A Double-Layer Jacobi Method for PDE-Constrained Nonlinear Model Predictive Control
针对由偏微分方程（PDE）控制的系统，提出了一种非线性模型预测控制（NMPC）的实时最优化方法。通过使用有限差分法在空间和时间上离散PDE系统来制定待解决的NMPC问题。该方法被称为双层雅可比方法，它利用了空间和时间稀疏的偏微分方程约束的NMPC问题。在上层，NMPC问题通过忽略状态或协态（对应于状态方程的拉格朗日乘子）方程的时间耦合来解决，从而保持空间稀疏性。下层Jacobi方法是一种线性求解器，通过利用空间稀疏性来专用于PDE约束的NMPC问题。收敛性分析表明，该方法的收敛性与预测时域和正则化有关。对传热过程控制的数值实验结果表明，该方法比传统的结构开发牛顿法快两个数量级。
2020-04-06 cs.SY eess.SY math.OC
Probabilistic performance validation of deep learning-based robust NMPC controllers
尽管最近在计算硬件、优化算法和定制实现方面取得了进展，但实时解决非线性模型预测控制问题仍然是一个重要的挑战。当由于干扰、未知参数或测量和估计误差而存在不确定性时，这一挑战甚至更大。为了将先进控制方案应用于快速系统和低成本嵌入式硬件，我们建议使用深度学习近似鲁棒非线性模型控制器，并使用概率验证技术验证其质量。我们提出了一种基于有限族的概率验证技术，结合广义最大值和约束退避的思想，使统计上有效的结论与一般性能指标相关。对一个不确定非线性系统的仿真结果表明了该方法的潜力。
2021-09-22 cs.SY eess.SY math.OC
Nonlinear Model Predictive Control of Permanent Magnet Synchronous Generators in DC Microgrids
提出了一种新的策略，以控制内置永磁发电机的直流微电网通过有源整流器接口。控制器的设计是基于分解的系统动态到慢，快模式，使用奇异摄动理论。采用非线性模型预测控制（NMPC）设计了内电流控制器和外电压控制器。NMPC调节直流母线电压，并最大限度地减少交流侧损耗。然后根据飞机电力系统的实际情况给出了仿真结果。
2020-10-08 cs.SY eess.SY
Two-Timescale Reinforcement Learning for Real-Time Optimization and Economic NMPC: Experimental Validation
SINTEF Industry（辛特夫工业）；KU Leuven（荷语鲁汶大学）；Norwegian University of Science and Technology（挪威科技大学）
提出一种双时间尺度强化学习框架，同时调整RTO和ENMPC参数以应对模型失配，实验验证表明其经济利润比标称ENMPC高8.6%，并保持可行性。
2026-09-29 cs.SY eess.SY
Quantum optimization for Nonlinear Model Predictive Control
针对NMPC在线求解计算成本高的问题，提出量子计算方法，利用高效量子计算机以缩短计算时间并提升解质量。
2024-11-05 cs.SY eess.SY quant-ph
Large problems are not necessarily hard: A case study on distributed NMPC paying off
针对大规模系统集中式MPC计算效率问题，研究协作式DMPC的计算性能，将定制分散实时迭代方案应用于电力系统频率控制，结果显示其迭代次数不依赖子系统数量且与多线程集中式求解器性能相当。
2025-04-15 cs.SY eess.SY math.OC
Real-time MPC with Control Barrier Functions for Autonomous Driving using Safety Enhanced Collocation
针对自动驾驶NMPC安全约束扩展性差、计算量大的问题，提出融合控制屏障函数、基于新型RESAFE/COL配点法的实时NMPC，速度提升5倍且更适配嵌入式硬件，避撞能力提升91%。
2024-07-11 cs.SY eess.SY math.OC
Experimental Validation of Linear and Nonlinear MPC on an Articulated Unmanned Ground Vehicle
Massachusetts Institute of Technology（麻省理工学院）；University of Leuven (KU Leuven)（鲁汶大学（KU Leuven））；Boston University（波士顿大学）；Iowa State University（爱荷华州立大学）
研究铰接式无人地面车辆的轨迹跟踪控制问题。我们提出并比较两种方法的性能和计算复杂度。第一种方法使用一个非线性的数学模型，从第一原理，并结合了非线性模型预测控制器（NMPC）与非线性滚动时域估计（NMHE），以产生一个控制策略。第二种是基于输入状态线性化（ISL）的原始模型，其次是线性模型预测控制（LMPC）。提出了一种快速实时迭代方案，实现了NMHE-NMPC框架，并对ISL-LMPC框架进行了基准测试，这是一种传统且廉价的方法。基于时间的轨迹的实验结果表明，所提出的实时迭代方案的NMHE-NMPC框架给出了更好的轨迹跟踪性能比ISL-LMPC框架和所需的计算时间是可行的实时应用。此外，ISL-LMPC以显著降低的计算成本产生与NMHE-NMPC框架相当的质量的结果。
2021-03-25 cs.RO cs.SY eess.SY
Hierarchical Climate Control Strategy for Electric Vehicles with Door-Opening Consideration
本文提出一种考虑开门中断的电动汽车分层气候控制策略，通过冷却液分配层和基于开门信号的进风调节，显著减小开门温降和区域间温差，优于单层MPC和规则控制。
2024-03-31 cs.SY eess.SY
NMPC-based Motion Planning with Adaptive Weighting for Dynamic Object Interception
Department of Electrical and Computer Engineering, University of Kaiserslautern-Landau（电气与计算机工程系，凯撒斯劳滕-兰道大学）
本文提出了一种基于自适应终端MPC的运动规划方法，用于提高动态物体拦截任务的运动质量和鲁棒性，同时减少计算开销。
2025-11-19 cs.RO cs.SY eess.SY
Learning-Based Approximate Nonlinear Model Predictive Control Motion Cueing
Institute for Intelligent Systems Research and Innovation（智能系统研究与创新学院）；Deakin University（迪肯大学）；Sohar University（苏哈尔大学）；Swinburne University（斯威本科技大学）
本文提出一种基于学习的运动提示算法，通过离线训练策略网络模仿NMPC行为，在保持运动提示质量的同时实现约400倍加速，并成功泛化到未见运行条件。
2025-04-09 cs.AI cs.RO cs.SY
Real-time Projected Gradient-based Nonlinear Model Predictive Control with an Application to Anesthesia Control
医疗药物输注问题带来了一系列挑战，例如生理模型的非线性、患者间和患者内变异性导致的模型不确定性以及严格的安全规范。考虑到这些挑战，我们提出了一种新的实时非线性模型预测控制（NMPC）计划的基础上投影梯度下降迭代。在每次迭代中，沿着NMPC成本的梯度采取少量步骤，生成次优输入，其渐近收敛到最优输入。我们检索经典的李雅普诺夫稳定性保证进行足够数量的梯度迭代，直到满足停止标准。这种实时控制方法允许更高的采样率和更快的反馈，这对于高度可变和不确定的药物输注问题的类别是有利的。为了证明控制器的潜力，我们将其应用于两种相互作用的药物麻醉的催眠控制。该控制器成功地调节催眠，即使在干扰和不确定性，并满足基准性能标准。
2022-11-14 cs.SY eess.SY
An Adaptive Partial Sensitivity Updating Scheme for Fast Nonlinear Model Predictive Control
University of Padova（帕多瓦大学）
本文提出了一种自适应部分灵敏度更新方案，用于减少非线性模型预测控制中的在线计算时间，通过曲率非线性度量来适应系统运行条件，从而降低计算负担。
2018-08-02 cs.SY eess.SY
Hardware Neural Control of CartPole and F1TENTH Race Car
Sensors Group, Inst. of Neuroinformatics, UZH-ETH Zurich（苏黎世大学与苏黎世联邦理工学院神经信息学研究所传感器组）；U. of Seville（塞维利亚大学）；TU Delft（代尔夫特理工大学）
针对非线性模型预测控制计算成本高的问题，提出部署在低成本嵌入式FPGA上的经监督学习模仿NMPC的神经控制器，在CartPole和F1TENTH赛车上实现高频控制且实际性能优于NMPC，相关代码和硬件实现已开源。
2024-07-11 cs.LG cs.RO cs.SY
Gaussian Process Model Predictive Control of An Unmanned Quadrotor
Massey University（梅西大学）；Auckland University of Technology（奥克兰理工大学）
本文提出基于高斯过程的模型预测控制方法，用于无人机轨迹跟踪，通过概率高斯过程模型获取动态模型，结合分层控制结构，实现约束下的高效控制。
2017-07-12 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
Adaptive Tube-based Nonlinear MPC for Ecological Autonomous Cruise Control of Plug-in Hybrid Electric Vehicles
本文提出了一种自适应管状非线性模型预测控制（AT-NMPC）方法，用于设计自主跟车控制系统。该方法利用两个独立模型来定义约束递推最优控制问题，通过固定名义模型和自适应模型分别处理约束和目标函数，以提高控制性能和鲁棒性。
2018-03-15 cs.SY eess.SY
MPC for underactuated spacecraft control with a Lyapunov supervised physics-informed neural network correction layer
Politecnico di Torino（托斯纳理工学院）；Argotec S.R.L.（Argotec公司）
针对欠驱动航天器姿态控制，提出一种分层架构，结合非线性模型预测控制、物理信息神经网络和李雅普诺夫监督机制，在不确定性下降低稳态误差并保持鲁棒性。
2026-08-19 cs.RO cs.SY eess.SY
Safety Envelope for Orthogonal Collocation Methods in Embedded Optimal Control
本文针对正交配点法在嵌入式NMPC中缺乏轨迹安全保障的问题，提出利用Bernstein近似与Legendre多项式构造凸安全包络，在保证约束满足的同时实现比多重打靶法快最多9倍的求解速度。
2023-07-09 cs.SY eess.SY math.OC
Community Energy Management System for Fast Frequency Response: A Hierarchical Control Approach
针对可再生能源导致系统惯性下降、单个建筑能源管理系统难以满足快速频率响应需求的问题，本文提出一种三层分层控制的社区能源管理系统，通过协调分布式能源与建筑负荷，在光伏不确定性下实现成本降低10%和快速频率响应容量提升24%。
2025-03-07 cs.SY eess.SY
Hybrid Gaussian Process Modeling Applied to Economic Stochastic Model Predictive Control of Batch Processes
Norwegian University of Science and Technology（挪威科技大学）；BASF SE（巴斯夫公司）；Imperial College London（帝国理工学院）
非线性模型预测控制（NMPC）是一种有效的控制方法，用于控制具有约束的非线性多变量动态系统，但这需要精确的对象模型。植物模型通常可以从第一原理确定，然而，模型的一部分很难单独使用物理定律导出。在本文中，混合高斯过程（GP）的第一性原理建模方案，提出了克服这个问题，它利用GP模型的动态系统的部分，很难描述使用第一性原理。GPS不仅给出了准确的预测，而且还量化了该模型的剩余不确定性。在控制算法中考虑这种不确定性是至关重要的，以防止违反约束和性能恶化。离线生成GP的Monte Carlo样本，以收紧NMPC的约束，从而在线确保联合概率约束满足。我们的方法的优点包括快速的在线评估时间，在线学习减轻保守性的可能性，并利用GP的灵活性和第一原理模型的数据效率。该算法进行了验证，涉及一个具有挑战性的半分批生物反应器的案例研究。
2021-08-14 cs.LG cs.SY eess.SY
Hierarchical Control via MPC-RL for Multi-Timescale Battery Systems
Imperial College London（帝国理工学院）；University College London（伦敦大学学院）
针对多时间尺度电池系统，提出MPC-RL分层控制框架，高层MPC优化长期设定点，低层RL实时跟踪，延长电池寿命84%并提高利润34%。
2026-10-05 cs.SY eess.SY
