Optimization-Free Constrained Control with Guaranteed Recursive Feasibility: A CBF-Based Reference Governor Approach
Nagoya Institute of Technology（名古屋工业大学）；Universite Libre de Bruxelles（布鲁塞尔自由大学）；University of Waterloo（滑铁卢大学）
本文提出一种结合显式参考调节器与控制屏障函数的约束控制框架，通过构造平滑屏障函数保证递归可行性，无需在线优化。
2026-04-05 cs.RO cs.SY eess.SY
Backup Plan Constrained Model Predictive Control with Guaranteed Stability
针对任务不确定下的自主车辆路径规划，提出备份计划安全概念与备份计划约束MPC算法，通过多目标多时域可行性最大化兼顾主备任务可行性，保证闭环渐近稳定，经UAV仿真验证有效。
2023-10-06 cs.SY eess.SY
Reachability-Guaranteed Optimal Control for the Interception of Dynamic Targets under Uncertainty
German Aerospace Center (DLR)（德国航空航天中心）
本文提出了一种在不确定性环境下保证可达性的最优控制方法，用于确保动态目标拦截的鲁棒性和可行性。
2025-04-10 cs.RO cs.SY eess.SY
Mesh Stability Guaranteed Rigid Body Networks Using Control and Topology Co-Design
针对刚体网络合并与分裂中的控制器组合性和网格稳定性问题，提出去中心化控制与拓扑协同设计方法，将集中式LMI等价分解为各刚体可解的局部LMI，并通过仿真和对比验证有效性。
2025-05-15 cs.SY eess.SY
Dispatch-Aware Deep Neural Network for Optimal Transmission Switching: Toward Real-Time and Feasibility Guaranteed Operation
Dept. of Energy Engineering, Korea Institute of Energy Technology（能源工程系，韩国能源技术研究所）
本文提出调度感知深度神经网络 DA-DNN，通过可微 DC-OPF 层和定制初始化实现无标签学习，快速生成可行的 OTS 拓扑与调度方案。
2025-07-23 cs.AI cs.SY eess.SY
Decentralized Optimal Control in Multi-lane Merging for Connected and Automated Vehicles
我们解决的问题，最佳控制连接和自动驾驶汽车（CAV）从两个多车道的道路到达并合并在多个点，其目标是共同最大限度地减少旅行时间和能源消耗的每个CAV受到速度依赖的安全约束，以及速度和加速度的限制。这个问题在两条单车道道路的先前工作中得到了解决。直接扩展到多车道的道路是有限的，所需的计算复杂性，以获得一个明确的最优控制解决方案。相反，我们提出了一个通用的框架，将多车道合并问题转化为一个分散的最优控制问题，为每个CAV在一个不太保守的方式。为了实现这一点，我们采用了联合最优控制和障碍函数的方法，有效地得到一个最优控制，为每个CAV的所有约束的保证满意。仿真例子包括比较所提出的框架的性能，由人类驾驶的车辆提供的基线与结果显示显着改善的时间和能源指标。
2020-05-30 cs.SY eess.SY
LOOP-MAC: Learning-Based Multi-Agent Coordination with Guaranteed Local Feasibility in a Virtual Power Plant
针对分布式能源资源多样性与分散性带来的虚拟电厂资产可扩展协调难题，提出名为LOOP-MAC的机器学习辅助多智能体分布式优化方法，通过神经网络近似器和规范映射提升求解速度与约束满足度，在重复顺序优化任务中优于传统方法。
2026-10-16 cs.LG cs.SY eess.SY
BarrierNet: A Safety-Guaranteed Layer for Neural Networks
MIT（麻省理工学院）
本文介绍了可微高阶控制障碍函数（CBF），是端到端的训练与学习系统。CBF通常过于保守，同时保证安全。在这里，我们解决他们的保守性，软化他们的定义使用环境依赖性，而不失去安全保证，并将它们嵌入到可微二次规划。这些新颖的安全层被称为屏障网，可以与任何基于神经网络的控制器结合使用，并且可以通过梯度下降进行训练。BarrierNet允许神经控制器的安全约束适应不断变化的环境。我们评估他们的一系列控制问题，如交通合并和机器人导航在2D和3D空间，并证明其有效性相比，国家的最先进的方法。
2021-11-22 cs.LG cs.RO cs.SY
Minimal Intervention Shared Control with Guaranteed Safety under Non-Convex Constraints
Aalto University（阿alto大学）
本文提出了一种考虑约束的辅助控制器，通过在线计算控制动作，确保递归可行性、严格约束满足和最小偏离用户意图，适用于非凸约束的现实场景。
2026-03-17 cs.HC cs.RO cs.SY
Cooperative Decision Making of Connected Automated Vehicles at Multi-lane Merging Zone: A Coalitional Game Approach
为解决多车道合流区车辆的安全性和效率问题，采用联盟博弈方法设计了一种互联自动车辆（CAV）协同决策框架.首先，在简化的单轨车辆模型基础上建立了运动预测模块，提高了决策算法的准确性和可靠性。在此基础上，综合考虑安全性、舒适性和效率等多个性能指标，设计了代价函数和决策约束条件。此外，为了实现人性化和个性化的智能移动性，不同的驾驶特性被考虑和嵌入到建模过程中。在此基础上，提出了多车道合流区情况下CAVS的四种典型联盟模型。然后，联盟博弈的方法制定了模型预测控制（MPC），以处理在定义的场景CAV的决策。最后，在考虑不同驾驶特性的两种情况下进行测试，以评估所开发的方法的性能。试验结果表明，该方法能够对多车道合流区的CAV进行合理的决策，并能适应不同的行驶特性。该方法既保证了CAV在复杂动态交通条件下的安全性和有效性，又兼顾了单个车辆的目标，验证了该方法的可行性和有效性。
2021-03-14 cs.SY eess.SY
Interaction-Aware Trajectory Prediction and Planning for Autonomous Vehicles in Forced Merge Scenarios
University of Michigan（密歇根大学）；Ford Motor Company（福特汽车公司）
一般来说，合并对于人类驾驶员和自动驾驶车辆来说都是一项具有挑战性的任务，特别是在密集的交通中，因为合并车辆通常需要与其他车辆交互以识别或创建间隙并安全地合并。在本文中，我们考虑的问题，自主车辆控制强制合并的情况下。我们提出了一种新的博弈论控制器，称为领导者-追随者游戏控制器（LFGC），其中自主自我车辆和其他车辆与先验不确定的驾驶意图之间的相互作用被建模为部分可观察的领导者-追随者游戏。LFGC根据观测到的轨迹在线估计其他车辆的意图，然后预测它们的未来轨迹，并使用模型预测控制（MPC）规划自我车辆的自身轨迹，以同时实现概率上保证的安全和合并目标。为了验证LFGC的性能，我们在模拟和NGSIM数据中对其进行了测试，LFGC在合并中表现出97.5%的高成功率。
2021-12-14 cs.RO cs.SY eess.SY
An Invariant Set Construction Method, Applied to Safe Coordination of Thermostatic Loads
我们考虑的问题，协调一组切换子系统的局部和全局约束下的系统的安全运行。虽然可以利用不变集来构造这种问题的安全保证控制器，但计算不变集不能扩展到高维系统。在本文中，我们介绍了一种策略，以获得一个控制不变集的切换子系统的集合的隐式表示，并构造一个安全保证的控制器，以协调子系统使用的表示。具体来说，我们将不变集到模型预测控制器，以保证安全性和递归的可行性。由于计算量与子系统的数量无关，因此这种方法可以扩展到大量的切换子系统。我们使用我们的方法来安全地控制恒温控制负载的集合，以提供电网平衡服务。该问题包括对每个负载的温度和切换后必须保持在一种模式的持续时间的约束，以及对总功耗的约束，以确保网络安全。数值模拟表明，该方法优于基准策略的安全性和递归的可行性。
2022-02-11 cs.SY eess.SY
Multi-step dual control for exploration and exploitation in autonomous search with convergence guarantee
受最近提出的勘探和开采双重控制（DCEE）概念的启发，本文提出了一种多步DCEE（MS-DCEE）框架，保证收敛的机载分散源的自主搜索。不同于现有的随机模型预测控制（SMPC）算法和信息路径规划（IPP）的方法，建议MS-DCEE方法使用当前和未来的输入，不仅驱动代理对估计源位置（开采），但也减少其估计的不确定性（勘探）通过主动学习的操作环境。未知的源目标位置，加上未知的环境，建立递归的可行性和所提出的算法的收敛性提出了重大的挑战。为了解决这些问题，我们利用贝叶斯估计的性质，提出了一种两步估计方法，首先假设均值估计的无偏性，然后考虑每个信息序列下均值估计的随机性。在此基础上，我们开发了一个MS-DCEE计划与适当的终端成分，递归的可行性和收敛性得到保证。仿真结果表明，该算法在搜索成功率和搜索效率方面均优于SMPC、IPP和单步DCEE算法。
2022-03-12 cs.SY eess.SY
Approximate Dynamic Programming with Feasibility Guarantees
针对网络化系统优化方案求解大规模问题计算负担重、分布式迭代技术仅渐近可行的问题，提出一种树结构耦合子问题下可一次性给出可行解的近似动态规划方案，推广了多领域方法并通过数值算例验证了对非凸约束问题的有效性。
2024-01-29 cs.SY eess.SY math.OC
Sufficient Conditions for Feasibility of Optimal Control Problems Using Control Barrier Functions
Boston University（波士顿大学）
利用控制障碍函数（CBF）和控制李雅普诺夫函数（CLF），仿射控制系统在满足状态和控制约束的同时，以期望的状态收敛性为约束，优化二次代价，可以归结为一系列二次规划。这种方法的主要挑战之一是确保这些QP的可行性，特别是在严格的控制界限和高相对程度的安全约束下。本文给出了保证可行性的充分条件。充分条件由CBF强制的单个约束捕获，CBF被添加到QP，使得它们的可行性总是得到保证。额外的约束被设计为总是与现有的约束兼容，因此，它不能使一组可行的约束不可行-它只能增加整体可行性。我们说明了所提出的方法对自适应巡航控制问题的有效性。
2020-11-16 cs.RO cs.SY eess.SY
Stochastic Model Predictive Control with Discounted Probabilistic Constraints
Department of Engineering Science, University of Oxford（牛津大学工程系）
本文研究了具有加性扰动的线性离散时间系统，设计了模型预测控制（MPC）律以最小化二次成本函数，同时满足机会约束。通过惩罚初始时间附近的违反概率并忽略远未来的时间概率，这种约束形式保证了在线优化的可行性，而无需假设扰动有界。利用切比雪夫不等式提出了计算方便的MPC优化问题，并引入了在线约束紧化技术以确保递归可行性。闭环系统被证明满足机会约束和二次稳定性条件。
2018-07-19 cs.SY eess.SY math.OC
Control Invariant Sets for Neural Network Dynamical Systems and Recursive Feasibility in Model Predictive Control
Department of Aerospace Engineering, University of Michigan（密歇根大学航空航天工程系）；Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
针对神经网络动力系统控制设计缺乏严格安全与递归可行性保证的问题，本文提出基于集合递归的控制不变集合成算法及整合该集合的混合整数模型预测控制方法，经理论分析和自动驾驶仿真验证了其安全保证与有效性。
2025-05-15 cs.AI cs.SY eess.SY
Guaranteed Robust Nonlinear MPC via Disturbance Feedback
Institute for Dynamic Systems and Control（动态系统与控制研究所）
本文提出一种基于扰动反馈的鲁棒非线性MPC方法，通过将不确定系统分解为标称模型、扰动反馈控制器和误差界并利用序贯凸规划联合优化，在保证鲁棒约束满足、ISS和递归可行性的同时实现快速实时求解，并在火箭着陆等任务中验证。
2025-09-23 cs.RO cs.SY eess.SY
Safe Trajectory Tracking in Uncertain Environments
在轨迹跟踪问题的模型预测控制（MPC）公式中，不可行的参考轨迹和先验未知的约束会导致设计繁琐、跟踪激进和递归可行性的丧失。例如，在移动系统的轨迹跟踪应用中，在存在先验不完全已知的约束的情况下，就是这种情况。在本文中，我们提出了一个新的框架称为模型预测柔性轨迹跟踪控制（MPFTC），放宽了轨迹跟踪的要求。此外，我们适应递归的可行性存在先验未知的约束，这可能会使参考轨迹不可行。在所提出的框架中，约束满足是保证在任何时候，而参考轨迹跟踪约束满足允许的，从而简化了控制器的设计和减少可能的侵略性的跟踪行为。所提出的框架与三个数值例子说明。
2021-04-02 cs.SY eess.SY
Protocol for Energy-Efficiency using Robust Control on WSN
Universidad Católica De La Santísima Concepción–UCSC（天主圣名天主教大学）；University of Campinas – UNICAMP（坎皮纳斯大学）
本文研究了在不确定成功概率下，如何通过鲁棒控制设计实现网络化控制系统的能耗效率，分析了最优控制器与次优控制器在$\mathcal{H}_{\infty}$保证成本方面的性能退化问题，并通过数值例子验证了所提方法的可行性。
2018-12-17 cs.SY eess.SY
Constraint-Tightening and Stability in Stochastic Model Predictive Control
University of Stuttgart（斯图加特大学）；CNR-IEIIT, Politecnico di Torino（意大利国家研究委员会-信息与电气工程学院，都灵理工大学）
本文探讨了在随机模型预测控制中通过约束收紧非保守地保证递归可行性与稳定性，提出统一的算法并讨论了性能与收敛时间的平衡。
2016-05-12 cs.SY eess.SY math.OC
A Simulation Framework with Guaranteed Error Bounds for Safety and Fuel-Efficiency Analysis of Vehicle Platoons
Shibaura Institute of Technology（芝浦工业大学）
提出基于仿真的方法研究车辆编队安全问题，通过分析跨控制参数的最小车间距，利用提升状态表示和微分不等式推导，给出选仿真时间的方法，还扩展到燃油效率分析并举例说明。
2026-07-07 cs.SY eess.SY math.OC
A Recursive CBF Framework for Safety under State Uncertainty
University of California at Los Angeles（加州大学洛杉矶分校）；California Institute of Technology（加州理工学院）
针对状态不确定性下CBF安全控制缺乏递归可行性的问题，提出强制执行安全子集前向不变性的递归CBF框架，确保系统始终存在鲁棒安全控制输入。
2026-09-17 cs.SY eess.SY
Safety-Guaranteed Imitation Learning from Nonlinear Model Predictive Control for Spacecraft Close Proximity Operations
Space Applications Group, e:fs TechHub GmbH（空间应用组，e:fs科技枢纽 GmbH）；Faculty of Electrical Engineering and Information Technology, Ingolstadt University of Applied Sciences（电气工程与信息科技学院，因戈尔施塔特应用技术大学）
本文提出了一种安全保证且运行高效的航天器近距离控制模仿学习框架，结合控制屏障函数和控制李雅普诺夫函数，通过非线性模型预测控制专家生成安全轨迹，训练神经策略并减少安全干预，最终在高保真模拟器中验证了方法的有效性。
2026-03-19 cs.RO cs.SY eess.SY
Dual-mode Dynamic Window Approach to Robot Navigation with Convergence Guarantees
Utah State University（犹他州立大学）
本文提出一种新型双模式模型预测控制框架，结合动态窗口导航方法与参考跟踪控制器，增强障碍物避障保证并支持复杂机器人模型，实现高速未知环境导航的收敛性。
2018-08-17 cs.SY eess.SY
Dead-beat model predictive control for discrete-time linear systems
本文提出了一种用于线性系无差拍控制的模型预测控制策略。在无约束MPC中，通过将控制时域设置为系统维数，并添加终端等式约束，可以保证无差拍性能。证明了无约束无差拍预测控制与线性无差拍控制的等价性。所提出的约束无差拍MPC的设计，通过设置控制时域等于系统的维数和惩罚只有终端成本。从理论上证明了算法的递归可行性和无差拍性能。
2022-08-30 cs.SY eess.SY math.OC
Taming the Agentic RAN: Stability-Guaranteed Arbitration of Autonomous AI Agents in O-RAN
Department of Electrical and Computer Engineering Worcester Polytechnic Institute（伍斯特理工学院电气与计算机工程系）
针对O-RAN中多智能体冲突导致资源偏移的问题，提出AURA仲裁层，通过可行性不变量、驻留时间和死区约束动作，证明收敛性，实验减少偏移一个数量级并消除吞吐量匮乏。
2026-09-17 cs.AI cs.NI cs.SY
Exact-Time Safety Recovery using Time-Varying Control Barrier Functions with Optimal Barrier Tracking
Boston University（波士顿大学）；WPI（伍斯特理工学院）；CSAIL, MIT（麻省理工学院计算机科学与人工智能实验室）；ECE department at UNC-Charlotte（北卡罗来纳大学夏洛特分校电气与计算机工程系）
本文提出一种基于时变控制障碍函数的精确时间安全恢复框架，通过主动障碍跟踪条件将安全恢复转化为轨迹设计问题，提升自动驾驶车辆在交通协调中的安全性与性能。
2026-04-12 cs.SY eess.SY
Deep Koopman Iterative Learning and Stability-Guaranteed Control for Unknown Nonlinear Time-Varying Systems
Peking University（北京大学）；City University of Hong Kong（香港城市大学）
本文提出基于Koopman的迭代学习与稳定控制方法，用于高效逼近和控制未知非线性时变系统，通过在线更新提升模型以提高精度和稳定性。
2026-01-29 cs.SY eess.SY math.OC
Accelerating Mobile Edge Generation (MEG) by Constrained Learning
本文提出加速移动边缘生成框架，通过联合优化去噪步数与特征合并比例，并基于约束变分策略优化算法MEG-CVPO，在时延和能耗约束下实现高质量图像生成，较传统方案降低超过40%时延。
2024-08-06 cs.NI cs.SY eess.SP
Minimal Constraint Violation Probability in Model Predictive Control for Linear Systems
本文针对线性系统在加性不确定性下的状态约束问题，提出一种最小化约束违反概率的模型预测控制方法，并证明了递归可行性与输入到状态稳定性。
2024-02-16 cs.SY eess.SY
On generalized terminal state constraints for model predictive control
Politecnico di Torino（都灵理工大学）；University of California at Santa Barbara（加州大学圣塔芭芭拉分校）
提出一种广义终端状态约束方法，用于设计模型预测控制律，在相同计算复杂度下扩大可行域，并引入新的滚动时域策略保证有限时间收敛。
2013-07-12 cs.SY eess.SY math.OC
A Resource-Aware Approach to Self-Triggered Model Predictive Control: Extended Version
在本文中，我们考虑了自触发的模型预测控制。在该变型中，控制器在当前采样时刻自身决定何时应当进行下一采样并且重新求解优化问题。我们将一个逐点的时间资源约束的优化问题，其确切的形式可以由用户选择。因此，所提出的方案相对于通用资源是资源感知的，通用资源在实践中可以涉及例如通信、计算、能量或金融资源。我们表明，凭借逐点的时间约束，也是一个短暂的和渐进的平均约束的资源使用得到保证。此外，我们得出的资源条件下，该计划实现递归的可行性和收敛性。最后，我们证明了我们的理论结果在一个数值例子。
2020-05-08 cs.SY eess.SY
Robust Time-Varying Control Barrier Functions with Sector-Bounded Nonlinearities
TU Dresden（德累斯顿工业大学）；University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
本文提出一种鲁棒时变控制屏障函数，通过二次约束保证非线性输入的安全性，定义安全过滤器以最小化控制器命令修改，并在航天器对接中验证其有效性。
2026-04-30 cs.SY eess.SY
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
Robust offset-free constrained Model Predictive Control with Long Short-Term Memory Networks -- Extended version
针对慢时变设定点、扰动及不可测状态下的约束控制问题，提出结合LSTM网络、扰动观测器与约束收紧NMPC的方案，保证递归可行性和渐近无静差跟踪。
2024-02-12 cs.SY eess.SY
Optimal Control of Connected Automated Vehicles with Event-Triggered Control Barrier Functions
我们解决的问题，控制连接和自动驾驶车辆（CAV）在交通网络的冲突地区受到硬安全约束。它已被证明，这样的问题可以解决，通过一个易于处理的最优控制问题的配方和使用的控制障碍函数（CBF），保证所有约束的满意度的组合。这些解决方案可以减少到一系列的二次规划（QP），有效地解决了在线离散时间步长。然而，不能在每个时间步长上保证每个这样的QP的可行性。为了克服这一限制，我们开发了一种事件驱动的方法，这样下一个QP是由正确定义的事件触发，并表明这种方法可以消除不可行的情况下，由于时间驱动的采样间的影响。仿真例子表明，如何整体infeelance可以显着减少与建议的事件触发方案，同时也减少了CAV之间的通信，而不影响性能的需要。
2022-03-22 cs.SY eess.SY
Receding-horizon Stochastic Model Predictive Control with Hard Input Constraints and Joint State Chance Constraints
Massachusetts Institute of Technology（麻省理工学院）；University of California-Berkeley（加州大学伯克利分校）
本文研究离散时间线性系统在随机扰动、硬输入约束和联合状态机会约束下的随机优化控制，通过可解的二次锥规划计算滚动控制律，利用扰动参数化控制律并饱和扰动以满足硬约束，用Cantelli-Chebyshev不等式松弛机会约束，确保可行性并证明随机稳定性。
2015-06-28 cs.SY eess.SY math.OC
Stochastic MPC with Online-optimized Policies and Closed-loop Guarantees
ETH Zurich（苏黎世联邦理工学院）
针对受加性高斯干扰的线性系统，提出随机模型预测控制方法，在线优化干扰反馈矩阵，保证概率约束闭环满意度等，核心机制是最大允许集及预测约束重调整，以建筑温度控制示例证明其适用性。
2026-07-14 cs.SY eess.SY math.OC
A Decentralized Event-Based Approach for Robust Model Predictive Control
在本文中，我们提出了一个基于事件的采样策略，实现约束收紧，强大的MPC方法。所提出的政策享有计算上易于处理的设计，并适用于扰动，线性定常系统多面体约束。特别地，触发机制适用于没有集中式感觉节点的植物，因为触发机制可以在每个单独的传感器处进行局部评估。从几何的角度来看，该机制是一系列超矩形包围的最优状态轨迹，使鲁棒递归的可行性和鲁棒稳定性得到保证。将触发机构的设计转化为一个以集合体积为目标函数的约束参数集最优化问题。重新参数化的设置顶点，我们表明，这个问题承认一个有限的听话的凸规划重新和线性规划松弛。数值算例表明了理论结果的有效性和局限性。
2019-09-22 cs.SY eess.SY math.OC
Experimental Validation of a Real-Time Optimal Controller for Coordination of CAVs in a Multi-Lane Roundabout
University of Delaware（特拉华大学）
结合其他交通情况的圆形广告，例如，由于驾驶员对各种干扰的响应，交叉口、合并道路、减速区可能引起交通网络中的拥塞。研究工作表明，平滑交通流量和消除走走停停的驾驶既可以提高车辆的燃油效率，也可以提高环形交叉口的吞吐量。在本文中，我们验证了最优控制框架早期开发的多车道环形交叉路口的情况下，使用特拉华大学的规模智能城市（UDSSC）。我们首先提供的解决方案是最优的条件。然后，我们证明了解决方案的可行性，在UDSSC的实验，并表明，最优解完全消除走走停停的驾驶，同时保持安全。
2020-05-18 cs.RO cs.SY eess.SY
