Stability Analysis of Piecewise Affine Systems with Multi-model Model Predictive Control
The University of Manchester(曼彻斯特大学)
本文研究了多模型线性MPC与观测器结合的分段仿射系统稳定性问题,通过IQCs和耗散不等式分析不确定性对稳定性的影响,提出静态乘子以降低保守性,通过工程案例验证方法有效性。
2018-08-01 cs.SY eess.SY
Stable Inversion of Piecewise Affine Systems with Application to Feedforward and Iterative Learning Control
本文针对分段仿射(PWA)系统提出闭式逆公式与稳定求逆方法,证明解的存在唯一性并给出计算方法,还结合迭代学习控制(ILC)在打印头定位系统仿真中验证了其前馈控制的有效性与实用性。
2024-04-15 cs.SY eess.SY
Distributed Model Predictive Control for Piecewise Affine Systems Based on Switching ADMM
本文针对分段仿射系统提出一种基于切换ADMM的分布式模型预测控制方法,仅需求解凸优化问题即可处理子系统耦合,并在数值实验中显著提升了计算效率和闭环性能。
2024-12-18 cs.SY eess.SY math.OC
Beyond Shrinkage: Foundations of Data-Driven Control for Piecewise Affine Systems
Eindhoven University of Technology(埃因霍温理工大学);Leibniz University Hannover(汉诺威莱布尼茨大学);Politecnico di Milano(米兰理工大学)
本文通过行为刻画、Willems基本引理扩展、线性预测器与收缩正则化的一致性分析以及误分类误差影响研究,为分段仿射系统的数据驱动预测控制奠定理论基础。
2026-05-22 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
Lattice piecewise affine approximation of explicit nonlinear model predictive control with application to trajectory tracking of mobile robot
Harbin Institute of Technology Shenzhen(哈尔滨工业大学深圳校区)
为了促进移动机器人在各个领域的广泛应用,必须保证其轨迹跟踪性能。针对移动机器人系统的约束条件和非线性特点,采用非线性模型预测控制(MPC)实现移动机器人的轨迹跟踪。针对非线性预测控制在线计算复杂的问题,设计了一种格点分段仿射(PWA)逼近方法,该方法既能逼近非线性系统,又能逼近显式非线性预测控制的控制律。移动机器人的运动学模型沿轨迹依次线性化,得到系统的线性时变描述,然后用格型PWA模型表示。随后,非线性MPC问题可以转化为一系列线性MPC问题。此外,为了降低在线计算多个线性MPC问题的复杂性,我们使用格PWA模型来近似线性MPC的最优解。也就是说,对于不同的采样状态,最优控制输入,并构造格PWA近似的状态控制对。通过与线性MPC和显式线性MPC框架的比较,进行仿真来评估我们的方法的性能。结果表明,与显式线性预测控制方法相比,该方法在线计算速度快,离线计算时间短,跟踪误差不明显增加。
2023-02-16 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
Approximate Dynamic Programming for Constrained Linear Systems: A Piecewise Quadratic Approximation Approach
本文提出一种结合ADP与MPC的方法,利用新型凸分段二次神经网络近似CLQR问题的价值函数,并开发高效分解算法加速在线计算,在保证闭环稳定性的同时提升了计算效率与最优性。
2023-04-07 cs.SY eess.SY
Data-Enabled Predictive Iterative Control
提出用于迭代LTI系统的数据使能预测迭代控制(DeePRC)算法,通过基于左核的输入扰动设计实现安全主动探索,丰富历史数据并加速迭代收敛。
2024-05-30 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
Iterative Learning Economic Model Predictive Control
Nanyang Technological University(南洋理工大学);Shandong University(山东大学)
本文提出了一种基于迭代学习的经济模型预测控制器(ILEMPC),能够处理多种控制目标,包括稳定、跟踪周期轨迹和纯经济优化,并通过学习提升性能。
2018-02-10 cs.SY eess.SY
Task Decomposition for Iterative Learning Model Predictive Control
University of California, Berkeley(加州大学伯克利分校)
提出了一种迭代学习模型预测控制的任务分解方法。我们考虑一个受约束的非线性动力系统,并假设解决任务T1的状态输入对数据集的可用性。我们的目标是找到一个可行的模型预测控制政策的第二个任务,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,我们提出了一个正式的子任务和任务分解问题的定义,并提供了可行性和迭代成本的改进证明简单的初始化。我们证明了所提出的方法的有效性自主赛车和机器人操作实验。
2020-03-11 cs.LG cs.SY eess.SY
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
Robust Learning Model Predictive Control for Linear Systems Performing Iterative Tasks
针对不确定系统的迭代任务,提出了一种鲁棒学习模型预测控制器(LMPC)。在控制任务的每次迭代中,闭环状态、输入和成本被存储并用于控制器设计。本文首先阐述了如何利用历史数据构造鲁棒不变集和安全控制策略。然后,我们提出了一个迭代LMPC的设计过程中,在迭代$j$的鲁棒控制器产生的数据被用来设计一个鲁棒LMPC在下一个$j+1$迭代。我们表明,这个过程允许我们迭代地扩大域的控制策略,它保证递归约束的满足,输入到状态稳定性和性能界的确定性等价的闭环系统。自适应预测范围的使用是所提出的设计的关键要素。所提出的控制方案的有效性示出了线性系统受有界附加干扰。
2021-07-02 cs.SY eess.SY math.OC
An Improved Approach for Output Feedback Model Predictive Control of Hybrid Systems
本文针对LPV及混合系统提出一种基于准最小-最大算法的改进鲁棒模型预测控制方案,通过新代价函数和不确定性处理,在LMI输入约束下保证鲁棒稳定性并减少切换扰动。
2023-11-29 cs.SY eess.SY
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
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
Learning Model Predictive Control for iterative tasks. A Data-Driven Control Framework
University of California at Berkeley(加州大学伯克利分校)
本文提出一种无参考模型预测控制器,通过学习前次迭代提升性能,利用安全集和终端成本函数保证递归可行性,通过状态和输入轨迹递归构建终端集和终端成本函数,仿真验证了控制逻辑的有效性。
2017-12-14 cs.LG cs.SY eess.SY
On the Optimality and Convergence Properties of the Iterative Learning Model Predictive Controller
在本技术说明中,我们分析了线性确定性系统的学习模型预测控制(LMPC)策略的性能改进和最优性属性。LMPC框架是一种策略迭代方案,其中闭环轨迹用于更新控制策略以用于控制任务的下一次执行。我们表明,当线性独立约束规格(LICQ)条件成立,LMPC计划保证严格的迭代性能改善和最优性,这意味着在整个任务的闭环成本评估渐近收敛到无限时域控制问题的最优成本。与以前的工作相比,这个充分LICQ条件可以很容易地检查,它适用于更大的一类系统,它可以用来自适应地选择控制器的预测范围,作为数值例子证明。
2022-02-01 cs.SY eess.SY math.OC
Controller Synthesis with Inductive Proofs for Piecewise Linear Systems: an SMT-based Algorithm
Coordinated Science Laboratory, University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校协同科学实验室);Department of Computer Science, Rice University(莱斯大学计算机科学系)
本文提出一种基于SMT的控制器合成算法,用于解决分段线性离散时间系统的可达-避免问题,通过生成反馈控制律和归纳证明无界时间安全性和进展性质。
2015-09-15 cs.SY eess.SY
Learning explicit predictive controllers: theory and applications
在本文中,我们处理的线性时不变(LTI)系统的数据驱动预测控制。具体来说,我们首次展示了如何直接从数据中学习明确的预测规律,而不需要识别要控制的系统。为了这个目的,我们诉诸威廉姆斯的基本引理,我们推导出明确的公式,通过适当地阐述调查中的约束优化问题。在无噪声数据的情况下,所得到的最优控制器是一个分段仿射系统,与原始基于模型的问题的解相吻合。这种等价性被证明在存在测量噪声的情况下也渐近保持,从而使得所提出的方法成为最先进的预测控制的计算效率(但无模型)的替代方案。上述陈述进一步支持了三个基准示例的数值模拟。
2021-09-13 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
SIT-LMPC: Safe Information-Theoretic Learning Model Predictive Control for Iterative Tasks
University of Pennsylvania(宾夕法尼亚大学);University of Central Florida(佛罗里达大学);Lyric
SIT-LMPC通过信息论方法和归一化流学习,实现对迭代任务中安全性和性能的平衡优化。
2026-02-18 cs.AI cs.RO cs.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
Reconfigurable Plug-and-play Distributed Model Predictive Control for Reference Tracking
针对变拓扑网络提出了一种即插即用的模型预测控制(PSTMPC)方案,以跟踪分段常数参考。该方案允许子系统偶尔加入和离开网络,同时保持渐近稳定性和递归的可行性,包括两个主要阶段。在重新设计阶段,基于无源性的控制,以确保网络的渐近稳定性得到保持。在过渡阶段,可重构的终端成分,以确保分布式MPC问题是最初可行的后,PPENDIX操作。所提出的方案的有效性进行评估,将其应用到网络的质量弹簧阻尼器系统,并将其与基准计划。结果发现,新的重新设计阶段的结果在更快的PAPPLE操作,而新的过渡阶段,通过接受更多的请求,增加了灵活性。
2022-11-16 cs.SY eess.SY
Data-driven design of explicit predictive controllers using model-based priors
在本文中,我们提出了一种数据驱动的方法来获得显式预测控制律,而不需要任何中间识别步骤。所提出的策略的重点是利用现有的控制律的先验知识,来自基于模型的分析。具体来说,通过利用最优预测控制器表示为分段仿射(PWA)法的知识,我们直接从数据中优化这种分析控制器的参数,而不是运行在线优化问题。由于所提出的方法允许我们自动检索的闭环系统的模型,我们表明,我们可以应用基于模型的技术来执行稳定性检查之前的控制器部署。所提出的策略的有效性进行评估的两个基准模拟的例子,通过它,我们还讨论了使用正则化和平均技术相结合,以处理噪声的存在。
2022-07-04 cs.SY eess.SY
Explicit Model Predictive Control with Quantum Encryption
Australian Centre for Robotics, School of Aerospace, Mechanical and Mechatronic Engineering, The University of Sydney(悉尼大学航空航天、机械与机电工程学院澳大利亚机器人中心);State Key Laboratory of Industrial Control Technology, Institute of Cyber-Systems and Control, Zhejiang University(浙江大学控制科学与工程学院工业控制技术国家重点实验室);School of Electrical and Computer Engineering, The University of Sydney(悉尼大学电气与计算机工程学院)
本文研究了基于云架构的量子加密显式MPC,通过离线求解有限时间二次MPC问题获得分段仿射控制器,利用量子密钥分发保护的量子密钥加密传感器与执行器间的在线控制评估,提出轻量级加密显式MPC协议,证明了明文控制动作的精确恢复并分析了计算效率。
2026-03-24 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
Online Computation of Terminal Ingredients in Distributed Model Predictive Control for Reference Tracking
一个分布式模型预测控制计划开发用于跟踪分段恒定的参考,其中的终端设置重新配置在线,而终端控制器离线计算。与许多标准的现有计划,该计划产生大的可行区域,而无需执行离线集中计算。虽然由此产生的最优控制问题(OCP)是一个半定规划(SDP),SDP的可扩展性方法的基础上对角优势是用来近似推导的SDP的二阶锥规划。所提出的方案及其近似的OCP服从分布式优化。这两种方案进行了评估,使用电力网络的例子,并进行比较的终端控制器在线重新配置的方案。结果发现,固定的终端控制器的结果在更好的性能,显着减少计算成本和类似的可行域的情况下,在该控制器在线重新配置。
2022-07-19 cs.SY eess.SY
Distributed Model Predictive Control with Reconfigurable Terminal Ingredients for Reference Tracking
各种努力已经致力于开发用于跟踪分段常数参考的稳定分布式模型预测控制(MPC)方案。在这些方案中,终端集通常离线计算,并用于MPC在线阶段,以保证递归的可行性和渐近稳定性。最大不变终端集不一定尊重网络的分布式结构,阻碍了控制器的分布式实现。另一方面,椭圆形终端集尊重分布式结构,但可能会导致保守方案。针对网络化动力系统的参考跟踪问题,提出了一种新的分布式MPC方法,该方法根据闭环状态在线重构终端成分,以缓解上述问题.由此产生的非凸无限维问题近似使用二次规划。所提出的方案进行了测试,在模拟中,建议的MPC问题,采用分布式优化解决。
2021-10-27 cs.SY eess.SY
Robust Output-Lifted Learning Model Predictive Control
针对一类具有可加性、未建模动态的非线性系统,提出了一种迭代方法来设计鲁棒学习模型预测控制(LMPC)策略.假设标称动态是差分平坦的,即,可以使用平坦输出序列来重构状态和输入。对于所考虑的一类系统,我们合成鲁棒MPC政策,并展示如何使用在迭代任务期间收集的历史轨迹数据,以1)获得未建模动态的界限,2)在输出序列空间中构建凸值函数近似以及凸安全集,用于在鲁棒MPC设计中设计终端组件。我们表明,所提出的策略保证了强大的约束满足,渐近收敛到所需的子集的状态空间,和非递减的闭环性能在每个政策更新。最后,仿真结果表明所提出的策略的有效性最小时间控制问题使用的约束非线性和不确定的车辆模型。
2023-03-21 cs.SY eess.SY
Output-Lifted Learning Model Predictive Control
针对一类非线性系统的约束最优控制问题,提出了一种计算效率高的学习模型预测控制(LMPC)方法,其中状态和输入可以利用提升输出进行重构.对于所考虑的一类系统,我们展示了如何使用在迭代任务期间收集的历史轨迹数据来构建凸值函数近似以及虚拟输出提升空间中的凸安全集。这些结构迭代地更新历史数据,并用于合成预测控制策略。我们表明,该策略保证递归约束满足,渐近稳定性和非递减的闭环性能在每次政策更新。最后,仿真结果表明,所提出的策略的有效性分段仿射(PWA)系统,运动学的单向性和双线性直流电机。
2021-01-15 cs.SY eess.SY math.OC
Machine learning-based input-augmented Koopman modeling and predictive control of nonlinear processes
针对非线性过程,本文提出输入增广的 Koopman 建模与 MPC 方法,利用两个 DNN 同时升维状态和输入,并以迭代凸优化近似非凸控制问题。
2024-08-05 cs.SY eess.SY
Sensitivity Analysis for Piecewise-Affine Approximations of Nonlinear Programs with Polytopic Constraints
Delft University of Technology(代尔夫特理工大学);Southeast University(东南大学)
针对带多面体约束的非线性规划求解成本高的问题,本文利用凸模扰动分析推导了其分段仿射近似解与原问题最优解距离的保证边界,并通过两个案例验证了理论结果,可为近似解精度准则设定提供依据。
2024-05-30 cs.SY eess.SY math.OC
Hybrid Systems, Iterative Learning Control, and Non-minimum Phase
混杂系统在过去的几十年中已经稳步增长的普及,因为他们简化了建模复杂的非线性系统的任务。腿部运动、机器人操纵和增材制造是受益于混合建模的系统的代表性示例。它们也是重复过程的主要例子;步行中的步态周期,机器人操作中的产品装配任务,以及增材制造中的材料沉积。因此,他们也将大大受益于迭代学习控制(ILC),一类前馈控制器的重复系统,实现高性能的输出参考跟踪从过去的过程周期的错误学习。然而,文献是缺乏ILC合成的混合模型。本论文的主要目的是为确定性离散混杂系统,即分段定义(PWD)系统,提供一种广泛适用的迭代学习控制理论。总之,本论文解决的三个主要差距是:(1)现有的混合建模框架和迭代学习控制合成技术之间缺乏兼容性,(2)基于牛顿法的迭代学习控制(NILC)在具有不稳定逆的系统中失败,以及(3)缺乏分段仿射(PWA)系统(PWD系统的子集)的逆和稳定逆理论。这些问题的解决(1)开发一个封闭形式的PWD系统的表示,(2)开发一个新的ILC框架通知NILC,但新的能力,将稳定模型反演技术,和(3)推导出传统的和稳定的模型反演理论PWA系统。
2021-08-08 cs.SY eess.SY
On Piecewise Quadratic Terminal Costs for MPC
IMT School for Advanced Studies Lucca(卢卡高等研究院);ShanghaiTech University, School of Information Science and Technology(上海科技大学信息科学与技术学院)
本文提出了一种新的方法,用于合成线性模型预测控制(MPC)方案的稳定终端成分,旨在扩大吸引区域同时减少与无限时间最优控制问题解的次优性。该方法基于构造新的终端区域,结合了配置约束多边形计算领域的技术,并采用等于无限时间线性二次调节器成本的终端成本,在稳态非平凡邻域内。
2026-05-18 cs.SY eess.SY math.OC
Piecewise regression via mixed-integer programming for MPC
针对现有分段回归方法易陷入局部最优、或受限于特定函数类/结构复杂难以用于控制的问题,提出一种新的基于混合整数规划的分段回归方法,可求全局最优解,生成的函数求值快、可嵌入优化,适配控制场景需求。
2024-07-09 cs.SY eess.SY math.OC
Model Predictive Building Climate Control for Mitigating Heat Pump Noise Pollution (Extended Version)
本文提出一种基于MILP的模型预测建筑气候控制方法,通过分段线性近似热泵噪声模式并假设线性热动力学,在能源成本几乎不增加的情况下有效缓解了热泵噪声污染。
2025-04-05 cs.SY eess.SY
Sampling-based 3-D Line-of-Sight PWA Model Predictive Control for Autonomous Rendezvous and Docking with a Tumbling Target
采用三维视线动力学和欧拉姿态动力学的分段仿射(PWA)模型,采用模型预测控制(MPC)框架实现了具有翻滚目标的自主交会对接(AR&D)。考虑到近似线性模型得到的预测值与非线性动力学实际状态之间的误差,提出了一种基于采样的PWA MPC,对实际状态附近的预测值进行采样。此外,提出了新的约束结构,以减少在板计算成本和时间延迟。此外,还提出了一种无奇异性策略,实现了角态奇异性的平滑穿越。然后,通过对目标对接口的6自由度位姿(位置和姿态)进行连续跟踪来完成任务,并考虑了目标对接口位置和姿态之间的耦合。最后,数值结果来证明上述理论。
2022-11-03 cs.SY eess.SY
Multi-Rate Control Design Leveraging Control Barrier Functions and Model Predictive Control Policies
在本文中,我们提出了一个多速率控制架构的安全关键系统。我们考虑一个高层次的规划器和一个低层次的控制器,它们工作在不同的频率。这种多速率行为是由一个分段的非线性模型,它在一个连续和离散的水平上发展。首先,我们提出了充分条件,保证递归约束满足的闭环系统。之后,我们提出了一种控制设计方法,利用控制障碍函数(CBF)的低级别控制和模型预测控制(MPC)的政策,高层次的规划。控制障碍函数采用完全非线性动态模型设计,MPC基于简化的规划模型。当非线性系统为控制仿射系统且高层规划模型为线性系统时,通过求解各层的凸优化问题来计算控制动作。最后,我们展示了所提出的策略的有效性,在一个仿真例子中,低级别的控制动作更新的频率比高级别的命令。
2020-07-06 cs.SY eess.SY
Iterative State- and Control-Dependent Model Predictive Control: A Jacobian-Free Formulation for Constrained Nonlinear Systems
University of South Alabama(南阿拉巴马大学)
本文提出一种无雅可比的迭代模型预测控制算法,通过依赖状态与控制的系数将非线性系统转化为线性二次规划,复杂度为O(ℓ),在多个基准系统上验证了其性能优于密集序列二次规划等方法。
2026-08-18 cs.SY eess.SY math.OC
Sparse preconditioning for model predictive control
Mitsubishi Electric Research Laboratories(三菱电机研究实验室)
本文提出一种O(N)快速预处理方法,用于求解模型预测控制中出现的非线性系统。该方法基于连续/GMRES方法,利用GMRES迭代算法求解最优性方程的前向差分近似。
2016-03-11 cs.SY eess.SY math.OC
Linear Model-Predictive Controller (LMPC) for Building's Heating Ventilation and Air Conditioning (HVAC) System
Washington State University(华盛顿州立大学)
本文提出了一种用于建筑HVAC系统的线性模型预测控制器(LMPC),通过线性化方法提高了计算效率并准确逼近非线性最优控制决策。
2019-06-02 cs.SY eess.SY
Iterative McCormick Relaxation for Joint Impedance Control and Network Topology Optimization
Pukyong National University(釜庆国立大学);Washington State University(华盛顿州立大学)
本文提出一种迭代McCormick松弛方法,用于联合优化网络拓扑与阻抗控制,通过改进松弛精度以解决非线性混合整数优化问题。
2026-02-20 cs.SY eess.SY
Constrained Nonlinear Model Predictive Control of an MMA Polymerization Process via Evolutionary Optimization
Maplesoft(枫叶软件公司);Swiss Finance Institute(瑞士金融学院);University of Lugano(卢加诺大学)
本文开发了非线性模型预测控制器用于间歇聚合过程,通过参数化期望轨迹得到轨迹线性化分段模型,并利用实验聚合反应器识别参数,设计多模型自适应预测控制器以实现热轨迹跟踪,采用遗传算法解决约束优化问题以最小化DMC成本函数。
2015-02-15 cs.AI cs.SY eess.SY
Iterative Tuning of Nonlinear Model Predictive Control for Robotic Manufacturing Tasks
ZHAW Institute of Materials and Process Engineering(ZHAW材料与加工工程学院);Zürich University of Applied Sciences(苏黎世应用科学大学)
本文提出一种基于任务级反馈的迭代学习框架,用于在机器人重复制造任务中自适应调优非线性模型预测控制的权重矩阵,实现高效且精确的控制性能。
2026-01-02 cs.LG cs.RO cs.SY
Simple Policy Evaluation for Data-Rich Iterative Tasks
University of California at Berkeley(加州大学伯克利分校)
本文提出了一种基于数据的策略,用于迭代控制任务,该策略无需模型,可以在系统执行迭代任务时安全输入和状态轨迹可用时应用。这些轨迹与用户定义的成本函数结合,用于构建价值函数的分段仿射近似。近似的价值函数用于通过求解线性规划来评估控制策略。对于线性系统和凸成本和约束,该策略保证闭环约束满足和闭环轨迹的性能界限。通过仿真和实验(后者在伯克利自主赛车平台进行)验证了该策略的有效性,证明其计算时间减少一个数量级,同时性能与基于模型的控制算法相同。
2019-03-20 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
Approximate Dynamic Programming for Constrained Piecewise Affine Systems with Stability and Safety Guarantees
针对约束分段仿射系统无限时域最优控制中混合MPC计算受限的问题,提出带PWA惩罚函数的近似动态规划方法,通过两种控制策略提升在线效率,给出稳定性、安全性与次优性证明,经仿真验证了约束满足性与计算速度优势。
2024-12-13 cs.SY eess.SY
Error-free approximation of explicit linear MPC through lattice piecewise affine expression
Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));Delft University of Technology(代尔夫特理工大学);Shanghai Jiao Tong University(上海交通大学)
本文提出了显式线性模型预测控制(MPC)的析取和合取格型分段仿射(PWA)逼近。训练数据在感兴趣的域中均匀地生成,由状态样本和相应的仿射控制律组成,基于该仿射控制律构造格PWA近似。数据的重新采样也被提出,以保证格PWA近似是相同的显式MPC控制律的唯一顺序(UO)区域包含的样本点作为内部点。此外,在温和的假设下,两个格PWA近似的等价性保证了近似在感兴趣的域中是无误差的。给出了显式线性预测控制的无误差逼近算法,分析了整个过程的复杂性,其复杂性与样本数成多项式关系。通过两个仿真算例验证了所提出的逼近策略的性能,结果表明,在适当的样本点数目下,我们可以构造出与显式线性MPC最优控制律等价的格PWA逼近。
2022-07-20 cs.LG cs.SY eess.SY
Parallelized Robust Distributed Model Predictive Control in the Presence of Coupled State Constraints
本文提出一种并行化鲁棒分布式模型预测控制方案,通过一致性约束和管道处理耦合状态约束及有界不确定性,并支持迭代扩展,仿真验证了其有效性。
2024-10-04 cs.SY eess.SY
RLO-MPC: Robust Learning-Based Output Feedback MPC for Improving the Performance of Uncertain Systems in Iterative Tasks
Vector Institute for Artificial Intelligence(人工智能向量研究所)
在这项工作中,我们解决的问题时,我们有不确定的意见和动态执行重复的任务。我们将此问题表示为一个具有输出反馈的迭代无限时域最优控制问题。以前,这个问题被解决的线性时不变(LTI)系统的情况下,噪声的全状态测量是可用的使用鲁棒迭代学习控制框架,我们称之为鲁棒学习为基础的模型预测控制(RL-MPC)。然而,这项工作并不适用于只有部分状态的噪声观测的情况。这限制了当前方法在实践中的适用性:首先,在实际应用中,我们通常无法访问完整状态。第二,观察中的不确定性,如果不考虑,可能导致不稳定和约束违反。为了克服这些局限性,我们提出了一种RL-MPC与鲁棒输出反馈模型预测控制的组合,称为基于鲁棒学习的输出反馈模型预测控制(RLO-MPC)。我们展示了递归的可行性和稳定性,并证明了理论上的保证迭代的性能。我们验证了所提出的方法在仿真和实验中的四旋翼稳定任务的数值例子。
2021-10-01 cs.RO cs.SY eess.SY
Robust Precision Positioning Control on Linear Ultrasonic Motor
National University of Singapore(新加坡国立大学);Singapore Institute of Manufacturing Technology, A*STAR(新加坡制造技术研究所,A*STAR)
本文提出利用分段仿射模型模拟电机摩擦效应,采用模型预测控制方法提升定位精度,简化了传统复杂实验设计。
2013-05-28 cs.SY eess.SY
Batch Model Predictive Control for Selective Laser Melting
选择性激光熔化是一种很有前途的增材制造技术,可以制造高度可定制的产品。选择性激光熔化的一个主要挑战是确保所生产部件的质量,这在很大程度上受到打印层的热历史的影响。将模型预测控制与迭代学习控制相结合,提出了一种间歇模型预测控制方法。这种方法成功地拒绝了重复性和非重复性的干扰,从而实现了改善的跟踪性能和过程质量。在模拟研究中,选择性激光熔化动力学近似与降阶控制为导向的线性模型,以确保合理的计算复杂性。所提出的方法提供了收敛到所需的温度场分布,尽管模型的不确定性和干扰。
2022-04-08 cs.SY eess.SY