MPC with Learned Residual Dynamics with Application on Omnidirectional MAVs
ETH Zurich（苏黎世联邦理工学院）
不断增长的空中操纵领域通常依赖于全驱动或全向微型飞行器（OMAV），其可以在与环境接触时施加任意力和扭矩。控制方法通常基于无模型方法，将高级别扳手控制器与致动器分配分离。如有必要，在线干扰观测器会拒绝干扰。然而，虽然是通用的，但是该方法经常产生次最优控制命令并且不能结合由平台设计给出的约束。我们提出了两种基于模型的方法来控制OMAVs的任务轨迹跟踪，同时拒绝干扰。第一种方法通过实验数据建立模型，对扳手指令进行优化，并对模型误差进行补偿。第二个优化低级别的致动器命令，允许利用分配零空间，并考虑由致动器硬件的约束。这两种方法的有效性和实时的可行性，并在现实世界的实验中进行评估。
2022-07-04 cs.RO
Linear vs Nonlinear MPC for Trajectory Tracking Applied to Rotary Wing Micro Aerial Vehicles
ETH Zürich（苏黎世联邦理工学院）
精确的轨迹跟踪是\acp{MAV}在杂波环境或干扰下工作的关键性能。在本文中，我们提出了一个详细的比较两个国家的最先进的基于模型的控制技术的\ac{MAV}轨迹跟踪。一个经典的\ac{LMPC}，并与一个更先进的\ac{NMPC}，认为完整的系统模型进行比较。在一个仔细的分析，我们显示的优点和缺点的两种实现的速度和跟踪性能。这是通过评估悬停性能，阶跃响应，并在标称条件下和外部风干扰的积极轨迹跟踪。
2017-04-21 cs.RO
Online Non-linear Centroidal MPC for Humanoid Robots Payload Carrying with Contact-Stable Force Parametrization
Mechanical engineering department（机械工程系）；Machine Learning and Optimisation, The University of Manchester（机器学习与优化，曼彻斯特大学）
针对人形机器人负重行走问题，提出结合在线非线性质心模型预测控制与接触稳定力参数化的方法，实现给定脚步轨迹的跟踪。
2023-05-18 cs.RO
Safe Learning-based Gradient-free Model Predictive Control Based on Cross-entropy Method
Sun Yat-sen University（中山大学）
提出了一种安全的、基于学习的模型预测控制（MPC）控制框架，用于在不确定环境干扰下优化目标函数不可微的非线性系统。该控制框架以最小干预的方式集成了基于学习的MPC和辅助控制器。基于学习的预测控制通过增量式高斯过程对先验标称模型进行增广，以学习不确定扰动。交叉熵方法（CEM）被用作基于采样的MPC与不可微的目标函数的优化。设计了一个最小干预控制器，该控制器具有控制李雅普诺夫函数和控制障碍函数，用于指导采样过程，并赋予系统高概率安全性。在不确定风干扰下，该算法在模拟四旋翼飞行器的轨迹跟踪和避障任务中显示出安全和自适应的控制性能。
2022-02-21 cs.RO
MR-MPCC: Model Predictive Contouring Control for Robotic Manipulator Tracking under Moving Reference Frames
University of Technology Sydney（悉尼科技大学）；Robotics Institute, University of Technology Sydney（悉尼科技大学机器人研究所）；University of Edinburgh（爱丁堡大学）；School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
本文提出MR-MPCC框架，采用分层控制架构，在UR5e平台验证其在移动参考干扰下的路径跟踪性能，相比PI控制和传统MPC，可降低几何路径跟踪误差与移动路径框架偏差。
2026-10-16 cs.RO
Disturbance-Aware Flight Control of Robotic Gliding Blimp via Moving Mass Actuation
Robotics and Control Laboratory, School of Advanced Manufacturing and Robotics, and the State Key Laboratory of Turbulence and Complex Systems, Peking University（机器人与控制实验室，先进制造与机器人学院，湍流与复杂系统国家重点实验室，北京大学）
本文提出基于移动质量作动的扰动感知飞行控制方法，通过MHE-MPC框架提升飞艇在风扰动下的稳定性和控制性能。
2026-01-29 cs.RO
ASAP-MPC: An Asynchronous Update Scheme for Online Motion Planning with Nonlinear Model Predictive Control
KU Leuven（KU Leuven（鲁汶大学））；Flanders Make
针对NMPC运动规划求解时间难以满足实时性的问题，本文提出ASAP-MPC异步更新框架，结合线性状态反馈实现轨迹无缝融合，并在四旋翼和卡车-拖车实验中验证其嵌入式适用性。
2024-03-13 cs.RO math.OC
Graph-of-Constraints Model Predictive Control for Reactive Multi-agent Task and Motion Planning
Department of Computer Science, Purdue University（计算机科学系，普渡大学）
本文提出基于约束图的模型预测控制（GoC-MPC），用于解决多智能体任务与运动规划中的依赖几何约束序列问题，支持部分有序任务、动态智能体协调及扰动恢复，实现高效鲁棒的多智能体操作。
2026-03-22 cs.RO
RK-MPC: Residual Koopman Model Predictive Control for Quadruped Locomotion in Offroad Environments
Clemson University（克莱姆森大学）
本文提出RK-MPC，一种基于Koopman的的数据驱动模型预测控制框架，通过残差预测器提升预测精度并保持实时可行性，实验证明其在复杂地形中的可靠性和性能。
2026-04-07 cs.RO
Parsimonious disturbance-aware minimum-time planning with parametric uncertainty
研究针对赛车运动应用提出最小圈时规划框架，考虑状态干扰和参数不确定性，扩展公式并采用简约激活策略，通过MPC验证，相比无鲁棒性规划，鲁棒规划失败运行少、关键信号分散紧，提升了可跟踪性。
2026-07-16 cs.RO
Efficient Deep Learning of Robust Policies from MPC using Imitation and Tube-Guided Data Augmentation
Massachusetts Institute of Technology（麻省理工学院）
本文提出利用鲁棒管道MPC与数据增强，从单个MPC演示高效训练深度神经网络策略，实现对新扰动的鲁棒性和零样本迁移，在演示效率、训练时间及鲁棒性上优于DAgger和域随机化。
2024-07-06 cs.RO
ES-HPC-MPC: Exponentially Stable Hybrid Perception Constrained MPC for Quadrotor with Suspended Payloads
Worcester Polytechnic Institute（沃斯特理工大学）；University of California Berkeley（加州大学伯克利分校）
针对带悬挂载荷四旋翼空中运输的混合欠驱动控制与感知难题，提出融合ES-CLFs与CBFs的ES-HPC-MPC框架，经仿真与实实验证，可在缆索松弛-张紧切换等场景下保障稳定跟踪与感知约束满足。
2025-10-29 cs.RO cs.SY eess.SY
A Robust Tube-Based Smooth-MPC for Robot Manipulator Planning
Tsinghua University（清华大学）；Beijing National Research Center for Information Science and Technology (BNRist)（北京信息科学与技术国家研究中心）
模型预测控制（MPC）在目标优化和约束满足方面表现出了很好的性能。然而，最优控制问题（OCP）在每个触发时刻的计算量大，导致状态采样到控制信号的严重延迟，限制了MPC在资源有限的机器人操作系统中复杂任务的应用。在本文中，我们提出了一种新的鲁棒管平滑MPC策略的非线性机器人机械手规划系统的干扰和约束。基于分段线性化和状态预测的控制策略，提高了控制过程的平滑性，优化了控制过程的延迟。通过推导系统真实状态与标称状态的偏差，可以预测当前时刻的下一个真实状态集。并以此状态集为初始条件，提前求解下一个最优控制问题，存储基于标称系统状态的最优控制，消除了时滞。此外，我们线性化的非线性系统与一个给定的上界的误差，减少了复杂的OCP和提高响应速度。基于管道MPC的理论框架，我们证明了控制策略是递归可行的，闭环稳定的约束和干扰。数值仿真结果验证了所设计的方法与传统MPC相比的有效性。
2021-03-17 cs.RO cs.SY eess.SY
MPC-Guided Safe Reinforcement Learning and Lipschitz-Based Filtering for Structured Nonlinear Systems
Delft University of Technology（代尔夫特理工大学）
本文提出结合MPC与RL的框架，通过安全控制边界和Lipschitz过滤器实现结构非线性系统的安全可控性。
2025-12-14 cs.RO cs.SY eess.SY
Disturbance Estimation and Rejection for High-Precision Multirotor Position Control
Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）；Swiss Federal Institute of Technology (ETH) Zurich（苏黎世联邦理工学院）
许多多旋翼无人机系统应用都迫切需要在具有强动态外部干扰（如阵风或地面和墙壁效应）的环境中进行精确的位置控制。此外，为了使飞行时间最大化，小型多旋翼平台必须在有效载荷和计算性能的严格约束下运行。在本文中，我们提出了模型预测和PID多转子位置控制器的设计和实验比较增加了干扰估计器，以拒绝强风阵风高达12米/秒和地面效应。对于干扰估计，我们比较了扩展卡尔曼滤波和Unscented卡尔曼滤波。在广泛的室内和室外飞行测试中，我们评估了所开发的控制和估计算法在计算受限平台上运行的适用性。这允许得出结论，潜在的性能改进是否证明多转子位置控制的MPC和干扰估计的UKF的增加的计算复杂性是合理的。
2019-08-08 cs.RO
An MPC-based Optimal Motion Control Framework for Pendulum-driven Spherical Robots
Zhejiang University（浙江大学）
针对球形机器人运动控制需兼顾指令跟踪与姿态、电流波动的问题，提出一种结合ESO与MLP的基于MPC的最优运动控制框架，实验证明其在快速性、准确性及能耗等指标上优于PID和SMC。
2023-10-19 cs.RO
Shield Model Predictive Path Integral: A Computationally Efficient Robust MPC Approach Using Control Barrier Functions
Georgia Institute of Technology（佐治亚理工学院）；Massachusetts Institute of Technology（麻省理工学院）
模型预测路径积分（MPPI）控制是一种基于采样的模型预测控制，其模拟数千个轨迹并使用这些轨迹来在运行中合成最优控制。然而，在实践中，MPPI遇到的问题限制了其应用。例如，已经观察到，如果存在未建模的动态或环境干扰，则MPPI倾向于做出糟糕的决策，从而阻止其在安全关键应用中的使用。此外，MPPI使用的多线程模拟需要大量的板载计算资源，使得该算法无法在没有现代GPU的情况下使用。为了缓解这些问题，我们提出了一种新的（屏蔽MPPI）算法，提供了对不可预测的干扰的鲁棒性，并实现了实时规划，使用数量少得多的并行模拟常规CPU。新的盾牌MPPI算法进行了测试，在一个积极的自主赛车平台在仿真和使用实验。结果表明，所提出的控制器大大减少了违反约束的数量相比，国家的最先进的强大的MPPI变量和随机MPC方法。
2023-02-23 cs.RO 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
Nonlinear MPC for Quadrotors in Close-Proximity Flight with Neural Network Downwash Prediction
Beihang University（北京航空航天大学）
针对四旋翼近距离飞行中的下洗气流扰动问题，提出NDP-NMPC方法，通过谱归一化训练的神经网络预测扰动并融入非线性模型预测控制，实验显示高度跟踪误差降低75.37%。
2023-09-12 cs.RO
Model Predictive Control for Cooperative Docking Between Autonomous Surface Vehicles with Disturbance Rejection
Delft Center for Systems and Control（代尔夫特系统与控制中心）
本文提出基于模型预测控制的自主水面车辆协同对接方法，通过集中式控制策略实现更高效稳定的对接性能。
2025-12-08 cs.RO cs.SY eess.SY
Optimal Control for Quadruped Locomotion using LTV MPC
Clemson University（克莱姆森大学）
本文提出基于单刚体模型和线性化方案的线性时变模型预测控制器，用于四足机器人运动控制，可执行多种步态并在未知扰动下跟踪参考轨迹，最高速度达1 m/s。
2023-10-16 cs.RO
Robust Autonomous Control of a Magnetic Millirobot in In Vitro Cardiac Flow
Laboratory for Computational Sensing and Robotics, Johns Hopkins University（约翰霍普金斯大学计算传感与机器人实验室）；Division of Magnetic Manipulation and Particle Research, Weinberg Medical Physics, Inc.（温伯格医学物理公司磁操控与粒子研究部）；Department of Mechanical Engineering, University of Maryland（马里兰大学机械工程系）
本文提出基于视觉引导的控制框架，实现磁性微机器人在生理相关流体条件下的自主导航，通过滑模控制器与扰动观测器在多线圈电磁驱动下实现亚毫米精度，优于PID和MPC基准。
2026-04-02 cs.RO
Time-projection control to recover inter-sample disturbances, application to bipedal walking control
EPFL（洛桑联邦理工学院）
我们提出了一种新的步行控制器的基础上，3LP，一个3D模型的双足步行，是由三个双足模拟下降，摆动和躯干动力学。利用线性方程组和封闭形式的解决方案的3LP，所提出的控制器项目的中间状态的的控制器回到开始的阶段，为离散LQR控制器的设计。投影后，一个适当的控制策略是由这个LQR控制器产生，并在中间时间使用。投影控制器对干扰立即作出反应，与离散LQR控制器相比，它在恢复间歇性外部推力方面提供了优越的性能。进一步的闭环特征值和干扰抑制强度的分析表明，这种结构具有很强的稳定性。可行区域的分析也表明，所提出的控制器覆盖了最大可行状态集的大部分。它在计算上比模型预测控制器（MPC）快得多，但在无限范围内是最优的。
2018-01-07 cs.RO
Risk-Averse Receding Horizon Motion Planning for Obstacle Avoidance using Coherent Risk Measures
本文针对不确定动力学智能体在随机动态障碍物环境中的避障问题，提出基于相干风险度量的MPC方案，并设计航点跟随算法证明其递归可行性与有限时间任务完成保证。
2023-09-28 cs.RO cs.SY eess.SY
Safe Learning of Locomotion Skills from MPC
Munich Institute of Robotics and Machine Intelligence（慕尼黑机器人与机器智能研究所）；Technical University of Munich（慕尼黑工业大学）
本研究利用MPC作为专家并结合SafeDAGGER框架，安全地学习运动技能，相比行为克隆和标准DAGGER，训练失败更少且策略更鲁棒。
2024-07-16 cs.RO
Efficient Deep Learning of Robust, Adaptive Policies using Tube MPC-Guided Data Augmentation
Massachusetts Institute of Technology（麻省理工学院）
本文扩展 Tube MPC 引导的模仿学习数据增强框架，利用可在线估计的低维模型/环境表示训练多旋翼自适应位置与姿态控制策略，在约1.3小时内获得强风扰动下的高精度鲁棒策略。
2023-10-02 cs.AI cs.RO
Benchmarking Model Predictive Control and Reinforcement Learning Based Control for Legged Robot Locomotion in MuJoCo Simulation
本研究在MuJoCo仿真中对Unitree Go1四足机器人的MPC与RL控制器进行基准测试，发现RL抗干扰与能效优异但地形泛化弱，MPC则在大扰动恢复与关节控制分配上更优，为足式机器人控制策略选择提供了明确见解。
2025-01-28 cs.RO cs.SY eess.SY
TOAST: Trajectory Optimization and Simultaneous Tracking using Shared Neural Network Dynamics
Agency for Defense Development（国防发展局）；Ground Technology Research Institute（地面技术研究院）
神经网络越来越多地应用于模型预测控制器（MPC）中，以控制非线性动态系统。然而，MPC仍然提出了一个问题，即可实现的更新速率不足以应付模型的不确定性和外部干扰。在本文中，我们提出了一种新的控制方案，可以设计一个最佳的跟踪控制器使用的神经网络动态的MPC，使其有可能被应用为任何现有的基于模型的前馈控制器的即插即用扩展。我们还描述了我们的方法如何处理包含历史信息的神经网络，它不遵循一般形式的动态。所提出的方法进行评估，其在经典的控制基准与外部干扰的性能。我们还扩展了我们的控制框架，以应用于具有未知摩擦的激进自动驾驶任务。在所有的实验中，我们的方法优于比较方法的大幅度。我们的控制器也表现出较低的控制抖振水平，表明我们的反馈控制器不干扰MPC的最优命令。
2022-07-14 cs.RO cs.SY eess.SY
PPO-based Dynamic Control of Uncertain Floating Platforms in the Zero-G Environment
University of Luxembourg（卢森堡大学）
本文提出将PPO强化学习与MPC相结合的方法，用于零重力环境下浮动平台的动态控制，通过从MPC预测中学习来适应未建模动态和扰动，并在卢森堡大学Zero-G Lab的仿真与实验中验证了该方法的适应性和有效性。
2024-07-03 cs.AI cs.RO cs.SY
Interaction Dynamics MPC for Knee Rehabilitation Exoskeletons: A Closed-Loop SEA Outer-Loop Study
Department of Biomedical Engineering and Engineering Science（生物医学工程与工程科学系）
提出阻抗模型预测控制框架，结合卡尔曼扰动状态估计患者力矩，实现无偏移跟踪和辅助按需，在500 Hz下满足临床精度标准。
2026-09-29 cs.HC cs.NE cs.RO
State-Dependent Dynamic Tube MPC: A Novel Tube MPC Method with a Fuzzy Model of Disturbances
本文提出状态依赖动态管模型预测控制（SDD-TMPC），通过模糊模型学习随状态变化的扰动动态并纳入鲁棒TMPC决策，在保持鲁棒稳定性的同时降低保守性并提高可行性。
2023-10-30 math.OC
Distributionally Robust Stochastic MPC under Disturbance-Affine Feedback Policies
RWTH Aachen University（亚琛工业大学）
本文提出一种分布鲁棒随机MPC方法，利用扰动数据构建Wasserstein球内的分布集，以应对最坏情况下的约束满足问题。通过引入扰动仿射控制策略，提升控制自由度，证明了所提方法的递归可行性与稳定性，并通过理论分析和仿真验证其在初始可行集、平均性能和状态方差控制方面的优越性。
2026-04-14 cs.SY eess.SY math.OC
System Level Disturbance Reachable Sets and their Application to Tube-based MPC
基于管的模型预测控制（MPC）方法利用管来约束由于不确定性而导致的与标称轨迹的偏差，以便确保约束满足。提出了一种基于系统级扰动可达集（SL-DRS）的模型预测控制方法，该方法利用仿射系统级参数化（SLP）。我们表明，施加有限脉冲响应（FIR）约束的仿射SLP保证包含所有未来的偏差在有限序列的SL-DRS。这使我们能够制定一个系统级管MPC（SLTMPC）方法使用的SL-DRS管，这使得并发优化的标称轨迹和管，同时使用一个正不变的终端集。最后，我们表明，SL-DRS管也可以离线计算。
2021-11-05 cs.SY eess.SY math.OC
Learning-based Homothetic Tube MPC
Imperial College London（帝国理工学院）；University of Stuttgart（斯图加特大学）；Linköping University（林雪平大学）；University of Oxford（牛津大学）
本文提出一种基于学习的同态管MPC方法，通过在线学习近似未知扰动集，实现对线性系统在有界扰动和混合约束下的有效控制。
2025-05-06 cs.SY eess.SY math.OC
Integral-Type Event-Triggered Model Predictive Control of Nonlinear Systems with Additive Disturbance
研究了连续时间非线性系统的积分型事件触发模型预测控制。提出了一种积分型事件触发机制，通过将实际和预测状态序列之间的误差积分，从而降低平均采样频率。此外，一个新的和改进的鲁棒性约束被引入到处理的附加干扰，使MPC问题的潜在扩大的初始可行域。此外，所设计的MPC的可行性和闭环系统的稳定性进行了严格的研究。建立了保证这些性质的几个充分条件，这些条件与预测时域、扰动界、触发水平和鲁棒约束收缩率等因素有关。数值算例和比较表明了该算法的有效性。
2020-02-18 math.OC
Learning-based Rigid Tube Model Predictive Control
针对真实扰动集未知的约束离散线性系统，提出融合在线学习的刚性管式MPC算法，用参数化量化扰动集在线逼近真实扰动集，可高效更新刚性管，具备概率递归可行性，效果优于传统鲁棒MPC。
2024-05-21 cs.SY eess.SY math.OC
Robust Sliding Mode Control of a Magnetic Levitation System: Continuous-Time and Discrete-Time Approaches
本文提出了三种磁悬浮系统的滑模控制器。首先，采用一种新的切换面和比例加功率速率趋近律设计了比例积分滑模控制器。PI-SMC比反馈线性化控制器在不匹配不确定性的存在下具有更强的鲁棒性，并且在收敛速度和稳定时间方面优于最近文献中报道的SMC方案。其次，为了减少PI-SMC中的抖振现象，提出了一种基于状态反馈的离散时间SMC算法。然而，扰动抑制能力在一定程度上受到损害。此外，为了提高鲁棒性，而不损害抖振减少的好处的离散时间SMC，不匹配的不确定性，如传感器噪声和跟踪输入干扰被纳入一个强大的离散时间SMC设计使用多速率输出反馈（MROF）。利用这种技术，可以实现全状态反馈控制器的效果，而不会引起动态控制器或额外的离散时间观测器的复杂性。此外，基于MROF的离散时间滑模控制策略可以稳定磁悬浮系统具有良好的动态和稳态性能，在存在不匹配的不确定性具有优越的鲁棒性。利用李雅普诺夫稳定性理论证明了闭环系统在所设计的控制器作用下的稳定性。仿真结果和分析比较表明，所提出的控制方案的有效性和鲁棒性。
2021-10-24 cs.SY eess.SY math.OC
Robust Steady-State-Aware Model Predictive Control for Systems with Limited Computational Resources and External Disturbances
针对计算资源受限且受外部扰动影响的系统，本文将基于管的框架引入稳态感知MPC，在不增加在线计算负担的前提下增强鲁棒性，并通过理论分析及Parrot Bebop 2无人机仿真与实验验证有效性。
2025-02-17 math.OC
Computationally efficient robust MPC using optimized constraint tightening
针对受有界附加扰动影响的线性定常系统，提出了一种鲁棒模型预测控制（MPC）方法。的主要贡献是离线设计的干扰仿射反馈增益，由此产生的约束收紧最小化。这是通过将约束收紧问题公式化为以反馈项为变量的凸优化问题来实现的。所得到的MPC控制器具有名义MPC的计算复杂度，并保证递归的可行性，稳定性和约束满足。所提出的方法相比，现有的强大的MPC方法的优点是使用数值例子证明。
2022-11-15 cs.SY eess.SY math.OC
Online Learning Based Risk-Averse Stochastic MPC of Constrained Linear Uncertain Systems
College of Engineering, Cornell University（康奈尔大学工程学院）
研究了线性定常系统在加性随机干扰下的数据驱动随机模型预测控制（MPC）设计问题，该系统的概率分布未知，但可以部分地从数据中推断.我们提出了一种新的基于在线学习的风险规避随机MPC框架，其中要求对系统状态的条件风险价值（CVaR）约束保持一个家庭的分布称为模糊集。模糊集是从扰动数据构建的，利用狄利克雷过程混合模型，是自适应的底层数据结构和复杂性。具体地说，利用多模态的结构特性，使得每个混合分量的一阶和二阶矩信息被并入到模糊度集中。然后，一种新的约束收紧策略的基础上提出的模糊度集上的分布鲁棒CVaR约束的等价重构。随着控制器运行期间收集的数据越来越多，模糊度集使用实时扰动数据在线更新，这使得风险规避随机MPC能够应对时变扰动分布。所采用的在线变分推理算法不需要从头开始学习所有收集的数据，因此，建议MPC被赋予保证计算复杂性的在线学习。通过一个安全的更新方案，建立了建议MPC的递归可行性和闭环稳定性的保证。数值算例表明了该方法的有效性和优越性。
2020-11-20 cs.LG math.OC stat.ML
Output feedback stochastic MPC with packet losses
本文考虑了在有耗信道上传输的带有随机附加干扰和噪声测量的约束线性系。我们提出了一个模型预测控制（MPC）法，最大限度地减少了折扣的期望约束的折扣成本。假设传感器数据以已知的概率丢失，并且通过将预测的控制策略表示为未来观测的仿射函数来解释数据丢失，这导致凸最优控制问题。在线约束收紧技术确保了在线优化的递归可行性和期望约束的满足，而不受噪声和干扰输入分布的限制。沿着闭环系统的轨迹评估的成本被证明是有界的最佳预测成本。最后给出了一个数值例子来说明这些结果。
2020-05-06 math.OC
A set-theoretic generalization of dissipativity with applications in Tube MPC
本文介绍了一个框架，分析一般类的不确定非线性离散时间系统给定的状态，控制和干扰约束。特别是，我们提出了一个集理论推广的耗散性的概念，受外部干扰的系统。相应的理论发展建立在基于集合的分析方法，并奠定了严格的经济管模型预测控制器的稳定性分析的一般理论基础。此外，我们还讨论了凸阶费用约束线性控制系统的集耗散性的检验方法。
2020-04-06 math.DS math.OC
A model predictive control framework with robust stability guarantees under unbounded disturbances
ETH Zurich（苏黎世联邦理工学院）；Imperial College London（帝国理工学院）
本文提出了一种具有鲁棒稳定保证的MPC框架，通过惩罚项放松初始状态约束，解决了无界扰动下的稳定性问题，并在名义条件下实现接近最优性能。
2026-10-28 cs.SY eess.SY math.OC
On the Regret Analysis of Online LQR Control with Predictions
本文研究了具有时变费用函数和干扰的在线线性二次型调节器（LQR）控制的动态后悔问题。我们考虑的情况下，一个有限的前瞻窗口的费用函数和干扰是在每个阶段。本文研究的在线控制算法属于模型预测控制（MPC）的范畴，并对终端代价进行了特殊的选择，以保证MPC的指数稳定性。证明了这种在线算法的遗憾度随预测长度呈指数快速衰减。本文还研究了预报不准确对扰动的影响。
2021-02-02 math.OC
Scenario-based Stochastic MPC for systems with uncertain dynamics
模型预测控制对于具有输入和状态约束的系统是一种非常有效的控制方法。模型预测控制的性能在很大程度上取决于开环预测的准确性。对于具有不确定性的系统，这又取决于关于模型和干扰不确定性的属性的可用信息。在这里，我们感兴趣的情况下，这些信息只能通过实现系统轨迹。针对受加性扰动影响的线性系的随机控制问题，提出了一种基于广义随机优化的框架。的主要贡献是在推导的上界的情况下，需要提供概率保证的解决方案的质量，以确定性的神经网络为基础的有限时域最优控制问题的数量。我们提供了一个理论分析所提出的方法的样本复杂性，并证明其性能上一个简单的仿真例子。由于所提出的方法利用采样，它不依赖于模型或干扰分布的显式知识，使其适用于各种各样的环境。
2022-07-25 math.OC
Adaptive Output Feedback MPC with Guaranteed Stability and Robustness
本文提出一种自适应输出反馈MPC框架，利用鲁棒自适应观测器的估计构造两层同伦管以应对参数未知、外部扰动和状态不可测，并保证递推可行性与鲁棒指数稳定性。
2025-02-06 cs.SY eess.SY math.OC
Distributionally Robust Model Predictive Control with Mixture of Gaussian Processes
本文提出MoGP-DR-MPC框架，利用高斯过程混合自动建模多模态扰动并构建数据驱动模糊集，通过DR-CVaR约束的锥重构实现分布鲁棒控制，在四旋翼仿真中闭环成本较GP-MPC降低17%和4%。
2025-02-08 cs.SY eess.SY math.OC
Solar Cruiser Disturbance Torque Estimation and Predictive Momentum Management
University of Minnesota, Twin Cities（明尼苏达大学双城分校）
本文提出了一种结合扰动扭矩估计的模型预测控制（MPC）框架，用于NASA太阳帆任务的动量管理。研究重点在于利用主动质量转换器（AMT）和反射率控制装置（RCDs）作为动量管理执行器，通过卡尔曼滤波实时估计未建模的扰动扭矩，提升动量管理的可靠性和性能。
2026-06-04 math.OC physics.space-ph
Once upon a time step: A closed-loop approach to robust MPC design
提出了一种新的鲁棒模型预测控制（MPC）设计方法，利用MPC优化的递归可行性保证闭环约束满足。基于模型摄动和扰动在一个时间步发生的影响，推导出递归可行性的充分必要条件。利用这些条件和Farkas引理，给出了适合于设计的充分条件。所提出的方法被称为闭环设计，因为只有在下一个时间步的可行输入的存在是强制的设计。这与大多数现有的公式相反，这些公式计算在MPC预测范围内的所有模型扰动和外源扰动的最坏情况实现下可行的控制策略。所提出的方法具有类似于标称MPC方法的在线计算复杂度，同时保持约束满足，递归可行性和稳定性的保证。数值模拟证明了我们所提出的方法的有效性。
2023-03-20 cs.SY eess.SY math.OC
PolyOCP.jl -- A Julia Package for Stochastic OCPs and MPC
Institute of Control Systems, Hamburg University of Technology（汉堡工业大学控制研究所）；Mathematical Institute, University of Bayreuth（拜罗伊特大学数学研究所）
本文介绍PolyOCP.jl，一个用于解决线性系统中多种扰动分布的随机优化预测控制问题的Julia工具包，通过多项式混沌展开方法实现高效求解。
2026-04-27 cs.SY eess.SY math.OC
Inherently Robust Economic Model Predictive Control Without Dissipativity
本文提出了无需耗散性假设即可保证经济MPC鲁棒递推可行性与经济鲁棒性的终端成本和约束充分条件，证明其可用标准设计方法满足，并通过小例子验证了经济MPC对小扰动的内在鲁棒性。
2024-08-28 math.OC
Offset-free model predictive control: stability under plant-model mismatch
针对非线性无静差MPC长期依赖闭环稳定性假设的问题，本文提出含鲁棒状态与扰动估计器的设计，证明其在模型失配和持续扰动下的稳定性、无静差性能及鲁棒性。
2025-09-01 cs.SY eess.SY math.OC
Stochastic Model Predictive Control for Central HVAC Plants
我们提出了一个随机模型预测控制（MPC）的框架，集中供热，通风和空调（HVAC）工厂。该框架使用真实数据来预测和量化在多个时间尺度（电力负荷，加热/冷却负荷和能源价格）上影响系统的干扰的不确定性。我们进行了详细的闭环模拟和系统的基准中央空调厂的一个典型的大学校园。结果表明，确定性MPC未能正确捕获干扰，这转化为经济处罚与峰值需求收费和约束违反热存储容量（溢出和/或耗尽）。我们的研究结果还表明，随机MPC提供了一个更系统的方法，以减轻不确定性，这最终导致高达7.5%的成本节省和减轻存储约束的违规行为。基准测试结果还表明，这些节省接近理想的节省（9.6%）下获得的MPC与完美的信息。
2020-02-24 math.OC
Robust Model Predictive Control with Polytopic Model Uncertainty through System Level Synthesis
针对多面体模型不确定性与加性扰动下的离散线性系统，提出基于System Level Synthesis的鲁棒MPC方法，联合在线优化LTV控制器与不确定性影响界，显著降低保守性且计算量相当。
2023-09-26 cs.SY eess.SY math.OC
