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
Distributionally robust two-stage model predictive control: adaptive constraint tightening with stability guarantee
The Seventh Research Division, Beihang University（北京航空航天大学第七研究院）
针对时变未知均值和协方差的随机扰动，提出一种两阶段分布鲁棒模型预测控制（TSDR-MPC）方案，通过Wasserstein模糊集实现自适应约束收紧，并开发有限收敛切割平面算法，理论保证可行性与稳定性。
2026-06-09 cs.SY eess.SY
Robust Constraint Satisfaction in Data-Driven MPC
我们提出了一个纯粹的数据驱动的模型预测控制（MPC）计划，以控制未知的线性时不变系统的稳定性和约束满足的保证存在噪声数据。该计划预测未来的轨迹的基础上，数据相关的汉克尔矩阵，跨越整个系统的行为，如果输入是持续兴奋。本文扩展了以前的工作数据驱动的MPC包括一个合适的约束收紧，确保闭环轨迹满足所需的逐点输出约束。此外，我们提供的估计程序来计算系统常数的可控性和可观测性，这是需要实施约束收紧。通过一个数值例子说明了所提出的方法的实用性。
2021-03-24 cs.SY eess.SY math.OC
Cautious Bayesian MPC: Regret Analysis and Bounds on the Number of Unsafe Learning Episodes
本文研究了结合模型预测控制（MPC）的概念和后验采样技术，并提出了一个简单的约束收紧技术，在探索性学习情节引入谨慎。所提供的理论分析方面的累积遗憾集中在先前所述的充分条件，从而产生的“谨慎贝叶斯MPC”算法，并显示Lipschitz连续性的情况下，线性MPC问题的未来奖励函数。在非线性MPC问题的情况下，它表明，非线性MPC优化技术通常所需的假设提供了足够的标准，基于模型的RL使用后验抽样。此外，它表明，建议的约束收紧意味着在线性和非线性的情况下，使用软约束MPC制定的不安全的学习情节的预期数量上的界限。数值例子说明了该方法的有效性。
2022-09-21 cs.SY eess.SY
Adaptive Tube MPC: Beyond a Common Quadratically Stabilizing Feedback Gain
Indian Institute of Technology Delhi（印度德里理工学院）
本文提出了一种自适应管框架，用于处理具有参数不确定性和加性扰动的离散时间线性时不变系统的模型预测控制。通过在线参数学习逐步细化参数不确定性集并更新参数估计，从而适应MPC优化问题的各个组件，减少保守的控制动作。
2026-03-16 cs.SY eess.SY math.OC
Beyond Ellipsoids: Semi-Algebraic Tightening for Chance Constraints Under Actuator Saturation
Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；Grenoble INP（格勒诺布尔理工学院）；CNRS（法国国家科学研究中心）
针对有饱和输入和无界干扰的机会约束系统，提出半代数方法收紧约束，利用饱和误差动态的分段仿射结构，通过平方和优化设计李雅普诺夫函数，优化集合几何，数值例展示了设计有效性。
2026-09-29 cs.SY eess.SY math.OC
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
Reinforcement Learning based on Scenario-tree MPC for ASVs
在本文中，我们提出了使用基于鲁棒模型预测控制（RMPC）的强化学习（RL）的自主水面车辆（ASV）的控制。RL-MPC策略用于避障和目标（设定点）跟踪。针对船舶推进器可能出现的故障，提出了一种基于神经树的鲁棒预测控制算法。此外，风和海流被认为是未知的随机干扰在实际系统中，这是通过收紧约束处理。通过RL使用Q学习技术来调整紧固和其他成本参数。考虑了经济成本，最大限度地减少了实现船舶任务所需的时间和能量。该方法是在模拟上的一个非线性3自由度模型的比例版本的赛博飞船2。
2021-10-23 cs.SY eess.SY
Hierarchical MPC for coupled subsystems using adjustable tubes
针对具有状态和输入约束的耦合离散线性系统，提出了一种递阶模型预测控制（MPC）方法。与集中式方法相比，两级分层控制器（在上层中具有一个控制器并且在下层中每个子系统具有一个控制器）可以显著降低与MPC相关联的计算成本。分层协调是使用可调管，这是优化的上层控制器和边界允许的较低级别的控制器从系统轨迹确定的上层控制器的偏差。这些可调管的大小决定了子系统之间的不确定性程度，并直接影响基于管的鲁棒MPC框架下所需的约束收紧。集合被表示为zonotopes，以使得能够优化这些可调节管的尺寸，并作为MPC优化问题的一部分在线执行必要的约束收紧。状态和输入约束满足证明了两级分层控制器与任意数量的控制器在较低的水平和一个数值例子演示的关键功能和性能的方法。
2022-02-22 cs.SY eess.SY
On the suboptimality of stochastic MPC with varying constraint horizon
University of Oxford（牛津大学）
该研究针对不含终端项、仅在短约束时域施加机会约束的随机MPC，推导了依赖预测与约束时域的闭环成本上界，并通过线性二次问题验证了计算开销与性能的权衡。
2026-09-01 cs.SY eess.SY math.OC
Robust MPC for tracking of nonholonomic robots with additive disturbances
Beijing Institute of Technology（北京理工大学）；KTH Royal Institute of Technology（皇家理工学院）
本文提出两种鲁棒MPC方案用于非完整系统在有界扰动下的轨迹跟踪：管MPC和名义鲁棒MPC。管MPC通过控制信号和非线性反馈律使实际轨迹保持在最优轨迹的管内，而NRMPC通过求解优化问题获取最优控制序列并反馈修正状态，仿真验证了两种策略的有效性。
2017-03-09 cs.SY eess.SY
Horizon-Dependent Tube MPC for Spacecraft Rendezvous on Elliptical Orbits with Conditional Robust Constraint Satisfaction
Nanyang Technological University（南洋理工大学）
本文针对椭圆轨道航天器交会问题，开发了依赖预测时域的Tube MPC，可在相当燃料成本下大幅降低走廊违规次数，且在超出设计包络时能明确保证的丧失。
2026-08-11 astro-ph.IM cs.SY eess.SY
Robust Output Feedback MPC with Reduced Conservatism under Ellipsoidal Uncertainty
不确定性自治系统的鲁棒设计是一个重要而富有挑战性的问题。本文提出了一种由状态估计器和基于预测控制律的管组成的鲁棒控制器。考虑一类椭球不确定性下的线性系统。与现有的基于多面体集的方法相比，直接从扰动的椭球集计算约束收紧，而没有过度近似，从而导致保守性较低的界限。给出了保证鲁棒约束满足和鲁棒稳定的条件。此外，通过避免在集合计算中使用Minkowski和，所提出的方法也可以扩展到高维系统。最后用实例说明了结果。
2022-10-09 cs.SY eess.SY math.OC
Output Feedback MPC with Adaptive Tubes
Indian Institute of Technology Delhi（印度德里理工学院）
提出一种自适应管道的输出反馈模型预测控制框架，通过自适应观测器更新参数和状态估计，动态调整管道几何形状，实现递归可行性和鲁棒指数稳定性。
2026-05-22 cs.SY eess.SY math.OC
Robust Hierarchical MPC for Handling Long Horizon Demand Forecast Uncertainty with Application to Automotive Thermal Management
针对具有慢变状态的动态系统，提出了一种具有需求预测不确定性的鲁棒递阶MPC（H-MPC）。H-MPC有两层：（i）上层的调度MPC具有相对长的预测/规划范围和慢的更新速率，以及（ii）下层的导频MPC在较短的预测范围上具有较快的更新速率。调度层MPC计算将由引导MPC跟踪的最优慢变状态，同时根据未来需求/负载的长期和近似预测来实施系统约束，例如，用于驱动车辆的牵引功率需求。在本文中，为了增强H-MPC对长期需求预测不确定性的鲁棒性，我们建议使用连接技术在短期内实现的高质量预览信息，通过在调度层的约束收紧方法来修改计划轨迹。一个简化的车辆模型的仿真结果，以确认所提出的鲁棒H-MPC框架在处理需求预测的不确定性的有效性。
2019-09-13 cs.SY eess.SY math.OC
Learning-based Homothetic Tube MPC with Non-Asymptotic Guarantees
University of Melbourne（墨尔本大学）
研究基于学习的MPC用于离散时间线性系统约束镇定，通过非渐近正则化最小二乘估计生成参数置信集，嵌入鲁棒管传播等，证明了高概率递归可行性等，数值例子验证了有效性和理论保证。
2026-07-15 cs.SY eess.SY
Output-feedback model predictive control under dynamic uncertainties using integral quadratic constraints
本文提出一种基于IQC的输出反馈管道MPC方案，通过联合设计鲁棒动态控制器与估计器并凸化峰峰值鲁棒估计问题，实现对动态不确定性系统的递推可行控制与稳定性保证。
2025-08-22 cs.SY eess.SY math.OC
Stochastic MPC with Dynamic Feedback Gain Selection and Discounted Probabilistic Constraints
考虑具有附加扰动的线性离散时间系统，设计了一种模型预测控制（MPC）律，该控制律在单次机会约束下引入动态反馈增益，以最小化二次型代价函数。在线选择反馈增益，我们提供了两种选择方法的基础上最小化预测成本的上限。机会约束被定义为一个无限水平上的违反概率的折扣和。通过惩罚违规概率接近初始时间和分配违规概率在遥远的未来与消失的小权重，这种形式的约束允许MPC法律与保证递归的可行性，而没有有界性假设的干扰。一个计算方便的MPC优化问题，制定使用切比雪夫不等式，我们引入了在线约束收紧技术，以确保递归的可行性。保证闭环系统满足机会约束和二次稳定性条件。通过动态反馈增益选择，降低了闭环系统的代价，并减小了切比雪夫不等式的保守性。此外，可以获得更大的可行初始条件集。数值模拟显示这些结果。
2021-05-26 cs.SY eess.SY math.OC
Learning Soft Constrained MPC Value Functions: Efficient MPC Design and Implementation providing Stability and Safety Guarantees
提出结合收紧软约束MPC与监督学习近似值函数的框架，实现嵌入式高效控制，保证稳定性与约束满足，并证明值函数Lipschitz连续性以支持学习过程。
2025-03-26 cs.SY eess.SY math.OC
Stochastic Model Predictive Control using Initial State Optimization
我们提出了一个随机MPC计划使用的初始状态的预测轨迹的优化。考虑线性离散时间系统在无界加性随机干扰下的机会约束，我们使用基于概率可达集的约束收紧设计MPC。该方案通过将初始状态作为决策变量，避免了无界扰动引起的不可行性问题。我们证明了稳定控制方案可以保证约束满足闭环，假设单峰干扰。除了说明这些保证，数值例子表明优化的瞬态行为的初始状态的进一步的优势。
2022-07-18 cs.SY eess.SY math.OC
Offline Uncertainty Sampling in Data-driven Stochastic MPC
本文提出一种基于离线不确定性采样的数据驱动随机MPC策略，无需模型辨识即可实现约束收紧，保证鲁棒递归可行性，并在仿真中表现出优于纯鲁棒方法的控制性能。
2023-04-06 cs.SY eess.SY
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 Simple Robust MPC for Linear Systems with Parametric and Additive Uncertainty
针对约束不确定线性系统，提出了一种简单有效的鲁棒模型预测控制器（MPC）设计方法。将不确定性建模为系统动态矩阵上的附加干扰和附加误差。假设模型不确定性的每个分量的基于集合的界限是已知的。我们将约束收紧策略分为两部分，这取决于MPC水平的长度。对于一个地平线的长度，鲁棒MPC问题是完全解决的，而对于其他地平线的长度，模型的不确定性是过度近似的净附加组件。所得到的MPC控制器保证了状态和输入约束的不确定系统的闭环鲁棒满足。通过适当地设计终端元件和自适应时域策略，我们证明了控制器的递归可行性和原点的稳定性。通过数值模拟，我们证明了我们提出的方法获得了高达15倍的在线计算加速比管MPC策略，同时稳定约98 $\%$后者的吸引力区域。
2021-03-23 cs.SY eess.SY
LQG for Constrained Linear Systems: Indirect Feedback Stochastic MPC with Kalman Filtering
提出一种结合卡尔曼滤波与间接反馈SMPC的输出反馈控制方法，实现约束线性系统在概率约束下的递归可行性与闭环机会约束满足，并可在特定设计下恢复LQG解。
2023-11-17 cs.SY eess.SY math.OC
Output Feedback Stochastic MPC with Hard Input Constraints
针对受高斯扰动和测量噪声影响的约束线性系统，提出一种结合卡尔曼滤波与管道约束收紧的输出反馈随机模型预测控制方法，可保证不可行率低于指定容差，并通过仿真验证其优于经典方法。
2023-11-28 cs.SY eess.SY
End-to-End Differentiable Predictive Control with Probabilistic Constraint-Satisfaction Guarantees for Building Demand Response
University College London（伦敦大学学院）
本文提出端到端可微预测控制框架，通过编码器仅Transformer建模复杂系统动态，并引入在线管约束紧缩方法，实现约束满足和可行性，验证于EnergyPlus仿真中，减少99%约束违规，仅小幅增加电费。
2026-08-26 cs.SY eess.SY
Recursively Feasible Stochastic Model Predictive Control using Indirect Feedback
Institute for Dynamic Systems and Control, ETH Zurich（苏黎世联邦理工学院动态系统与控制研究所）
本文提出了一种适用于线性离散时间系统且能处理可能无界和相关加性随机扰动序列的随机模型预测控制方法。通过概率可达集的概念，将机会约束类比于鲁棒MPC进行约束紧缩。引入一种初始化方法，保证递归可行性，从而可轻易证明闭环系统的机会约束满足。在加性扰动假设为独立同分布零均值的情况下，还提供了平均渐近性能界。两个示例展示了该方法，突显了新初始化方案的反馈特性以及在建筑控制设置中包含时变相关扰动。
2019-01-21 cs.SY eess.SY
Safety Beyond the Training Data: Robust Out-of-Distribution MPC via Conformalized System Level Synthesis
Georgia Institute of Technology（佐治亚理工学院）；ETH Zurich（苏黎世联邦理工学院）
本文提出一种基于符合预测和系统级合成的方法，用于在分布外情况下实现稳健的非线性模型预测控制，提升系统安全性和鲁棒性。
2026-02-12 cs.LG cs.RO cs.SY
Statistically Consistent Approximate Model Predictive Control
针对MPC计算量大及BC在MPC解为集值时近似不准确的问题，提出两阶段IL方法，将MPC最优值函数近似集成到损失函数中，证明统计一致性和输入-状态稳定性，仿真性能优于BC。
2025-11-18 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
Event-triggered Robust Model Predictive Control under Hard Computation Resource Constraints
本文提出一种事件触发模型预测控制（ET-MPC）方法，通过分布式事件触发线性控制与约束收紧的鲁棒MPC相结合，降低最坏情况计算负载，在扰动下稳定多个非线性系统，显著降低中央服务器硬件需求。
2025-04-28 cs.SY eess.SY
Robust Variable-Horizon MPC for Landing a Multirotor UAV on a Moving Platform
TU/e, Eindhoven University of Technology（埃因霍温理工大学）
针对多旋翼无人机在移动平台着陆的非平衡目标问题，提出一种计算高效的鲁棒变时域MPC方法，通过限制时域搜索和利用微分平坦性实现实时控制，仿真与实验验证了其鲁棒性和有效性。
2026-09-29 cs.SY eess.SY
Distributed model predictive control without terminal cost under inexact distributed optimization
Delft University of Technology（代尔夫特理工大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）
针对具有耦合约束的分布式线性离散时间系统，提出一种无终端代价的分布式模型预测控制（MPC）方案，通过松弛动态规划引入显式稳定性条件，并开发无违例分布式优化方法求解，确保闭环稳定性。
2025-04-22 cs.SY eess.SY
Artificial-reference tracking MPC with probabilistically validated performance on industrial embedded systems
Universidad de Sevilla（塞维利亚大学）；IMT School for Advanced Studies（意大利高等研究学院）
提出一种适用于工业嵌入式系统的模型预测控制（MPC）实现，利用基于ADMM的结构开发算法求解人工参考跟踪问题，并集成无偏置方案、约束收紧和软约束等实用特性，通过概率框架验证长期闭环性能。
2026-06-08 cs.SY eess.SY
Optimized Control of Variable Speed Hydropower for Provision of Fast Frequency Reserves
本文研究了以优化系统性能为目标的变速水电站控制器设计问题。控制目标意味着能够快速响应频偏，同时保持电力和液压变量在其约束范围内。模型预测控制器（MPC）的开发，以协调涡轮机控制器与虚拟同步发电机（VSG）控制的电力电子转换器。仿真结果表明，VSG能够通过利用涡轮和发电机的旋转能量提供快速的功率响应。MPC控制涡轮机的导叶开度，以恢复标称涡轮机转速。如果由于液压系统的限制而无法实现，则MPC通过改变VSG功率参考来调节VSHP的功率输出。所提出的控制系统允许VSHP提供快速频率储备（FFR）。
2020-03-13 cs.SY eess.SY
Stochastic Model Predictive Control for Linear Systems using Probabilistic Reachable Sets
Institute for Dynamic Systems and Control, ETH Zürich（苏黎世联邦理工学院动态系统与控制研究所）
本文提出了一种用于受可能无限加性扰动影响的线性离散时间系统的随机模型预测控制（MPC）算法，通过概率可达集的概念来处理约束，基于单峰扰动分布假设，保证闭环机会约束的满足，并在不可行时采用回退到先前时间步的控制方案，同时给出了渐近平均性能界。
2018-09-20 cs.SY eess.SY
Direct transfer of optimized controllers to similar systems using dimensionless MPC
Faculty of Electrical Engineering and Computing, University of Zagreb（电子工程与计算学院，泽格里布大学）；Department of Engineering Cybernetics, Norwegian University of Science and Technology (NTNU)（工程 cybernetics 系，挪威科学与技术大学（NTNU））
本文提出利用无量纲MPC直接转移优化控制器至相似系统的方法，通过自动调优实现闭环行为的直接转移，并展示了在cartpole摆起和赛车问题中的应用。
2025-12-09 cs.LG cs.SY eess.SY
Computationally Efficient System Level Tube-MPC for Uncertain Systems
本文提出一种基于滤波器的系统级管式MPC（SLTMPC），通过在线优化的扰动集过逼近加性扰动和模型不确定性，并引入异步计算方案降低复杂度，首次提供严格闭环保证，数值实验验证其有效性。
2025-05-26 cs.SY eess.SY
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
Fast Calibration of a Robust Model Predictive Controller for Diesel Engine Airpath
The University of Melbourne（墨尔本大学）；Toyota Motor Corporation（丰田汽车公司）
本文提出了一种快速校准方法，通过改进控制器结构和重新设计MPC成本函数，减少有效调节参数数量，并采用约束紧缩方法提高鲁棒性，以实现柴油机空气路径控制的快速校准和性能优化。
2019-05-15 cs.SY eess.SY
A Data-Driven Automatic Tuning Method for MPC under Uncertainty using Constrained Bayesian Optimization
模型预测控制器（MPC）的闭环性能对预测模型的选择、控制器公式和整定参数很敏感。然而，预测模型通常针对预测精度而不是性能进行优化，并且MPC调谐通常手动完成以满足（概率）约束。在这项工作中，我们展示了一个通用的方法，自动调整MPC下的不确定性。特别是，我们制定的自动调谐问题作为一个受约束的黑盒优化问题，可以解决与衍生自由优化。我们依赖于贝叶斯优化（BO）的约束变体来解决MPC调整问题，该问题可以直接处理噪声和昂贵的评估功能。所提出的自动调整方法的好处是证明了一个基准的连续搅拌釜反应器的例子。
2020-11-24 cs.SY eess.SY
Neural Networks for on-chip Model Predictive Control: a Method to Build Optimized Training Datasets and its application to Type-1 Diabetes
Center for Diabetes Technology, University of Virginia（弗吉尼亚大学糖尿病技术中心）
针对片上MPC的NN训练数据优化问题，提出OSDs及其生成算法，在1型糖尿病自动胰岛素输注场景中使NN复制MPC的精度提升四倍，相关NN获临床测试监管批准，为资源受限平台的复杂算法部署提供新方案。
2025-04-15 cs.AI cs.SY eess.SY
A Human-optimized Model Predictive Control Scheme and Extremum Seeking Parameter Estimator for Slip Control of Electric Race Cars
本文针对后驱电动赛车提出融合MPC解析解与ESC在线估计的纵向滑移控制方案，并采用人因偏好优化整定参数，实现最优滑移的自动确定与跟踪。
2024-11-24 cs.SY eess.SY
Robust Nonlinear Trajectory Tracking Control for Autonomous Racing on Three-Dimensional Tracks
Technical University of Munich（慕尼黑工业大学）
本文提出了一种鲁棒非线性模型预测控制方案，用于自主车辆在非平面道路表面极限操控条件下轨迹跟踪控制，通过动态建模提升预测精度和控制性能。
2026-07-15 cs.SY eess.SY
Data-driven Predictive Tracking Control based on Koopman Operators
The University of Melbourne（墨尔本大学）
针对数据驱动非线性系统控制的约束处理难题，结合神经网络与Koopman算子构建带约束收紧的KTMPC框架，证明其稳定性与可行性，并通过数值算例和自主地面车辆跟踪任务验证效果。
2023-10-04 cs.RO cs.SY eess.SY
Robust Adaptive Model Predictive Control with Worst-Case Cost
针对具有未知动态和有界测量噪声的线性时不变系统，提出了一种鲁棒自适应模型预测控制（MPC）算法。该系统的特点是由一个脉冲响应模型，这是假设躺在一个有界集称为可行的系统集。在线集员识别用于减少脉冲响应中的不确定性。在MPC方案中，实施鲁棒约束以确保可行集中的所有模型的约束满足。性能目标被制定为最坏情况下的成本相对于建模的不确定性。也就是说，在每个时间步，解决一个优化问题，其中控制输入优化的最坏情况下的不确定性设置的工厂。所提出的算法的性能进行比较，从文献中使用Monte-Carlo模拟的自适应MPC算法。
2019-11-19 cs.SY eess.SY math.OC
Dynamic Tube MPC for Nonlinear Systems
在实际应用中，建模误差或外部干扰会严重影响模型预测控制（MPC）的性能。鲁棒MPC（RMPC）通过优化反馈策略解决了这一问题，但代价是增加了计算复杂度。管MPC是一种近似的解决方案策略，其中离线设计的鲁棒控制器使系统保持在在线生成的期望标称轨迹周围的不变管中。当然，这种分解是次优的，特别是对于具有变化的目标或操作条件的系统。此外，由于计算不变管的复杂性，许多管MPC方法无法捕获状态相关的不确定性，导致过度保守的近似。本文提出了一种适用于非线性系统的动态管MPC（DTMPC）框架，该框架同时优化了管的几何形状和开环轨迹。通过使用边界层滑动控制，管几何形状可以表示为控制参数和不确定性界限之间的简单关系;使得管几何形状动态能够以最小的计算复杂度增加被添加到标称MPC优化。此外，DTMPC能够利用状态相关的不确定性，以减少保守性，提高优化的可行性。DTMPC被证明稳健地执行避障和修改管的几何形状，以响应障碍物的接近。
2019-07-15 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
WarpMPC: Large-Batch MPC on GPU via ADMM with Unrolled $LDL^\top$ Factorization
Institute for Data Science in Mechanical Engineering (DSME), RWTH Aachen University（亚琛工业大学机械工程数据科学研究所）；Department of Mechanical Engineering, Massachusetts Institute of Technology（麻省理工学院机械工程系）
研究在GPU上求解大批量相同结构的顺序二次规划迭代以最大化吞吐量的问题，核心方法是基于问题实例稀疏性提出展开稀疏线性分解等优化，主要贡献是在多机器人基准测试中大幅提升吞吐量并展示实际应用价值。
2026-07-14 cs.RO cs.SY eess.SY
Model Predictive Control with Reach-avoid Analysis
本文提出一种基于可达-规避分析的模型预测控制方法，通过连续可达-规避集替代离散状态，避免混合整数优化，实现高效的最优控制器综合。
2023-06-21 cs.SY eess.SY math.OC
Distributed MPC-based Coordination of Traffic Perimeter and Signal Control: A Lexicographic Optimization Approach
针对城市交通网络拥堵问题，提出基于字典序优化的区域与信号协同控制策略，采用MPC保障约束满足，通过ADMM实现分布式求解，仿真验证了策略的有效性。
2025-10-05 cs.SY eess.SY
Distributed Model Predictive Control for Optimal Consensus of Constrained Heterogeneous Multi-agent Systems
The Hong Kong University of Science and Technology（香港科技大学）；The University of Hong Kong（香港大学）；HKU Shenzhen Institute of Research and Innovation（香港大学深圳研究院创新）；Beihang University（北京航空航天大学）；Peking University（北京大学）
本文针对约束异构多智能体系统，在MPC框架下同时优化控制输入序列与一致性平衡点，开发分布式原始-对偶算法并建立终端条件，经数值仿真验证了所提分布式最优一致性控制方法的有效性。
2026-08-31 cs.SY eess.SY
Hybrid Feedback Sampling for Sample-Efficient Model Predictive Control
Carnegie Mellon University（卡内基梅隆大学）；Massachusetts Institute of Technology（麻省理工学院）
本文提出混合反馈采样MPC（FS-MPC）算法，平衡局部与全局搜索，解决采样MPC在高维开环不稳定系统中的样本效率与数值不稳定问题，在真实机器人控制任务中表现优于现有方法。
2026-08-21 cs.RO cs.SY eess.SY
Adaptive Event-Triggered MPC for Linear Parameter-Varying Systems with State Delays, Actuator Saturation and Disturbances
本文针对带状态延迟、执行器饱和和扰动的LPV系统，提出一种基于Lyapunov-Krasovskii的自适应事件触发MPC方案，实现触发机制与控制律协同优化，并通过仿真验证其降低通信负载的有效性。
2025-09-09 cs.SY eess.SY
