测控制（MPC）策略.我们将CAV和人类驾驶车辆（HDV）之间的相互作用建模为同时博弈，并制定了博弈论MPC问题，以找到博弈的纳什均衡。在MPC问题中，HDV目标函数中的权重可以使用移动时域逆强化学习在线学习。使用贝叶斯优化，我们提出了一种策略，以最佳地适应CAV的目标函数的权重，使预期的真实成本时，使用MPC在模拟中可以最小化。最后通过一个无信号交叉口的车辆过街算例验证了该优化策略的有效性。
2023-03-10 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
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
Bipedal Robust Walking on Uneven Footholds: Piecewise Slope LIPM with Discrete Model Predictive Control
Faculty of Computing, Harbin Institute of Technology（哈尔滨工业大学计算学部）；State Key Laboratory of Robotics and System, Harbin Institute of Technology（哈尔滨工业大学机器人技术与系统国家重点实验室）
针对不平整地形下LIPM的局限性，提出PS-LIPM和G-ALIP模型，结合MPC与WBC构建分层控制框架，实现步长位置与持续时间的同步优化，有效提升了双足在不平整踏脚石上行走的鲁棒性。
2025-04-03 cs.RO cs.SY eess.SY
Boundary Sampling to Learn Predictive Safety Filters via Pontryagin's Maximum Principle
Toyota Research Institute（丰田研究院）；Department of Aeronautics and Astronautics, Stanford University（斯坦福大学航空与宇航科学系）
本文通过庞特里亚金极大值原理识别接近安全违规的轨迹，用于指导数据收集，提升学习效率，改进安全过滤器性能。
2026-04-14 cs.RO cs.SY eess.SY
Learning a convex cost-to-go for single step model predictive control
本文提出通过学习凸目标项（凸插值函数或输入凸神经网络）来实现单步模型预测控制，有效降低了大型不确定系统的在线计算成本，并在数值实验中证明其能以更少数据取得更优性能。
2025-03-04 cs.SY eess.SY math.OC
Least-Squares Multi-Step Koopman Operator Learning for Model Predictive Control
Johns Hopkins University（约翰斯·霍普金斯大学）；Massachusetts Institute of Technology（麻省理工学院）
本文提出一种基于最小二乘多步Koopman算子学习的MPC方法，通过直接学习多步状态-控制映射，避免误差累积，提升长时间预测精度和闭环性能。
2026-01-17 cs.SY eess.SY math.OC
Perturbation-based Regret Analysis of Predictive Control in Linear Time Varying Systems
我们研究预测控制中的动态是时变的和线性的，成本是时变的和良好的条件。在每个时间步，控制器接收未来$k$时间步的成本、动态和干扰的精确预测。我们表明，当预测窗口$k$是足够大的，预测控制是输入状态稳定的，并实现了$O(λ^k T)$的动态遗憾，其中$λ< 1$是一个积极的常数。这是线性时变系统预测控制的第一个动态后悔界。在更多的终端费用假设下，我们还证明了预测控制获得了线性时变系统控制的第一竞争界：$1 + O(λ^k)$。我们的研究结果是使用一种新的证明框架的基础上的扰动界，其特征是如何一个小的变化，系统参数的影响的最佳轨迹。
2021-06-19 cs.SY eess.SY math.OC
Nonplanar Model Predictive Control for Autonomous Vehicles with Recursive Sparse Gaussian Process Dynamics
Department of Electrical & Systems Engineering, University of Pennsylvania（电气与系统工程系，宾夕法尼亚大学）
本文提出了一种基于递归稀疏高斯过程的非平面模型预测控制框架，用于提升自主车辆在复杂地形中的路径跟踪性能。
2026-02-18 cs.RO 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
Learning References with Gaussian Processes in Model Predictive Control applied to Robot Assisted Surgery
Otto-von-Guericke Univ. Magdeburg（马格德堡奥托·冯·格里克大学）；Fraunhofer-Institute for Factory Operation and Automation（弗劳恩霍夫工厂运营与自动化研究所）
模型预测控制的主要优点之一是能够主动控制系统，考虑到未来的系统演化。然而，往往外部干扰或参考是不是一个先验已知的，这使得预测控制器短视或不知情。自适应预测模型可以用来克服这个问题，并为控制器提供这些信号的预测。在这项工作中，我们建议通过高斯过程学习参考模型预测控制器。为了说明这种方法，我们考虑机器人辅助手术，其中机器人操纵器需要根据光学跟踪测量来跟随学习的参考位置。
2019-11-25 cs.RO cs.SY eess.SY
Koopman operator learning for predictive control via Khatri-Rao kernel regression
Eindhoven University of Technology（埃因霍温理工大学）
本文提出一种数据驱动的广义Koopman算子实现，通过时间序列多步Khatri-Rao核回归和结构化SVD降维，实现状态与输入独立提升的张量双线性系统预测控制，并在混沌Lorenz系统上验证了其稳定不稳定平衡点的能力。
2026-10-19 cs.SY eess.SY math.OC
ProxPI: Proximal Prior Injection for Sampling-Based MPC under Learned-Prior Mismatch
Center for Humanoid Research, Korea Institute of Science and Technology (KIST)（韩国科学技术研究院类人机器人研究中心）；School of Electrical Engineering, Korea University（高丽大学电气工程学院）
ProxPI以标称值为中心的MPPI采样结合软邻近代价融入策略，解决学习先验不匹配下基于采样的MPPI性能下降问题，在分布内外任务均表现稳健。
2026-09-02 cs.RO cs.SY eess.SY
Adaptive Nonlinear Model Predictive Control for a Real-World Labyrinth Game
ETH Zurich（苏黎世联邦理工学院）
针对真实世界迷宫游戏问题，提出分两层的自适应非线性模型预测控制方法，引入自适应约束并学习迷宫表面不规则性地图，可处理干扰与模型误差，性能优于经典方法。
2025-02-10 cs.RO cs.SY eess.SY
Differentially Flat Learning-based Model Predictive Control Using a Stability, State, and Input Constraining Safety Filter
Vector Institute for Artificial Intelligence（矢量人工智能研究所）；University of Toronto Institute for Aerospace Studies (UTIAS)（多伦多大学航空航天研究所）；Queen’s University（女王大学）；Technical University of Munich（慕尼黑工业大学）；University of Toronto（多伦多大学）；Munich Institute for Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所）
本研究提出一种结合微分平坦性与高斯过程学习安全滤波器的非线性模型预测控制方法，在保证稳定性与约束满足的前提下，以更低计算量实现了与现有最优基于学习的控制策略相当的性能。
2023-07-20 cs.LG cs.RO cs.SY
Recurrent Model Predictive Control
本文提出了一种求解一般非线性有限时域最优控制问题的离线算法--递归模型预测控制（RMPC）。与传统的模型预测控制（MPC）算法不同，它可以充分利用当前的计算资源，自适应地选择最长的模型预测时域。我们的算法采用递归函数来逼近最优策略，将系统状态和参考值直接映射到控制输入。预测步骤的数量等于学习策略函数的循环周期的数量。对于任意的初始策略函数，所提出的RMPC算法可以通过直接最小化所设计的损失函数来收敛到最优策略。利用Bellman最优性原理进一步证明了RMPC算法的收敛性和最优性，并通过两个数值例子说明了算法的通用性和有效性。
2021-02-23 cs.AI 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
Approximate Model Predictive Control for Microgrid Energy Management via Imitation Learning
Delft Center for System and Control, TU Delft（代尔夫特系统与控制中心，代尔夫特理工大学）；Department of Electrical, Electronic and Computer Engineering, University of Pretoria（电气、电子与计算机工程系，比勒陀利亚大学）
本文提出基于模仿学习的框架，用于近似混合整数经济模型预测控制，通过神经网络模仿专家控制策略，实现快速实时决策，降低计算时间并提升鲁棒性。
2026-04-27 cs.AI cs.SY eess.SY
Learning to control switching nonlinear systems with Koopman operator regression
Istituto Italiano di Tecnologia（意大利理工学院）；Università degli Studi di Genova（热那亚大学）
研究具有有限动作空间的非线性系统的识别与控制，利用库普曼算子回归从有限样本估计未知动力学得到线性切换预测模型，用于闭环控制的无限时域最优控制问题，推导学习率并量化模型预测控制策略次优性，数值模拟验证理论结果。
2026-07-14 cs.SY eess.SY math.OC
Model Predictive Control with Gaussian-Process-Supported Dynamical Constraints for Autonomous Vehicles
Technical University of Darmstadt（达姆施塔特工业大学）；Otto-von-Guericke University Magdeburg（马格德堡奥托·冯·格里克大学）
我们提出了一种自动驾驶汽车的模型预测控制方法，该方法利用学习的高斯过程来预测人类的驾驶行为。所提出的方法采用GP的预测，以实现安全的不确定性。多模式预测控制方法考虑人类驾驶员的可能意图。虽然意图由不同的高斯过程表示，但其在所观察到的行为中预见的概率由合适的在线分类确定。低于某个概率阈值的意图被忽略以提高性能。所提出的多模式模型预测控制方法与高斯过程回归支持，使重复的可行性和概率约束满足高概率。该方法强调在模拟中，考虑现实世界的测量训练高斯过程。
2023-03-08 cs.LG cs.RO cs.SY
Multi-Step Model Predictive Safety Filters: Reducing Chattering by Increasing the Prediction Horizon
University of Toronto（多伦多大学）；University of Toronto Robotics Institute（多伦多大学机器人研究所）；Vector Institute for Artificial Intelligence（向量人工智能研究所）；Technical University of Munich（慕尼黑工业大学）；Munich Institute for Robotics and Machine Intelligence（慕尼黑机器人与机器智能研究所）
本文提出一种多步模型预测安全滤波器，通过延长输入修正时域并利用鲁棒 MPC 技术保证递归可行性，在 Crazyflie 2.0 实验中相比已有方法将抖振减少 4 倍以上。
2023-09-20 cs.LG cs.RO cs.SY
Learning Sampling Distributions for Model Predictive Control
University of Washington（华盛顿大学）
基于采样的方法已经成为当代模型预测控制（MPC）方法的基石，因为它们对动态或成本函数的可微性没有限制，并且易于并行化。然而，它们的功效高度依赖于采样分布本身的质量，这通常被假设为简单的，如高斯分布。这种限制可能会导致样本远非最佳，从而导致性能低下。最近的工作已经探索通过在控制的学习潜在空间中采样来改善MPC的性能。然而，这些方法最终在控制空间中的时间步长之间执行所有MPC参数更新和热启动。这要求我们依赖于许多算法来生成样本和更新分布，并可能导致次优性能。相反，我们建议在潜在空间中执行所有操作，使我们能够充分利用学习的分布。具体来说，我们框架的学习问题作为两个层次的优化，并显示如何训练控制器与反向传播通过时间。通过使用分布的归一化流参数化，我们可以利用其易于处理的密度来避免要求动态和成本函数的可微性。最后，我们在模拟机器人任务上评估了所提出的方法，并证明了它能够超越现有方法的性能，并在减少样本数量的情况下更好地扩展。
2022-12-05 cs.AI cs.RO cs.SY
Infinite-Horizon Differentiable Model Predictive Control
NNAISENSE；University of Oxford（牛津大学）
提出了一种可微线性二次型模型预测控制（MPC）的安全模仿学习框架。利用离散时间代数Riccati方程（DARE）得到的终端费用函数来实现无穷时域费用，从而证明了学习控制器在闭环中是稳定的.一个核心的贡献是推导的解析衍生的解决方案的DARE，从而允许使用基于微分的学习方法。另一个贡献是MPC最优化问题的结构：增广拉格朗日方法确保MPC优化在整个训练过程中是可行的，同时对状态和输入施加硬约束，并且预稳定控制器确保MPC解和导数在每次迭代时都是准确的。该框架的学习能力证明在一组数值研究。
2020-01-07 cs.LG cs.SY eess.SY
Superconvergence of Online Optimization for Model Predictive Control
提出了一种求解离散时间、等式约束、非线性动态规划的在线、滞后- $L$模型预测控制算法。基于最近的目标问题类的灵敏度分析结果，我们证明了该方法表现出一种行为，我们称之为超收敛，即，跟踪误差相对于整个地平线的解决方案不仅是稳定的连续的地平线移位，但也随着增加的移位顺序下降到一个最小值，在后退的地平线的长度呈指数衰减。分析的关键步骤是将算法的一步误差递归分解为算法误差和扰动误差。我们表明，扰动误差指数衰减与两个连续的后退视野之间的滞后，而~的算法误差，由牛顿法确定，实现平方收敛代替。总的来说，这种方法诱导我们的局部指数收敛结果的后退地平线长度为适当的值$L$。数值实验验证了我们的理论研究结果。
2022-02-05 cs.NA cs.SY eess.SY
