Explicit Reference Governor for the Constrained Control of Time-Delayed Linear Systems
University of Michigan, Ann Arbor（密歇根大学安娜堡分校）；Université Libre de Bruxelles（布鲁塞尔自由大学）
本文提出了一种显式参考 governor 方法，用于控制受状态和输入约束的时滞线性系统，通过Lyapunov-Razumikhin和Lyapunov-Krasovskii论证构建不变集，并通过数值和实验验证方法的有效性。
2017-12-21 cs.SY eess.SY
Stability of Lyapunov redesign trajectory tracking control with unbounded perturbations -- A tube-based stability analysis
本文提出基于管状分析的Lyapunov重设计方法，用于处理非线性系统在无界扰动下的轨迹跟踪问题，通过保证跟踪误差的收缩性来实现稳定性分析。
2025-12-03 cs.SY eess.SY math.OC
Robust Control Barrier and Control Lyapunov Functions with Fixed-Time Convergence Guarantees
本文研究一类非线性控制仿射动力系统在加性干扰和状态估计误差下的控制综合问题。我们强制执行静态和动态安全集的前向不变性，并在用户定义的时间内收敛到一个给定的目标集的输入约束的存在。我们使用控制障碍函数（CBF）和固定时间控制李雅普诺夫函数（FxT-CLF）的强大的变种，将一类添加剂的干扰系统动态，状态估计误差。为了解决潜在的约束控制问题，我们制定了一个二次规划，并使用所提出的鲁棒CBF-FxT-CLF条件来计算控制输入。我们展示了所提出的方法的数值案例研究，涉及多个欠驱动海洋车辆的有效性。
2021-04-13 cs.SY eess.SY math.OC
Neural ODEs Meet Concurrent Learning: Stable Online Learning with Lyapunov Guarantees
Louisiana State University（路易斯安那州立大学）
本文证明神经ODE伴随梯度具有Lyapunov分析所需结构，提出NODE-CL方法，在滑动窗口和存储数据上实现稳定在线学习，并在DeepMind控制套件上取得最优或接近最优的预测误差。
2026-09-29 cs.LG cs.SY eess.SY
A hierarchical Lyapunov-based cascade adaptive control scheme for lower-limb exoskeleton
针对具有控制饱和的下肢外骨骼，提出了一种基于分层李雅普诺夫的自适应串级控制方案。该方法由两个控制级组成，具有级联结构。在结构的高层，设计了一种基于Lyapunov的反步调节器，包括对不确定参数和摩擦力的自适应估计，以最小化关节位置与参考值的偏差。在底层，基于李雅普诺夫神经网络自适应控制器负责计算液压伺服系统的控制动作，以遵循在高层计算的力参考，也补偿模型的不确定性，非线性和控制饱和。所提出的方法能够最大限度地减少机器和人之间的相互作用扭矩，并适用于可能的不精确模型。在输入约束条件下，讨论了闭环系统的鲁棒性。仿真实验表明，该方法能有效地控制具有不确定性和非线性的模型，相对于PD控制器能施加较小的干扰力矩。
2019-06-18 cs.SY eess.SY
Computing Control Lyapunov-Barrier Functions: Softmax Relaxation and Smooth Patching with Formal Guarantees
本研究提出一种计算框架，通过softmax松弛、反例引导精化和平滑拼接合成兼具稳定性与安全性证明的平滑李雅普诺夫函数，经SMT形式化验证，在基准系统上的保守性低于现有SOS兼容CBF-CLF方法。
2025-10-02 cs.SY eess.SY math.OC
A simple suboptimal moving horizon estimation scheme with guaranteed robust stability
针对一般的非线性系统，提出了一种次优滚动时域估计方法。为此，我们考虑一个MHE配方，优化了一个鲁棒稳定的观察员的轨迹。假设观测器允许一个李雅普诺夫函数，我们证明了这个函数是一个M-步李雅普诺夫函数次优MHE。所提出的充分条件可以很容易地在实践中验证。我们通过标准非线性基准测试示例说明了所提出的次优MHE方案的实用性。在这里，执行单次迭代足以在有效的理论保证下显著改善观测器的估计结果。
2022-07-15 cs.SY eess.SY
Learning stability guarantees for data-driven constrained switching linear systems
研究动态未知且开关信号受自动机约束的约束切换线性系统的稳定性分析。我们提出了一个数据驱动的李雅普诺夫框架提供概率稳定性保证的基础上收集的数据从系统的观察。通过推广以前的结果任意切换线性系统，我们表明，通过采样有限数量的观察，我们能够构建一个近似的李雅普诺夫函数的基础系统。此外，我们表明，熵的语言接受的自动机允许绑定所需的样本数量，以达到一些预先指定的精度。
2022-07-14 cs.SY eess.SY
Lyapunov-based Adaptive Transformer (LyAT) for Control of Stochastic Nonlinear Systems
本文提出LyAT控制器，通过基于李雅普诺夫的稳定性分析实现随机非线性系统的实时自适应控制，保证跟踪和参数估计误差的有界性。
2025-12-17 cs.SY eess.SY
Lyapunov-stable neural-network control
Toyota Research Institute（丰田研究院）；Stanford University（斯坦福大学）；Massachusetts Institute of Technology（麻省理工学院）
深度学习对机器人技术产生了深远的影响。具体来说，深度强化学习算法在为各种任务合成神经网络控制器方面非常有效。然而，尽管这种经验上的成功，这些控制器仍然缺乏对它们的性能的理论保证，例如李雅普诺夫稳定性（即，保证闭环系统的所有轨迹在控制策略下收敛到目标状态）。这与传统的基于模型的控制器设计形成鲜明对比，其中原则方法（如LQR）可以合成具有可证明保证的稳定控制器。为了解决这一差距，我们提出了一种通用的方法来合成一个李雅普诺夫稳定的神经网络控制器，连同一个神经网络李雅普诺夫函数，同时证明其稳定性。我们的方法制定了一个混合整数线性规划（MIP）的李雅普诺夫条件验证。我们的MIP验证器要么证明李雅普诺夫条件，或生成反例，可以帮助改善候选控制器和李雅普诺夫函数。我们还提出了一个优化程序来计算内近似的闭环系统的吸引区域。我们应用我们的方法，包括倒立摆，2D和3D四旋翼机器人，并展示我们的神经网络控制器优于基线LQR控制器。代码在\url{https://github.com/StanfordASL/neural-network-lyapunov}上开源。
2021-09-29 cs.RO cs.SY eess.SY
Hybrid Lyapunov-based feedback stabilization of bipedal locomotion based on reference spreading
本文提出一种基于质心位置触发脚步切换的线性倒立摆混合模型，利用参考扩展定义误差坐标，并通过求解凸优化设计饱和反馈控制器实现局部渐近稳定，仿真验证了其优于标准模型预测控制。
2024-05-03 cs.SY eess.SY math.DS
Implicit Predecessor-Based Region of Attraction Estimation and Robust Invariance Analysis for a Two-Wheeled Inverted Pendulum
1 Université Côte d‘Azur, i3S/CNRS, Sophia Antipolis, France
本文针对非线性系统吸引域估计问题，结合基于李雅普诺夫的正不变集与基于前驱的隐式表示，计算出保守性更低的吸引域内近似，同时分析其鲁棒正不变性。通过两轮倒立摆验证，结果表明该方法能扩大认证操作区域，适用于吸引域近似和鲁棒性评估。
2026-10-21 cs.SY eess.SY
Robust dynamic self-triggered control for nonlinear systems using hybrid Lyapunov functions
自触发控制是网络控制系统确定采样时刻的一种资源有效的方法。在每个采样时刻，STC机制不仅确定控制输入，而且确定下一个采样时刻。本文提出了一种适用于受扰非线性系统的STC框架。在该框架中，除了当前状态信息之外，还使用动态变量来确定下一个采样时刻，使得STC机制是动态的。对于与事件触发控制密切相关的概念，使用动态变量已被证明对于增加采样间隔是强大的，但迄今为止尚未被用于STC。提出了动态STC框架的两个变体。第一种变型可以在没有关于干扰的进一步知识的情况下使用，并且导致对输入到状态稳定性的保证。第二种变体利用已知的干扰界来确定采样时刻，并保证包含原点的集合的渐进稳定性。在这两种情况下，混合李雅普诺夫函数技术被用来获得各自的稳定性保证。不同的选择，导致不同的特定STC机制的动态变量的动态，提出了两个变体的框架。所得到的动态STC机制示出了两个数值例子，以强调其优势相比，现有的静态STC方法。
2021-11-08 cs.SY eess.SY
Unified Predefined-time Stability Conditions of Nonlinear Systems with Lyapunov Analysis
本文提出统一的Lyapunov稳定性条件，建立与现有预定义时间/有限时间稳定性定理的等价性，并为Euler-Lagrange系统设计非奇异滑模控制框架，使收敛时间上界可任意预先设定。
2024-04-01 cs.SY eess.SY
High Order Robust Adaptive Control Barrier Functions and Exponentially Stabilizing Adaptive Control Lyapunov Functions
Boston University（波士顿大学）
研究了利用数据驱动自适应控制技术保证高关联度不确定非线性系统的稳定性和安全性问题。我们首先介绍了高阶鲁棒自适应控制障碍函数（HO-RaCBF）的概念，作为一种手段来计算控制策略，保证满足高相对程度的安全约束，在面对参数模型的不确定性。所开发的方法通过最初考虑所有可能的参数实现来保证安全性，但利用在线记录的数据自适应地减少参数估计中的不确定性。然后，我们引入指数稳定自适应控制李雅普诺夫函数（ES-aCLF）的概念，利用相同的数据作为HO-RaCBF控制器，以保证指数收敛的系统轨迹。开发的HO-RaCBF和ES-aCLF统一在一个二次规划框架，其功效是通过两个数值例子，据我们所知，不能解决现有的自适应控制障碍函数技术。
2022-03-03 cs.RO cs.SY eess.SY
Formal Synthesis of Lyapunov Neural Networks
University of Oxford（牛津大学）；Amazon Inc.（亚马逊公司）
我们提出了一个自动的和正式的声音的方法来合成李雅普诺夫函数的自治非线性系统的渐近稳定性。传统的方法要么是分析性的，需要人工劳动，要么是数值的，但缺乏形式上的合理性。介于两者之间的李雅普诺夫函数的符号计算方法给出了正式的保证，但通常是半自动的，因为它们依赖于用户提供适当的函数模板。我们提出了一种方法，发现李雅普诺夫函数完全自动$-$使用机器学习$-$，同时还提供正式的保证$-$使用可满足性模理论（SMT）。我们采用了一个反例引导的方法，其中一个数值学习器和一个符号验证器相互作用，以构建可证明正确的李雅普诺夫神经网络（LNN）。学习者训练一个满足样本集渐近稳定性的李雅普诺夫准则的神经网络;验证者通过SMT求解证明整个域都满足该准则，或者用反例增加样本集。我们的方法支持具有多项式激活函数和多个深度和宽度的神经网络，这些神经网络具有广泛的学习能力。我们证明了我们的方法在几个非平凡的基准和比较有利的数值优化为基础的方法，一个符号模板为基础的方法，和同源LNN为基础的方法。我们的方法合成李雅普诺夫函数更快，更广泛的空间域比的替代品，但提供更强或同等的保证。
2020-06-24 cs.LG cs.LO cs.SY
Optimal Control with Lyapunov Stability Guarantees for Space Applications
本文针对空间应用中的非线性无限时域最优控制问题，提出将问题分解为有限时域终端代价引导和无限时域线性调节两阶段，在保证全局渐近稳定性的同时，通过仿真验证了在姿态控制、交会机动和软着陆中的有效性。
2025-10-09 cs.SY eess.SY math.OC
Sufficient Lyapunov conditions for exponential mean square stability of discrete-time systems with markovian delays (extended version)
本文给出了离散马尔可夫时滞系统指数均方稳定的充分李亚普诺夫条件。我们提供了一个转换的离散时间系统的马尔可夫时滞到离散时间马尔可夫跳系统。然后，将离散时滞有向图系统全局渐近稳定性的充分李雅普诺夫条件推广到离散时滞马尔可夫系统的均方稳定性.最后，通过实例验证了该方法的有效性和优越性.
2021-04-26 cs.SY eess.SY
Lyapunov Density Models: Constraining Distribution Shift in Learning-Based Control
University of California, Berkeley（加州大学伯克利分校）
当在训练数据的分布内进行评估时，学习的模型和策略可以有效地推广，但是可能在分布外的输入上产生不可预测的和错误的输出。为了避免在部署基于学习的控制算法时出现分布偏移，我们寻求一种机制来约束智能体的状态和动作，使其与训练时的状态和动作相似。在控制理论中，李雅普诺夫稳定性和控制不变集允许我们保证控制器使系统稳定在特定状态附近，而在机器学习中，密度模型允许我们估计训练数据分布。我们能否将这两个概念结合起来，产生基于学习的控制算法，仅使用分布内动作将系统约束到分布内状态？在这项工作中，我们建议这样做，从李雅普诺夫稳定性和密度估计相结合的概念，引入李雅普诺夫密度模型：控制李雅普诺夫函数和密度模型的推广，提供保证代理的能力，留在分布在其整个轨迹。
2022-06-21 cs.LG cs.SY eess.SY
Neural Lyapunov Differentiable Predictive Control
Pacific Northwest National Laboratory（太平洋西北国家实验室）
提出一种基于可微编程和概率李雅普诺夫稳定性保证的神经预测控制方法，联合学习策略与李雅普诺夫函数，提供离线训练的高效替代方案，并通过双积分器和飞机模型仿真验证优势。
2022-05-22 cs.LG cs.SY eess.SY
Linear model predictive control based on polyhedral control Lyapunov functions: theory and applications
Univ. of Pisa（比萨大学）
利用多面体控制Lyapunov函数（PCLF）在有限时域线性模型预测控制中保证最大吸引域，并提出了两种变体，所有方案均可转化为二次规划问题。
2012-08-12 cs.SY eess.SY math.OC
Model Reference Adaptive Control of Piecewise Affine Systems with State Tracking Performance Guarantees
本文研究不确定分段仿射系统的模型参考自适应控制方法。所提出的方法确保误差度量，定义为加权欧几里德范数的状态跟踪误差，被限制在用户定义的时变性能范围内。我们引入一个辅助性能函数来构造一个障碍李雅普诺夫函数。该辅助性能信号在每个切换时刻被复位，这防止了由切换时刻的误差度量的跳变引起的障碍的越过。基于用户定义的性能界限和辅助性能函数的参数导出停留时间约束。我们还证明了李雅普诺夫函数是非增加的，即使在切换瞬间，因此不施加额外的停留时间的限制。此外，我们提出了鲁棒修改的自适应控制器的不确定分段仿射系统的非匹配干扰。数值算例验证了该方法的正确性。
2021-03-04 cs.SY eess.SY
Simultaneous Online System Identification and Control using Composite Adaptive Lyapunov-Based Deep Neural Networks
University of Florida（佛罗里达大学）
针对非线性系统，提出一种基于李雅普诺夫稳定性分析的深度神经网络在线自适应更新方法，同时实现系统辨识与轨迹跟踪，并保证跟踪误差、状态导数估计误差和网络权重估计误差一致最终有界。
2026-05-21 cs.SY eess.SY
Guaranteed Time Control using Linear Matrix Inequalities
Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学）；Instituto Federal de Minas Gerais（米纳斯吉拉斯联邦理工学院）；University of São Paulo（圣保罗大学）；Université Polytechnique Hauts-de-France（上法兰西理工大学）
本文提出一种方法，通过谐波变换Lyapunov函数和分段二次表示，保证在考虑不确定性和输入状态约束时，达到非零测度目标集的最短时间上界。
2026-04-17 cs.SY eess.SY
Safe and Stable Filter Design Using a Relaxed Compatibitlity Control Barrier -- Lyapunov Condition
本文提出一种基于二次规划的滤波器，利用松弛兼容的CBF与CLF条件，在无需渐近稳定控制律的情况下同时保证系统安全性与局部渐近稳定性，并通过平方和规划实现多项式系统的设计。
2024-06-29 cs.SY eess.SY math.OC
Stabilizing Neural Control Using Self-Learned Almost Lyapunov Critics
UC San Diego（加州大学圣迭戈分校）
缺乏稳定性保证限制了基于学习的方法在机器人核心控制问题中的实际应用。在无模型强化学习（RL）环境中，我们开发了学习神经控制策略和神经李雅普诺夫评价函数的新方法。我们使用基于样本的方法和几乎李雅普诺夫函数条件，通过学习的李雅普诺夫临界函数来估计吸引区域和不变性。该方法增强了神经控制器的稳定性，用于各种非线性系统，包括汽车和四旋翼控制。
2021-07-11 cs.RO cs.SY eess.SY
Neural Lyapunov Control
UCSD（加州大学圣地亚哥分校）
我们提出了新的方法学习控制策略和神经网络李雅普诺夫函数的非线性控制问题，可证明的稳定性保证。该框架包括一个学习者，试图找到控制和李雅普诺夫函数，和一个证伪器，发现反例，快速引导学习者走向解决方案。当证伪者没有找到反例时，该过程终止，在这种情况下，受控非线性系统是可证明稳定的。该方法大大简化了李雅普诺夫控制器的设计过程，提供了端到端的正确性保证，并且可以获得比现有的LQR和SOS/SDP等方法更大的吸引域。我们展示了新方法如何获得高质量的解决方案，具有挑战性的控制问题的实验。
2022-09-22 cs.LG cs.NE cs.RO
Comments on "Time-Varying Lyapunov Functions for Tracking Control of Mechanical Systems With and Without Frictions"
在文章$^a$中，作者引入了一种时变李雅普诺夫函数，用于分析运动由标准牛顿-欧拉方程控制的非线性系统的稳定性。作者建立了渐近稳定性的控制律中的两个对称正定矩阵的选择一定的特征值界的限制。本文利用积分反推和李雅普诺夫重新设计方法，在李雅普诺夫意义下，仅用一个矩阵就可以证明控制器的指数稳定性。我们不施加最小特征值界的要求，在我们的分析，以保证稳定性的对称正定矩阵。减少控制律中所需的参数，我们的分析提高了文章$^a$中报告的跟踪误差的稳定性和收敛速度。$^a$ Ren，W.，Zhang，B，Li，H，and Yan L. IEEE Access.第8卷。pp. 51510-51517. 2020.
2022-09-09 cs.SY eess.SY
Certificates of Nonexistence for Lyapunov-Based Stability, Stabilizability and Detectability of LPV Systems
针对Lyapunov方法无法求解时结论不明确的问题，提出基于LMI的择一定理，通过计算“不存在性证书”证明LPV系统不存在多二次Lyapunov函数及其控制器和观测器。
2023-05-25 cs.SY eess.SY math.OC
Rapid Lyapunov control of finite-dimensional quantum systems
University of Science and Technology of China（中国科学技术大学）；University of New South Wales（新南威尔士大学）
本文提出两类新李雅普诺夫控制方法，用于实现量子态的快速收敛控制。一种是切换李雅普诺夫控制，通过切换 bang-bang 和标准李雅普诺夫控制设计控制律；另一种是近似 bang-bang 李雅普诺夫控制，提出两种连续可微且具有 bang-bang 特性的控制函数。
2015-12-08 cs.SY eess.SY quant-ph
Safe Stabilization using Nonsmooth Control Lyapunov Barrier Function
针对安全镇定中光滑李雅普诺夫屏障函数无法保证控制器可行性的问题，提出非光滑控制李雅普诺夫屏障函数（NCLBF）及其系统设计框架，在多个不安全区域下实现了安全镇定，理论分析与仿真验证了其优越性。
2025-04-07 cs.SY eess.SY
Pitfalls of Guaranteeing Asymptotic Stability in LPV Control of Nonlinear Systems
近年来，针对非线性系统的线性变参数（LPV）控制综合，提出了一种新的控制方法，该方法用于实现系统的渐近输出跟踪和扰动抑制，但当系统的调度变量保持在设计过程中考虑的有界区域内时，该方法却不能实现期望的渐近跟踪和扰动抑制。已经观察到，即使存在积分作用，在有界常数输入扰动存在下，被控系统也可能表现出围绕平衡点的振荡运动。这项工作的目的是调查如何和为什么基线李雅普诺夫稳定性的概念，目前广泛使用的LPV框架，无法保证所需的系统行为。具体而言，它示出了为什么二次李雅普诺夫概念是不足以始终保证渐近稳定的参考跟踪和扰动抑制的情况下，为什么平衡独立的稳定性概念是需要LPV稳定性分析和控制器的合成。所介绍的概念和明显的陷阱，通过一个仿真例子证明。
2020-04-28 cs.SY eess.SY
Stability Verification for Switched Systems using Neural Multiple Lyapunov Functions
School of Automation and Intelligent Sensing, Shanghai 200240, China（自动化与智能感知学院）
本文提出神经多Lyapunov函数，结合理论保证与计算效率，用于状态依赖切换条件下的切换系统稳定性分析。
2026-01-02 cs.SY eess.SY
Input-to-State Stabilizing Neural Controllers for Unknown Switched Nonlinear Systems within Compact Sets
IISc, Bengaluru, India（印度科学学院）；Centre for Cyber-Physical Systems（网络物理系统中心）
本文提出了一种基于神经网络的控制框架，用于确保未知切换非线性系统的输入到状态稳定性及安全性，通过神经网络参数化和训练实现稳定性保证。
2026-01-21 cs.SY eess.SY
A Time-Barrier Lyapunov Condition for Predefined-Time Stability
The Department of Electrical and Electronic Engineering, Gumushane University（居姆沙内大学电气与电子工程系）
本文提出了一种基于时间障碍的预定义时间稳定性方法，通过非自主Lyapunov机制强制收敛，确保在预定义截止时间内完成非线性系统的稳定性控制。
2025-12-28 cs.SY eess.SY
Certified Set Convergence for Piecewise Affine Systems
Technical University of Munich（慕尼黑工业大学）；Hainan Bielefeld University of Applied Sciences（海南比勒费尔德应用科学大学）
本文提出通过神经Lyapunov函数认证分段仿射系统在有界扰动下的集收敛，采用Hamilton-Jacobi反向可达性训练的价值函数和排列不变的Deep Sets控制器，实现对整个状态集的验证，保证在不同模式下集的收敛。
2026-11-10 cs.SY eess.SY
Statistical Guarantees in Data-Driven Nonlinear Control: Conformal Robustness for Stability and Safety
Department of Aerospace Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校航空航天工程系）
提出一种与真实动力学无关的统计严谨框架，通过保形鲁棒性概念，利用保形预测量化模型预测不确定性，构建保形鲁棒控制李雅普诺夫函数和屏障函数，为全数据驱动非线性控制提供有限时域指数稳定性和安全性的统计保证。
2026-06-01 cs.SY eess.SY
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
Super-twisting over networks: A Lyapunov approach for distributed differentiation
Universidad de Zaragoza（萨拉戈萨大学）；Tecnológico Nacional de México, Instituto Tecnológico José Mario Molina Pasquel y Henríquez（墨西哥国立理工学院，何塞·马里奥·莫利纳·帕斯克尔和恩里克兹理工学院）
本文提出了一种基于Lyapunov方法的网络分布式微分算法，通过构造Lyapunov函数实现系统化的增益设计和全局有限时间收敛，并结合事件触发机制优化通信与估计精度的平衡。
2026-02-02 cs.SY eess.SY math.OC
A Lyapunov Characterization of Robust D-Stability with Application to Decentralized Integral Control of LTI Systems
University of Toronto（多伦多大学）
本文提出鲁棒D稳定性的一个Lyapunov条件，用于分析多变量线性时不变系统的去中心化积分控制稳定性。
2026-05-15 cs.SY eess.SY math.OC
Numerical and Lyapunov-Based Investigation of the Effect of Stenosis on Blood Transport Stability Using a Control-Theoretic PDE Model of Cardiovascular Flow
本文利用二阶有限体积格式求解心血管血流PDE模型，结合数值测试与李雅普诺夫稳定性分析，证明参考轨迹渐近稳定且衰减率随狭窄恶化而降低。
2024-08-02 cs.NA cs.SY eess.SY
Lyapunov-Based Deep Residual Neural Network (ResNet) Adaptive Control
针对ResNet自适应控制器缺乏Lyapunov权重更新律的问题，本文提出首个基于Lyapunov推导的ResNet自适应控制方法，并通过非光滑分析保证渐近收敛，Monte Carlo仿真显示其较全连接DNN性能提升64%。
2025-02-15 cs.SY eess.SY
A Lyapunov-Based Small-Gain Theorem for Fixed-Time Stability
University of California, San Diego（加州大学圣地亚哥分校）
本文提出一种基于李雅普诺夫的小增益方法，通过非线性小增益条件确保互联动力系统的固定时间稳定性，并填补了该领域稳定性分析的重要空白。
2026-06-01 cs.SY eess.SY
From Data to Global Asymptotic Stability of Unknown Large-Scale Networks with Provable Guarantees
本文提出一种组合式数据驱动方法，仅利用每个未知子系统的一条轨迹数据设计局部控制器，并通过小增益推理合成网络级控制Lyapunov函数，将计算复杂度从多项式降为线性，从而为大规模互连网络提供全局渐近稳定性保证。
2025-03-11 cs.SY eess.SY
When Motion Learns to Listen: Diffusion-Prior Lyapunov Actor-Critic Framework with LLM Guidance for Stable and Robust AUV Control in Underwater Tasks
Department of Engineering, University of Cambridge（剑桥大学工程系）；Duke University（杜克大学）；Stanford University（斯坦福大学）
本文提出一种结合扩散模型、Lyapunov批评者和LLM的框架，用于提升水下机器人控制的稳定性与鲁棒性，通过生成-过滤-优化机制实现高效探索和多目标优化。
2025-11-21 cs.SY eess.SY
Performance Guaranteed Inertia Emulation for Diesel-Wind System Feed Microgrid via Model Reference Control
University of Tennessee, Knoxville（田纳西大学诺克斯维尔分校）；Oak Ridge National Laboratory（橡树岭国家实验室）
本文提出基于模型参考控制的惯性仿真策略，通过精确仿真惯性保障性能。采用典型频率响应模型作为参考模型，通过特定位置的测量信息实现柴油-风系统速度跟踪，仅涉及机械动力学和状态反馈设计，结果表明仿真惯性精确且性能安全。
2018-02-09 cs.SY eess.SY
Synthesis of Limit Cycles and Reference Tracking via Switching Affine Systems
University of Kassel（卡塞尔大学）
本文提出利用切换仿射动力学近似非线性常微分方程的极限环，以简化数据驱动建模与分析。通过在更高维状态空间中使用更通用的分区并结合外部信号，提出保证全局稳定的极限环合成方法，并通过约束优化解决参考跟踪问题。
2026-05-07 cs.SY eess.SY
Control Lyapunov Functions for Optimality in Sontag-Type Control
Technical University of Munich（慕尼黑工业大学）
本文提出两种构造性的CLF设计方法，用于在非线性多输入系统中实现最优性与全局稳定性。
2026-02-04 cs.SY eess.SY
Learning-Based Adaptive Dynamic Routing with Stability Guarantee for a Single-Origin-Single-Destination Network
研究单源单宿排队网络中具有稳定性保证的基于学习的自适应动态路由，提出基于分段线性函数参数化的广义最短路径策略与策略迭代算法，在确保稳定性的同时实现近最优路由且计算效率显著提升。
2024-08-27 cs.SY eess.SY
Sampled-Data Stabilization with Control Lyapunov Functions via Quadratically Constrained Quadratic Programs
基于控制李雅普诺夫函数（CLF）的非线性系统的控制器设计最近已成功地应用于各种困难的控制任务。这些现有的配方不解决连续时间模型的设计和离散时间采样实现的控制器之间的差距，往往导致硬件平台上的性能差。我们提出了一种方法来缩小这一差距，通过合成采样数据对应这些基于CLF的控制器，指定为二次约束二次规划（QCQP）。假设系统的连续时间模型的反馈线性化和稳定的零动态，我们得到实际的采样数据系统的稳定性保证。我们证明了改进的性能，所提出的方法在连续时间的模拟。
2021-03-05 cs.SY eess.SY
Enforcing a Strict Safety Margin in LLM Text Generation via Barrier Lyapunov Control
Institute of Science Tokyo（东京科学大学）；Indian Institute of Technology Jodhpur（印度理工学院乔德普尔分校）
该研究针对LLM文本生成中现有CBF安全过滤器无安全裕度的局限，提出BLF安全过滤器，可强制规定安全裕度，经仿真验证能提升安全性能。
2026-10-14 cs.SY eess.SY
Control Lyapunov-Barrier Function Based Model Predictive Control for Stochastic Nonlinear Affine Systems
针对随机非线性仿射系统，提出融合CLBF、采样数据MPC与事件触发机制的控制框架，以保证稳定性、可行性并提升采样间隔性能，且经避障示例验证。
2023-06-26 cs.SY eess.SY
Safe Control with Learned Certificates: A Survey of Neural Lyapunov, Barrier, and Contraction methods
Massachusetts Institute of Technology（麻省理工学院）；University of California, San Diego（加州大学圣地亚哥分校）
学习控制系统在机器人技术中具有挑战性的控制问题上表现出令人印象深刻的经验性能，但这种性能是以降低透明度和缺乏对学习控制器的安全性或稳定性的保证为代价的。近年来，出现了新的技术，通过学习证书和控制策略来提供这些保证-这些证书提供简洁的数据驱动证明，保证了学习控制系统的安全性和稳定性。这些方法不仅允许用户验证学习控制器的安全性，而且还在训练期间提供监督，允许安全性和稳定性要求影响训练过程本身。在本文中，我们提供了一个全面的调查这一迅速发展的领域的证书学习。我们希望这篇论文将作为一个容易理解的介绍证书学习的理论和实践，无论是那些谁希望将这些工具应用到实际的机器人问题和那些谁希望更深入地研究控制学习的理论。
2022-12-20 cs.RO cs.SY eess.SY
A Safe and Stable Controller for Fuel Cell Systems Using Adaptation and Reference Governors
本文提出一种结合适应与Lyapunov基于参考控制器的控制架构，确保一阶系统参数不确定性下的状态约束满足。适应与参考控制器结合保证了稳定性、良好的控制性能及安全性。燃料电池温度调节仿真显示，所提架构满足所有控制与安全目标，而标准适应方法无法实现。
2026-04-20 cs.SY eess.SY
