An Extended Kalman Filter for Data-enabled Predictive Control
近年来，处理数据驱动的分析和控制问题的文献显著增加。大多数最近的文献涉及线性定常系统，其中的不确定性（如果有的话）被假定为确定性和有界的，相对较少的关注一直致力于随机线性定常系统。作为这个方向的第一步，我们建议配备最近推出的数据使能预测控制算法与基于数据的扩展卡尔曼滤波器，以利用额外的可用输入输出数据来减少噪声的影响，而不增加优化过程的计算量。
2020-05-10 math.OC
Regional predictive control with suboptimally extended regions of validity
模型预测控制（MPC）是建立在不断求解最优化问题的基础上的。优化的解通常被解释为当前状态的最优输入。然而，优化的解决方案并不只是提供一个最佳的输入，但整个最佳仿射反馈法律和多面体上，这个法律是最佳的。我们最近提出，只要系统保持在其多面体中，就可以使用这种反馈律。这可以被解释为基于事件的方法，其中离开当前多面体是触发下一次优化的事件。这种方法是特别适合于网络控制设置，因为反馈法和他们的多面体可以评估与精益本地节点的计算工作量低。在这篇文章中的反馈法的有效性区域进行了扩展。更准确地说，最佳多面体扩展到非线性有界的有效性区域的可行性和稳定区域的交集。因此，与最优方法相比，需要求解的二次规划更少。新的有效区域仍然适用于精益局部节点的评估。此外，可以针对期望的闭环性能来调整区域。
2020-09-18 math.OC
Rigged Dynamic Mode Decomposition: Data-Driven Generalized Eigenfunction Decompositions for Koopman Operators
University of Cambridge（剑桥大学）；University of Birmingham（伯明翰大学）；Massachusetts Institute of Technology（麻省理工学院）
提出数据驱动的 Rigged DMD，通过预解式、波包逼近和时间延迟装备 Hilbert 空间实现 Koopman 算子离散与连续谱的广义特征函数分解，并证明高阶收敛。
2024-12-02 cs.LG cs.NA math.DS
Convergence and Stability Analysis of the Extended Infinite Horizon Model Predictive Control
本文针对扩展无限时域MPC及带区域控制的稳定MPC，在一般增益矩阵和任意输入时域下，利用初等几何与代数工具严格证明了其收敛性与稳定性。
2024-11-21 math.OC
Eco-driving with Learning Model Predictive Control
我们提出了一个预测巡航控制器，迭代地提高燃料经济性的车辆沿着同一路线行驶的每一天。我们的方法使用来自先前行程迭代的历史数据来提高车辆性能，同时保证期望的到达时间。建议的预测巡航控制器是基于最近开发的学习模型预测控制（LMPC）的框架，本文扩展到包括时间约束。此外，我们重新制定了修改的LMPC与时间约束成一个计算上易处理的形式。我们的方法详细介绍，应用于预测巡航控制问题，并通过仿真验证。
2019-09-11 math.OC
Data-driven nonlinear aeroelastic models of morphing wings for control
精确有效的气动弹性模型对于实现高度柔性的航空航天结构的优化和控制至关重要，预计这将在未来的运输和能源系统中变得普遍。先进的材料和变形机翼技术正在产生下一代气动弹性系统，其特征在于空气动力学和结构动力学之间的高度耦合和非线性相互作用。在这项工作中，我们利用新兴的数据驱动建模技术来开发高度准确和易于处理的降阶气动弹性模型，这些模型在广泛的操作条件下有效，并且适合于控制。特别是，我们开发了两个扩展最近的动态模式分解与控制（DMDC）算法，使其适用于灵活的气动弹性系统：1）我们引入了一个公式来处理代数方程，和2）我们开发了一个插值方案，以顺利连接几个线性DMDC模型在不同的操作制度。因此，创新之处在于精确地模拟了多个工作状态下耦合气动结构动力学的非线性，而不是将模型的有效性限制在线性化点附近的一个狭窄区域。我们证明了这种方法的高保真度，三维数值模型的空中风能（AWE）系统，虽然该方法通常适用于任何高度耦合的气动弹性系统或动力系统在多个操作制度。我们提出的建模框架的结果在实时预测的非线性非定常气动弹性响应的柔性航空航天结构，我们证明了模型预测控制的增强模型性能。因此，所提出的架构可能有助于下一代变形翼技术的广泛采用。
2020-02-08 math.OC physics.flu-dyn
A Revised Mehrotra Predictor-Corrector algorithm for Model Predictive Control
输入受限模型预测控制（MPC）包含一个最优化问题，在每个时刻都需要迭代求解。模型预测控制的众所周知的缺点是最优化问题的计算成本。这导致MPC应用于具有慢动态的系统的限制，例如，过程控制系统和小规模问题。因此，实现快速数值优化算法一直是人们关注的焦点。从计算成本的角度来看，内点法被证明是求解输入受限MPC的合适算法。本文首先将Mehrotra预估-校正算法（一种著名的临界点算法）的一种改进形式推广到求解二次规划问题，然后将其应用于有约束的模型预测控制问题。实验结果表明，与Matlab求解器算法相比，新算法具有更快的求解速度。
2019-04-16 math.OC
Recursively feasible stochastic predictive control using an interpolating initial state constraint -- extended version
针对可能存在无界扰动的线性系统，提出了一种随机模型预测控制（SMPC）框架。最先进的SMPC方法与闭环机会约束满足递归地初始化基于先前预测的标称状态或可能的测量状态下的一些情况下的区别的标称状态。我们通过允许在这两个极端的插值中对标称初始状态进行连续优化来改进这些初始化策略。由此产生的SMPC计划可以实现为一个标准的二次规划，是更灵活的相比，国家的最先进的初始化策略。作为主要的技术贡献，我们表明，所提出的SMPC框架也确保了闭环满足的机会约束和适当的性能界限。
2022-06-20 cs.SY eess.SY math.OC
Data-Enabled Predictive Control for Nonlinear Systems Based on a Koopman Bilinear Realization
本文通过Koopman双线性实现将Willems基本引理推广至非线性控制仿射系统，绕过EDMD系统辨识步骤，提出直接基于数据的DeePC框架，在最优性和对有限Koopman逼近误差的鲁棒性上优于现有方法。
2025-05-06 math.OC
Two-component controller design to safeguard data-driven predictive control
本文提出双组件控制器，结合数据驱动预测控制与高增益反馈，确保输出约束满足，并通过数值示例验证其有效性。
2025-05-25 math.OC
Implementation of model predictive control for tracking in embedded systems using a sparse extended ADMM algorithm
本文提出了一种稀疏的，低内存占用的优化算法，用于在嵌入式系统中实现模型预测控制（MPC）的跟踪制定。该MPC公式与标准MPC公式相比具有几个优点，例如增加的吸引域和保证的递归可行性，即使在突然的参考变化的情况下。然而，这是以向MPC的优化问题添加少量决策变量为代价的，这使其矩阵的结构复杂化。我们提出了一个稀疏优化算法，基于扩展的交替方向的乘法器，利用这种特殊的MPC制定的结构。我们描述了控制器的制定和详细说明其结构是如何利用上述优化算法。我们展示了闭环模拟比较建议的求解器对其他求解器和方法从文献。
2021-12-09 cs.SY eess.SY math.OC
A nonlinear model predictive control framework using reference generic terminal ingredients -- extended version
本文提出了一种准无限时域非线性模型预测控制（MPC）方案，用于跟踪一般参考轨迹。该方案适用于局部增量可镇定的非线性系统。对于这样的系统，我们提供了一个参考的一般离线过程来计算一个增量稳定的反馈与连续参数化的二次准无限地平线终端成本。因此，我们得到了一个非线性参考跟踪MPC方案的有效终端成本一般可达的参考轨迹，而不增加在线计算复杂度。作为一个推论，终端成本也可以用来设计非线性MPC方案，可靠地运行在线变化的条件下，包括不可达的参考信号。该方法的实用性与基准的例子证明。本文是已接受的论文[1]的扩展版本，并包含有关\textit{robust}轨迹跟踪（App.~ B）、连续时间动力学（App.~ C）、输出跟踪阶段成本（附录~ D）和与增量系统属性的连接（App.~ A）。
2020-03-11 cs.SY eess.SY math.OC
The mpEDMD Algorithm for Data-Driven Computations of Measure-Preserving Dynamical Systems
University of Cambridge（剑桥大学）
Koopman算子使非线性动力系统全局线性化，其谱信息是分析和分解非线性动力系统的有力工具。然而，Koopman算子是无限维的，计算它们的谱信息是一个相当大的挑战。本文介绍了保测扩展动态模式分解（$\texttt{mpEDMD}$），它是第一种截断方法，其特征分解收敛于一般保测动力系统的Koopman算子的谱量。$\texttt{mpEDMD}$是一种基于正交Procrustes问题的数据驱动算法，该算法使用可观测量的通用字典强制执行Koopman算子的测量保持截断。它灵活且易于与任何预先存在的DMD类型方法以及不同类型的数据一起使用。我们证明了收敛的$\texttt{mpEDMD}$的投影值和标量值的谱测度，频谱和Koopman模式分解。对于延迟嵌入（Krylov子空间）的情况下，我们的结果包括第一收敛速度的近似谱测度的字典的大小增加。我们证明了$\texttt{mpEDMD}$在一系列具有挑战性的例子，其增加的鲁棒性噪声相比，其他DMD型的方法，它能够捕捉能量守恒和级联的实验测量的湍流边界层流动的雷诺数$> 6\times 10^4$和状态空间维度$>10^5$。
2022-09-06 cs.LG cs.NA math.DS
Tube-based Robust Model Predictive Control for a Distributed Parameter System Modeled as a Polytopic LPV (extended version)
本文针对分布式参数系统，提出将非线性嵌入LPV系统，采用鲁棒管道MPC处理不确定性，离线计算大部分，在线仅求解简单QP，仿真验证了良好性能与稳定性。
2025-01-26 cs.SY eess.SY math.OC
Network Epidemic Control via Model Predictive Control: Extended Version
Boston University（波士顿大学）
针对网络SIQR模型，提出一种通过硬谱约束严格抑制传播的安全关键模型预测控制（MPC）方法，实现可调指数衰减率，并证明递归可行性和全局衰减。
2026-05-25 cs.SY eess.SY math.OC
Predictive Network Control and Throughput Sub-Optimality of MaxWeight
我们提出了一种新的控制策略，称为预测网络控制（PNC）控制无线通信网络（在数据包级别），基于模型预测控制（MPC）的范例。与使用提前一步预测的常见近视策略相比，PNC预测系统在扩展范围内的未来行为，从而促进性能增益。我们定义了一个先进的系统模型，在该模型中，我们使用马尔可夫链与伯努利试验相结合，以模拟网络的随机组件。此外，我们介绍了算法，并提出了两个详细的仿真例子，这表明一般的改进性能和增益的稳定区域相比，标准的政策。
2018-08-31 eess.SP math.OC
Constrained nonlinear output regulation using model predictive control -- extended version
提出了一种模型预测控制（MPC）框架来解决约束非线性输出调节问题。所提出的框架的主要特点是，应用程序不需要解决经典的调节器（弗朗西斯-伯恩斯-Isidori）方程或任何其他离线设计程序。特别是，所提出的公式简单地最小化预测的输出误差，可能与一些输入正则化。我们没有像MPC理论中的标准那样使用终端成本/集或正定阶段成本，而是基于Grimm等人2005年的理论结果，使用可检测性概念。如果受约束的非线性调节问题是（严格）可行的，被控对象是增量可镇定的，且增量输入输出状态稳定（i-IOSS/可检测），则该方法是适用的.我们表明，对于最小相位系统，这样的设计确保指数稳定的调节器歧管。我们还提供了一个设计过程的情况下，不稳定的零动态使用增量输入正则化和非共振条件。固有的鲁棒性噪声误差/输出反馈的情况下建立简化的假设（例如，没有状态约束）。理论结果示出了一个例子，涉及偏移免费跟踪噪声误差反馈。本文还包含新的结果MPC没有终端的限制，正半定输入/输出阶段的成本是独立的利益。
2021-06-01 cs.SY eess.SY math.OC
Robust Economic Model Predictive Control without Terminal Conditions
针对不确定系统，提出了一种新的基于管的经济模型预测控制（MPC）方案，该方案既不使用终端费用，也不使用终端约束。我们表明，从不受干扰的情况下，可以扩展到系统的有界干扰，通过使用类似的收费公路参数和适当修改的阶段成本。我们证明了强大的保证闭环性能，收敛性和稳定性在适当的耗散性和可控性条件下，并讨论它们在一个数值例子。
2020-07-27 cs.SY eess.SY math.OC
A System Level Approach to Tube-based Model Predictive Control
鲁棒的基于管的模型预测控制（MPC）方法通过在预测中利用先验确定的管控制器来收紧约束来解决约束满足。提出了一种基于系统级参数化（SLP）的系统级管道MPC（SLTMPC）方法，该方法在求解MPC问题时可以对管道控制器进行在线优化，从而大大降低了算法的保守性。通过建立一类鲁棒MPC方法与SLP之间的等价关系，得到了SLTMPC方法。最后，我们表明，SLTMPC制定自然产生的扩展SLP制定，并显示其优点，在一个数值例子。
2021-04-30 cs.SY eess.SY math.OC
Suboptimal nonlinear model predictive control with input move-blocking
本文将输入移动阻塞方法引入到次优模型预测控制中。阻塞输入参数化被明确地认为是次优性的来源。一种简单的集成方法是，在优化器没有找到更好的输入移动阻塞解决方案的情况下，将手动生成的稳定回退解决方案保留在某个缓冲区中。一个扩展的方法叠加手动生成的稳定的热启动的移动阻止控制序列，并使控制性能的逐步改善。此外，这方面的贡献提供了一个详细的文献输入移动阻塞模型预测控制，并结合重要的结果与次优模型预测控制的调查结果。数值算例验证了理论分析的正确性和有效性。
2022-06-27 cs.SY eess.SY math.OC
Chance constrained sets approximation: A probabilistic scaling approach -- EXTENDED VERSION
在本文中，一个基于样本的过程中获得简单的和可计算的机会约束集的近似。该过程允许通过定义给定复杂度的简单逼近集族来控制逼近集的复杂度。然后，概率缩放过程允许重新缩放这些集合以获得期望的概率保证。所提出的方法被证明适用于系统和控制中的一些问题，如随机模型预测控制方案的设计或概率集员估计问题的解决。
2021-01-18 cs.SY eess.SY math.OC
Observed Control - Linearly Scalable Nonlinear Model Predictive Control with Adaptive Horizons
Colorado School of Mines（科罗拉多矿业学院）
本文提出观测控制方法，利用状态估计与模型预测控制的对偶性，以线性时域可扩展性高效计算控制动作，并通过卡尔曼平滑器及非线性滤波器扩展实现自适应时域和任意时域控制。
2026-09-23 cs.RO cs.SY eess.SY
Reservoir Predictive Path Integral Control for Unknown Nonlinear Dynamics
Toyota Central R&D Labs., Inc.（丰田中央研究实验室）；Nagoya Institute of Technology（名古屋工业大学）
本文提出基于回声状态网络和模型预测路径积分的控制方法，用于提升未知非线性动力学的控制性能，通过鲁棒随机控制减少控制成本达60%。
2026-02-06 cs.LG cs.SY eess.SY
