Model Predictive Control with High-Probability Safety Guarantee for Nonlinear Stochastic Systems
Georgia Institute of Technology（佐治亚理工学院）
该研究提出了一种适用于非线性随机系统的MPC框架，通过集侵蚀技术将概率安全约束转化为确定性约束，以高概率保证安全性，并通过理论分析和实验验证其有效性。
2025-12-15 cs.SY eess.SY
Adaptive Model Predictive Safety Certification for Learning-based Control -- Extended Version
针对具有有界扰动和不确定参数的线性系统，提出了一种基于学习的自适应模型预测安全认证（MPSC）方案，其中真实参数包含在先验已知的参数集合中. MPSC是一个模块化的框架，它可以与任何基于学习的控制器结合使用，以确保状态和输入约束满足动力系统通过解决在线优化问题。通过使用坚固的管将当前系统状态与安全端子组连续连接，可以确保安全性。因此，保守的安全干预措施的主要来源是模型的不确定性和短期规划的视野。我们开发了一种自适应机制来改进系统模型，该机制利用集成员估计来保证递归可行和非递减的安全性能改进。为了适应短期的预测视野，迭代安全集扩大使用以前计算的强大的备份计划。最后，我们说明了增加的安全性能，通过参数和安全集的适应数值例子与多达16个状态维度。
2021-09-29 cs.SY eess.SY
Safety-Aware Dimension Selection for Reduced-Order Model Predictive Control
NC State University（北卡罗来纳州立大学）；UNC/NC State Joint Department of Biomedical Engineering, NC State University（UNC/北卡罗来纳州立大学生物医学工程联合系）
本文提出安全感知维度选择框架，结合动态主动子空间与有限时域误差界，为降阶MPC选择满足安全约束的最小预测阶次，保障安全并降低计算负担。
2026-10-14 cs.SY eess.SY
A Predictive and Sampled-Data Barrier Method for Safe and Efficient Quadrotor Control
本文提出一种级联控制框架，结合MPC与HOCBF扩展的采样数据障碍函数，实现四旋翼安全高效轨迹跟踪，兼顾安全性与实时性。
2025-10-06 cs.SY eess.SY
Probabilistic model predictive safety certification for learning-based control
强化学习（RL）方法已经在仿真环境中证明了其有效性。然而，RL提供巨大潜力的许多应用，例如自动驾驶，也是安全关键的，需要经过认证的闭环行为，以便在存在物理约束的情况下满足安全规范。本文介绍了一个概念，称为概率模型预测安全认证（PMPSC），它可以与任何RL算法相结合，并提供可证明的安全证书的状态和输入机会的限制潜在的大规模系统。该证书是通过一个随机管道实现的，该管道安全地将当前系统状态与已知安全的终端状态集连接起来。一种新的配方在一个凸的滚动时域问题允许递归可行的实时计算这样的概率管，尽管存在可能的无界干扰。PMPSC的设计过程依赖于baidu-inference和概率集不变性的最新进展。使用数值汽车模拟，该方法和它的设计过程说明了通过增强一个简单的RL算法的安全证书。
2021-01-18 cs.SY eess.SY
(Stochastic) Model Predictive Control -- a Simulation Example
该研究聚焦考虑概率约束的随机模型预测控制，以受不确定性影响的简单线性系统为示例，提供了可在线获取的对应Matlab实现代码。
2023-07-22 cs.SY eess.SY
Distributed Model Predictive Safety Certification for Learning-based Control
虽然分布式算法通过需要较低的本地计算负载和较少的本地存储器为复杂的大规模系统的控制提供了优势，但是设计高性能的分布式控制策略是一项具有挑战性的任务。基于学习的控制算法为解决这一挑战提供了有希望的机会，但通常不能保证在状态和输入约束满足方面的安全性。最近提出的集中式线性系统的安全框架，通过匹配的学习为基础的输入在线与初始输入的模型预测控制法律能够驱动系统的终端集是安全的。我们扩展这个想法，得到一个分布式模型预测安全认证（DMPSC）计划，这是能够确保状态和输入约束的满足时，应用任何基于学习的控制算法的不确定分布式动态耦合线性系统。该方案是基于一个分布式的管为基础的模型预测控制（MPC）的概念，其中子系统之间的邻居协商本地管的尺寸，以减轻限制的安全方法。此外，我们提出了一种技术，用于生成一个结构化的椭球鲁棒正不变管。在数值模拟中，我们表明，安全框架，确保约束满足最初不安全的控制策略，并允许提高整体控制性能相比，强大的分布式MPC。
2021-09-30 cs.SY eess.SY
Stochastic Model Predictive Control with a Safety Guarantee for Automated Driving: Extended Version
自动驾驶汽车需要在不确定的环境中进行有效和安全的规划。大多数情况下，这种不确定性是由其他交通参与者引起的，例如，周边车辆。周围车辆的未来运动通常难以预测。而鲁棒控制方法实现安全，但保守的自动车辆的运动规划，随机模型预测控制（SMPC）提供了有效的规划存在的不确定性。应用概率约束以确保最大风险保持在预定义水平以下。然而，由于可能违反概率约束，无法确保安全性，这对于自动驾驶车辆是不可接受的。在这里，我们提出了一个有效的轨迹规划框架与自动驾驶汽车的安全保证。SMPC被应用于获得有效的车辆轨迹有限的地平线。基于第一优化SMPC输入，使用可达集规划有保证的安全备份轨迹。此备份用于覆盖SMPC输入（如有必要），以确保安全。证明了安全SMPC算法的递归可行性。高速公路模拟表明所提出的方法的有效性，性能和安全性。
2022-06-08 cs.SY eess.SY
A Control Barrier Function-Constrained Model Predictive Control Framework for Safe Reinforcement Learning
New York University（纽约大学）
本文提出了一种基于模型预测控制的安全强化学习框架PECTS，通过联合学习随机系统动力学和控制屏障函数来确保安全，采用采样优化方法提升安全性。
2026-04-07 cs.SY eess.SY
Robust Predictive Output-Feedback Safety Filter for Uncertain Nonlinear Control Systems
在现实世界的应用中，我们经常需要可靠的决策下动态不确定性使用嘈杂的高维传感器数据。最近，我们已经看到越来越多的基于学习的控制算法，以解决动态不确定性下的决策的挑战。这些算法通常对潜在的未知动态做出假设，因此可以提供安全保证。这对于其他广泛使用的基于学习的决策算法（如强化学习）更具挑战性。此外，大多数现有的方法假设访问状态测量，这在实践中可能是限制性的。在本文中，安全滤波器和鲁棒输出反馈控制的文献的启发，我们提出了一个鲁棒预测输出反馈安全滤波器（RPOF-SF）框架，提供安全认证的任意控制器应用于不确定的非线性控制系统。建议的RPOF-SF结合了一个鲁棒稳定的观测器，估计系统状态从嘈杂的测量数据和一个预测的安全过滤器，使任意的控制器安全（可能）最小限度地修改控制器的输入，以保证安全。我们在理论上表明，建议的RPOF-SF保证约束的满意度，尽管施加到系统的干扰。我们证明了所提出的RPOF-SF算法使用不确定的质量弹簧阻尼器系统的有效性。
2022-12-17 cs.SY eess.SY
Predictive safety filter using system level synthesis
本研究提出融入系统级综合技术的改进模型预测安全滤波器SL-MPSF，可在扩大安全集内为受扰线性系统保安全，修改控制输入更少，还提出显式变体降低在线计算量，经数值算例验证优于现有方案。
2023-06-09 cs.SY eess.SY
Safe model-based Reinforcement Learning via Model Predictive Control and Control Barrier Functions
Delft University of Technology（代尔夫特理工大学）
本文提出一种安全的模型基于强化学习框架，结合模型预测控制与控制屏障函数，通过参数化方法改进安全控制策略。
2025-12-04 cs.SY eess.SY
A Safe Control Architecture Based on a Model Predictive Control Supervisor for Autonomous Driving
本文提出了一种新的，安全的控制体系结构（SCA）控制一类重要的系统：安全关键系统。确保控制决策的安全性一直是自动控制中的一个挑战。所提出的SCA旨在通过使用模型预测控制器（MPC）来应对这一挑战，该模型预测控制器（MPC）充当操作控制器的监督者，在这个意义上，MPC不断地检查由操作控制器生成的控制输入的安全性，并且如果控制输入被预测为在可预见的未来总是导致危险情况，则进行干预。则可以激活适当的备份方案，例如，降级的控制机制、系统向安全状态的转换或向人类监督员发出的警告信号。为了验证概念，建议SCA应用于自动驾驶场景，在不同的避障场景中进行说明和比较。SCA的一个主要挑战在于MPC预测模型与实际系统之间的不匹配，对此可能的补救措施进行了探索。
2022-01-31 cs.SY eess.SY
Safety-based Speed Control of a Wheelchair using Robust Adaptive Model Predictive Control
电动轮椅在为行动不便人士提供无障碍环境方面扮演重要角色。在设计用于跟踪任务的控制器时，确保轮椅在不同应用场景和不同用户中的操作安全至关重要。在这项工作中，我们提出了一种基于安全的速度跟踪控制算法的轮椅系统与外部干扰和不确定参数在动态水平。应用集员方法在线估计不确定参数集，设计了一种在线自适应模型和控制参数的模型预测控制方案，以保证跟踪过程中的安全约束。所提出的控制器可以驱动轮椅的速度到一个期望的参考范围内的安全约束。对于违反约束的不可容许参考，所提出的控制器可以引导系统到最近的可容许参考的邻域。基于两个包含可行参考和不可行参考的任务的高保真速度跟踪结果，验证了所提出的控制方案的有效性。
2022-10-06 cs.SY eess.SY
Safe Reinforcement Learning with Chance-constrained Model Predictive Control
UC Berkeley（加州大学伯克利分校）
现实世界中的强化学习（RL）问题通常要求智能体通过遵守一组设计的约束来安全地行为。我们通过将基于模型预测控制（MPC）的安全指南与线性设置中具有连续动作的修改后的策略梯度框架相耦合来解决安全RL的挑战。该指南通过在MPC公式中嵌入安全要求作为机会约束来强制执行系统的安全操作。然后，策略梯度训练步骤包括训练基本策略以安全地运行的安全惩罚。我们从理论上证明，这种惩罚允许一个可证明安全的最佳基础政策，并说明我们的方法与模拟线性化四旋翼实验。
2022-03-28 cs.LG cs.SY eess.SY
Safe Data-Driven Predictive Control
本文提出安全数据驱动预测控制框架，通过STF并发学习、RCBF和NMPC策略逼近消除精确模型依赖并降低计算负担，仿真表明其性能与现有基准相当且计算成本显著降低。
2025-04-11 cs.SY eess.SY
Decentralized Model Predictive Control of Connected and Automated Vehicles with Coupled Safety Constraints
ETH Zürich（苏黎世联邦理工学院）
研究无车道高速公路上CAV控制问题，针对其非线性动力学和安全约束挑战，采用分散MPC算法，开发解耦方法转化约束，仿真表明算法实现安全高效轨迹且提升可扩展性，指出最佳控制策略取决于多方面权衡。
2026-07-14 cs.SY eess.SY
Geometry-Aware Predictive Safety Filters on Humanoids: From Poisson Safety Functions to CBF Constrained MPC
Department of Mechanical and Civil Engineering, California Institute of Technology（机械与土木工程系，加州理工学院）
针对腿式机器人非对称几何的安全轨迹规划问题，提出基于泊松安全函数和CBF约束MPC的几何感知预测安全滤波器，实现实时在线安全导航。
2025-08-15 cs.RO cs.SY eess.SY
Communication-Aware and Safety-Aware UAV Control via Predictive Latent Models
Centre for Wireless Communications, University of Oulu（奥卢大学无线通信中心）
提出CRPL框架，结合联合嵌入预测架构与概率通信和安全约束，通过递归多步预测优化无人机运动与传输功率，在有限带宽下降低终端误差和中断时间。
2026-07-02 cs.SY eess.SY
Cognitive-Flexible Control via Latent Model Reorganization with Predictive Safety Guarantees
King Mongkut’s University of Technology Thonburi（泰国孔敬理工大学）
本文提出认知灵活控制框架，通过动态重组潜在表示并结合贝叶斯MPC，实现安全且高效的非平稳网络物理系统控制。
2026-03-07 cs.SY eess.SY
Safety-Critical Model Predictive Control with Discrete-Time Control Barrier Function
University of California, Berkeley（加利福尼亚大学伯克利分校）
机器人系统的最优性能通常是在状态和输入界的极限附近实现的。模型预测控制（MPC）是处理这些操作约束的流行策略，然而，安全性仍然是MPC的公开挑战，因为它需要保证系统保持在不变集内。为了获得安全的最佳性能的背景下的集合不变，我们提出了一种安全关键的模型预测控制策略，利用离散时间控制障碍函数（CBF），保证系统的安全性，并通过模型预测控制实现最佳性能。我们分析了我们的控制设计的稳定性和可行性。我们验证了我们的方法的属性上的二维双积分器避障模型。我们还验证了算法数值上使用的竞争激烈的赛车的例子，自我车能够超越其他赛车。
2021-03-23 cs.RO cs.SY eess.SY
Differentiable Predictive Control with Safety Guarantees: A Control Barrier Function Approach
Pacific Northwest National Laboratory（太平洋西北国家实验室）；Battelle Memorial Institute（巴特尔纪念研究所）
提出了一种基于控制障碍函数的具有安全性和鲁棒性保证的微分预测控制方法。DPC是一种基于无监督学习的方法，用于获得显式模型预测控制（MPC）问题的近似解。在DPC中，由神经网络参数化的预测控制策略通过MPC问题的自动微分获得的直接策略梯度离线优化。所提出的方法利用一种新形式的采样数据障碍函数，以执行离线和在线的DPC设置的安全要求，同时只中断基于神经网络的控制器附近的边界的安全集。仿真结果表明了该方法的有效性。
2022-08-03 cs.LG cs.SY eess.SY
Convex Model Predictive Control for Safe Output Consensus of Nonlinear Multi-Agent Systems
School of Automation Science and Electrical Engineering, Beihang University（北京航空航天大学自动化科学与电气工程学院）；ICTEAM Institute, UCLouvain（UCLouvain ICTEAM研究所）
本文提出基于SQP方案的凸模型预测控制方法，通过线性化和凸化非线性约束，有效降低计算复杂度，实现在非线性多智能体系统中的安全输出一致性控制。
2026-01-19 cs.SY eess.SY
Backup Plan Constrained Model Predictive Control
本文提出了一种新的安全概念：后备计划安全。后备计划的安全性被定义为在主要任务流产的情况下完成其中一个替代任务的能力。为了将这种新的安全概念的控制问题，我们制定了一个可行性最大化的问题，采用额外的（虚拟）输入视野对替代任务的输入视野上的主要任务。主要任务和备选任务的代价函数构造多个目标，并且多水平输入评估它们。为了解决可行性最大化问题，我们开发了一种多时域多目标模型预测路径积分控制（3M）算法。模型预测路径积分控制（MPPI）是一种基于采样的方案，可以帮助所提出的算法处理非线性动态系统，并通过并行计算来实现计算效率。通过对飞行器和地面车辆控制问题的仿真，验证了备份计划安全性的新概念和所提算法的性能。
2021-03-27 cs.SY eess.SY
Safe-by-Construction Autonomous Vehicle Overtaking using Control Barrier Functions and Model Predictive Control
针对自动驾驶超车场景中需兼顾前车与对向来车安全的难题，提出融合分级CBF与时间最优MPC的构造式安全超车框架，经仿真验证比标准MPC具备更优的无碰撞安全性能。
2023-10-10 cs.SY eess.SY
A predictive safety filter for learning-based control of constrained nonlinear dynamical systems
Institute for Dynamic Systems and Control, ETH Zurich, Zurich, Switzerland（动态系统与控制研究所，苏黎世联邦理工学院，瑞士苏黎世）
本文提出了一种预测安全过滤器，用于基于学习的控制中处理物理限制下的安全问题，通过将约束动力学系统转换为无约束安全系统，使任何强化学习算法都能直接应用。
2021-05-17 cs.LG cs.SY eess.SY
A Safe Control Architecture Based on Robust Model Predictive Control for Autonomous Driving
提出了一种用于安全决策的鲁棒安全控制体系结构。被控系统是一个存在有界干扰的车辆。RSCA由两部分组成：Supervisor MPC和Controller MPC。管理器和控制器都是管MPC（TMPC）。Supervisor MPC为操作控制器提供安全证书，并在每个步骤中提供备用控制输入。在预测到操作控制器的不安全动作之后，控制器MPC接管系统。在本文中，提出了一种方法的终端集的计算，这是强大的对道路曲率的变化，并迫使车辆达到一个安全的参考。此外，本文还提供了两个重要的证明。首先，示出了备用控制输入安全地应用于系统以将车辆引导到安全状态。其次，证明了RSCA的递归可行性。通过对避障场景的仿真，验证了所提方法的有效性。
2022-06-20 cs.SY eess.SY
Feasibility-Guided Safety-Aware Model Predictive Control for Jump Markov Linear Systems
针对跳跃马尔可夫线性系统的模式不确定性与安全控制问题，提出可行性引导的安全感知MPC框架，结合控制屏障函数实现有限时域安全，实验验证其提升了系统安全性与性能。
2024-09-15 cs.SY eess.SY
MROPE: A Multi-Robot Safe Cooperative Strategy via combined Predictive Safety Filters and Ellipse-based Constraint Compression
Alma Mater Studiorum - Università di Bologna（博洛尼亚大学）；Leonardo S.p.a.（莱昂纳多公司）；Leonardo Innovation Labs（莱昂纳多创新实验室）
针对杂乱环境中无人机群追踪动态目标的计算与安全挑战，研究提出MROPE分层策略，结合分布式聚合优化、分布式共识方案与预测安全滤波器，通过动态聚合障碍物为椭圆保障安全，实验验证其效率与可扩展性优于集中式方法。
2026-08-03 cs.RO cs.SY eess.SY
Probabilistically safe controllers based on control barrier functions and scenario model predictive control
针对基于控制障碍函数的控制器短视、性能差及模型预测控制计算需求高的问题，提出仅在预测时域首步用场景法转化的确定性CBF约束实现概率安全的控制方法，给出无分布先验安全保证并通过无人机案例验证有效性。
2024-09-12 cs.SY eess.SY
Goal-oriented safe active learning for predictive control using Bayesian recurrent neural networks
Politecnico di Milano（米兰理工大学）；ETH Zürich（苏黎世联邦理工学院）；Imperial College London（帝国理工学院）；Chalmers University of Technology（查尔姆斯理工大学）
本文提出一种基于贝叶斯递归神经网络的在线模型适应方案，通过目标导向的安全主动学习算法，在预测控制框架中递归更新递归神经网络的最后层参数，确保安全性和控制性能，实验证明其在能源系统中的经济性与安全性。
2026-04-14 cs.SY eess.SY
Learning for Layered Safety-Critical Control with Predictive Control Barrier Functions
Caltech（加州理工学院）
针对降阶与全阶模型差异导致的安全违规，本文提出预测CBF，通过并行仿真学习预测鲁棒性项并在分层控制中保证安全性，且在三维跳跃机器人上验证。
2024-12-05 cs.LG cs.RO cs.SY
Safe Adaptive-Sampling Control via Robust M-Step Hold Model Predictive Control
University of California, Berkeley（加州大学伯克利分校）；University of California, Santa Barbara（加州大学圣塔芭芭拉分校）
本文提出 robust M-step hold 模型预测控制方法，用于确保自适应采样控制的安全性，通过递归可行性分析和在线选择 M 实现安全控制，通过 cruise control 示例验证了方法的有效性。
2026-05-06 cs.SY eess.SY
Linear model predictive safety certification for learning-based control
ETH Zurich（苏黎世联邦理工学院）
本文提出了一种模型预测安全认证（MPSC）方案，用于具有加性扰动的多边形线性系统，以解决基于学习的控制器缺乏安全保证的问题。通过引入MPC来确保系统在安全目标集内运行，并通过场景优化提出了一种实用的数据驱动设计方法。
2019-04-08 cs.LG cs.SY eess.SY
Stochastic Safety-critical Control Compensating Safety Probability for Marine Vessel Tracking
Kagoshima University（鹿儿岛大学）；Okayama University（冈山大学）；DENSO IT Laboratory（电装IT实验室）
本文提出非线性船舶运动模型并采用线性化方法控制，利用随机零化控制屏障函数确保概率安全，通过仿真验证有效性。
2026-03-30 cs.SY eess.SY
Robust Model Predictive Control of Fast Lithium-ion Battery Pretreatment for Safe Recycling
针对退役电动汽车电池预处理放电的效率与安全问题，提出融合电热模型、温度约束及模型失配补偿的鲁棒MPC框架，仿真表明其较CC-CV和CC-CT可在安全约束下显著缩短放电时间。
2025-03-14 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
Uncertainty-Aware Predictive Safety Filters for Probabilistic Neural Network Dynamics
Institute for Data Science in Mechanical Engineering (DSME), RWTH Aachen University（机械工程数据科学研究所（DSME），亚琛工业大学）；Institute of Climate and Energy Systems (ICE), Energy Systems Engineering (ICE-1), Forschungszentrum Jülich GmbH（气候与能源系统研究所（ICE），能源系统工程（ICE-1），焦耳研究中心有限公司）
本文提出了一种具有不确定性的预测安全过滤器（UPSi），通过将未来结果建模为可达集，利用概率集合（PE）神经网络动态模型提供严格的安全预测，从而在模型基于强化学习（MBRL）中提升探索安全性，同时保持与标准MBRL相当的性能。
2026-08-11 cs.LG cs.SY eess.SY
Empirical Pedestrian Safety Assessment in a Mobile Robot Using a Predictive Social Force Model
National Cheng Kung University（国立成功大学）
研究移动机器人与行人共享人行道时的安全评估，通过整合预测社会力向量引入PSFM和PTSFM，在非完整移动机器人上实验，证实PTTC集成可提升安全指标，预测贡献有限，单行人场景中预测带来的额外好处不多。
2026-07-13 cs.RO cs.SY eess.SY
Stochastic Model Predictive Control of Autonomous Systems with Non-Gaussian Correlated Uncertainty
许多系统，如自动驾驶汽车和四旋翼，都受到参数不确定性和外部干扰的影响。这些不确定性可能导致不期望的性能下降和安全问题。因此，设计鲁棒控制策略来安全地调节系统的动态特性是很重要的。针对具有非高斯相关概率不确定性的动态系统，提出了一种新的机会约束随机模型预测控制方法。我们开发了一种新的随机Galerkin方法来传播的不确定性，使用一种新型的基函数和优化为基础的求积规则。该公式可以很容易地处理超出广义多项式混沌展开能力的非高斯相关不确定性。新的随机Galerkin公式使我们能够将机会约束随机模型预测控制问题转化为确定性问题。我们验证了我们的方法通过几个随机控制任务，包括避障，车辆路径跟踪，和四旋翼参考跟踪。
2019-10-07 cs.SY eess.SY
Stochastic Model Predictive Control for Linear Systems with Unbounded Additive Uncertainties
针对具有无界可加不确定性的线性定常系统，提出了两种随机模型预测控制方法。新的方法是通过制定机会约束的确定性形式，这是类似于鲁棒约束，通过使用概率可达集处理。首先，采用时变概率可达集作为管，设计了基于概率可分解时变管的随机模型预测控制算法。其次，利用概率正不变集，通过在整个预测范围内不断收紧约束条件，提出了基于概率可分解常数管的随机模型预测控制算法。此外，为了提高算法的可行性，对状态初始化施加了软约束。算法的可行性和闭环稳定性的结果。数值模拟的方法的有效性证明。
2021-04-21 cs.SY eess.SY
Model Predictive Control for Safety-Critical Systems Using Taylor's Theorem with Lagrange Remainder
Boston University（波士顿大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；Nanyang Technological University（南洋理工大学）；MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；University of Maryland, College Park（马里兰大学帕克分校）
本文提出基于泰勒展开与拉格朗日余项的MPC（MPC-TLR），通过数值近似余项并引入可调裕度，在避障任务中实现比高阶CBF方法更安全、更少参数且更不保守的控制。
2026-10-07 cs.SY eess.SY
Simultaneous Lane-Keeping and Obstacle Avoidance by Combining Model Predictive Control and Control Barrier Functions
本文将模型预测控制（MPC）与控制障碍函数（CBF）设计方法相结合，提出了一种同时实现车道保持和避障的递阶控制律：在低层，MPC通过轨迹跟踪实现车道保持和避障;在高层次上，设计了不同的基于CBF的安全滤波器，确保LK和OA在一些实际场景中进行比较。特别是，我们表明，指数安全（ESf）和规定时间安全（PTSf）过滤器，在必要时覆盖MPC控制，导致可行的二次规划时，安全的优先级适当。我们还研究控制设计输入约束，通过使用输入约束CBF。最后，我们比较了ESf，PTSf，和他们的输入受限的同行的组合的性能相对于LK和OA的目标在两个模拟研究早期和晚期检测到的障碍物的情况。
2022-04-13 cs.SY eess.SY
Safety Critical Model Predictive Control Using Discrete-Time Control Density Functions
Clemson University（克莱姆森大学）
本文提出MPC-CDF方法，将控制密度函数融入模型预测控制框架，在离散时间下确保非线性系统的收敛与安全，并在水下航行器自主导航中验证了其避障与安全性能。
2025-09-16 cs.RO cs.SY eess.SY
Safety-Critical Control for Discrete-time Stochastic Systems with Flexible Safe Bounds using Affine and Quadratic Control Barrier Functions
针对离散时间随机系统的安全控制问题，提出基于控制障碍函数（CBFs）的安全控制器综合方法，通过灵活设计CBF得到更紧的安全概率边界，经数值算例验证了方法有效性。
2025-01-16 cs.SY eess.SY
Resource-Aware Stochastic Self-Triggered Model Predictive Control
本文考虑了在有限的资源因素，如电池寿命或硬件寿命下运行的不确定系统的控制。我们在这里考虑资源感知的自触发控制技术，调度系统的操作不均匀的时间，以平衡性能对资源消耗。当运行在一个不确定的环境中，未知的干扰可能会恶化系统的性能，通过对抗计划的事件触发时间表。在这项工作中，我们提出了一个资源感知的随机预测控制方案来解决这一挑战，提出了一种新的零阶保持反馈控制方案，以适应时间不均匀的预测控制更新。
2021-03-09 cs.SY eess.SY
Predictive control barrier functions for piecewise affine systems with non-smooth constraints
University of Oxford（牛津大学）；Delft University of Technology（代尔夫特理工大学）
本文针对受非线性状态和多面体输入约束的非控制仿射分段仿射系统，引入集值广义Clarke导数设计预测安全滤波器，提出显式近似方法以保证安全性并降低计算开销。
2026-09-03 cs.SY eess.SY
MAMPS: Safe Multi-Agent Reinforcement Learning via Model Predictive Shielding
University of Pennsylvania（宾夕法尼亚大学）
强化学习是一种很有前途的方法来学习控制策略，以执行复杂的多智能体机器人任务。然而，在模拟中学习的策略往往无法保证甚至简单的安全属性，例如避障。为了确保安全性，我们提出了多智能体模型预测屏蔽（MAMPS），这是一种可证明地保证任意学习策略安全的算法。特别是，它通过尽可能频繁地使用学习策略来操作，但是在不能保证学习策略的安全性的情况下使用备份策略。使用多代理仿真环境，我们展示了如何MAMPS可以实现良好的性能，同时确保安全。
2019-12-28 cs.AI cs.MA cs.RO
Reachability-Guided Sequential Quadratic Programming-Guarded Model Predictive Path Integral for Safe Nonlinear Predictive Control
ETH Zurich（苏黎世联邦理工学院）；University of California, Los Angeles（加州大学洛杉矶分校）；Seoul National University（首尔大学）；University of California, Berkeley（加州大学伯克利分校）
提出ReSQ-MPPI，结合可达性分析与序列二次规划精炼，提升采样型模型预测控制在安全非线性环境中的安全性与性能。
2026-10-06 cs.RO cs.SY eess.SY
Safety Verification of Stochastic Systems: A Set-Erosion Approach
本文提出集合侵蚀策略，通过确定性系统在侵蚀子集上的安全性验证随机系统安全性，并结合精确概率界建立通用验证框架，获得比现有方法更紧的障碍证书。
2024-10-03 cs.SY eess.SY
Data-driven tube-based stochastic predictive control
行为系统理论的一个强有力的结果，称为基本引理，允许预测控制类似于线性时不变（LTI）系统的模型预测控制（MPC），具有纯粹来自数据的未知动态。虽然大多数的数据驱动的预测控制文献的重点是相对于测量噪声的鲁棒性，只有少数作品考虑利用概率信息的干扰性能为导向的控制，在随机MPC。在这项工作中，我们提出了一种新的数据驱动的随机预测控制方案的机会约束LTI系统的测量噪声和附加的随机干扰。为了使其他随机和棘手的最优控制问题的确定性，我们的方法利用基于管的MPC的想法，通过将状态分解成由输入驱动的确定性标称状态和受干扰影响的随机误差状态。通过收紧约束的概率相对于加性干扰和鲁棒性相对于测量噪声，原始的机会约束的满意度得到保证。由此产生的数据驱动的滚动时域最优控制问题是轻量级的，递归可行的，并呈现闭环输入状态稳定的附加干扰和测量噪声。我们证明了所提出的方法的有效性，在一个仿真例子。
2023-03-27 cs.SY eess.SY
Scalable Gaussian Process Regression via Deterministic Trigonometric Features: Uniform Bounds for Safe Model Predictive Control
RWTH Aachen University（亚琛工业大学）；Chalmers University of Technology（查尔姆斯理工大学）
本文提出确定性三角特征高斯过程（DTF-GP）框架，将GP回归转化为贝叶斯线性回归，推导其高概率一致不确定性边界，集成至学习型MPC后，在大数据场景下兼顾安全保证与计算效率。
2026-08-18 cs.SY eess.SY
MPC as a Copilot: A Predictive Filter Framework with Safety and Stability Guarantees
University College London（伦敦大学学院）；Southeast University（东南大学）；Loughborough University（拉夫堡大学）
本文提出PS2F框架，结合MPC和过滤层，确保系统约束和渐近稳定性，通过递归可行性分析和时间变化参数化实现安全与稳定平衡。
2026-03-29 cs.RO cs.SY eess.SY
Sample-Based Learning Model Predictive Control for Linear Uncertain Systems
University of California at Berkeley（加州大学伯克利分校）
本文提出了一种基于样本的学习模型预测控制器（LMPC），用于受有界加性扰动影响的受约束不确定线性系统。该方法利用历史数据中的噪声来近似安全集和价值函数，从而保证安全性和性能提升，并通过数值示例验证了其有效性。
2021-01-21 cs.SY eess.SY
