Novel Multi-objective Switched Model Predictive Control with Feasibility and Stability Guarantees
针对多目标控制需求，本文提出具备递推可行性与稳定性保证的标称、鲁棒两种新型多目标切换模型预测控制框架，数值实验验证其性能优于标准模型预测控制方法。
2025-11-15 cs.SY eess.SY math.OC
Data-driven model predictive control: closed-loop guarantees and experimental results
我们提供了一个全面的审查和实际执行最近开发的模型预测控制（MPC）框架，用于控制未知的系统，只使用测量数据，没有明确的模型知识。我们的方法依赖于一个隐式的系统参数化从行为系统理论的基础上测量的输入输出轨迹。所提出的MPC计划保证闭环稳定的未知线性时不变（LTI）系统，即使数据受到噪声的影响。此外，我们扩展此MPC框架控制未知的非线性系统，通过不断更新的数据驱动的系统表示使用新的测量。通过非线性四容系统的仿真和实验证明了我们的方法简单而直观的适用性。
2021-07-02 cs.SY eess.SY math.OC
Distributed and Localized Model Predictive Control. Part II: Theoretical Guarantees
工程信息物理系统正变得越来越大和复杂。这些系统需要可扩展的控制器，鲁棒地满足状态和输入约束的存在下，加性噪声-这种控制器还应该伴随着理论上的可行性和稳定性的保证。在我们的配套文件中，我们介绍了分布式和本地化模型预测控制（DLMPC）的大规模线性系统; DLMPC是一个可扩展的闭环MPC计划，其中子系统只需要交换本地信息，以综合和实施本地控制器。在本文中，我们提供了递归的可行性和渐近稳定性保证DLMPC。我们利用系统级综合框架来表达闭环系统的最大正鲁棒不变集及其相应的李雅普诺夫函数，都在闭环系统响应方面。我们使用不变集作为DLMPC的终端集，并证明了这保证了最小保守性的可行性。我们使用的李雅普诺夫函数的终端成本，并表明，这保证了稳定性。我们提供了完全分布式和本地化的算法来计算终端集离线，也提供了必要的补充在线DLMPC算法，以适应耦合终端约束和成本。在所有的算法中，只有当地的信息交换是必要的，计算复杂性是独立的全球系统的大小-我们证明了这一点分析和实验。这是第一个分布式MPC的方法，提供最低限度的保守，但完全分布式保证递归的可行性和渐近稳定性，为标称和鲁棒设置。
2022-03-01 cs.SY eess.SY math.OC
Predictive control for nonlinear stochastic systems: Closed-loop guarantees with unbounded noise
本文针对受无界噪声影响的非线性系统，提出一种具有闭环保证的随机模型预测控制框架，利用概率可达集和随机收缩度量实现递推可行与机会约束满足，并通过数值仿真验证其计算效率和理论保证。
2025-06-04 cs.SY eess.SY math.OC
Reach-Avoid Model Predictive Control with Guaranteed Recursive Feasibility via Input Constrained Backstepping
Aalto University, Finland（阿尔托大学）
本文提出了一种新的采样数据模型预测控制框架，用于连续控制-仿射非线性系统，通过输入输出约束传播实现严格达-避和递归可行性保证。
2026-04-03 cs.SY eess.SY math.OC
An overview of systems-theoretic guarantees in data-driven model predictive control
Institute for Systems Theory and Automatic Control, University of Stuttgart（斯图加特大学系统与自动控制系统理论研究所）
本文综述了数据驱动模型预测控制中系统理论保证的方法，涵盖从线性系统到非线性系统的各种设置，并讨论了未来研究方向以提升其理论和实际应用。
2025-12-22 cs.SY eess.SY math.OC
Closed-loop Performance Optimization of Model Predictive Control with Robustness Guarantees
针对模型失配和噪声影响MPC性能的问题，提出基于反向传播的MPC调参方法，优化成本函数与约束，并利用场景方法给出约束违反的概率保证，仿真验证有效。
2025-06-21 cs.SY eess.SY math.OC
High-Performance Model Predictive Control for Quadcopters with Formal Stability Guarantees
Avular（阿夫拉尔）
本文提出一种具有形式稳定性保证的四旋翼 cascade 控制策略，通过模型预测控制实现高精度轨迹跟踪。
2024-12-28 cs.SY eess.SY math.OC
Tube-based Guaranteed Cost Model Predictive Control Applied to Autonomous Driving Up to the Limits of Handling
控制技术的发展，以保持车辆的稳定性下可能失去控制的情况下，是必不可少的自主地面车辆在公共场景中的安全部署。在本文中，我们提出了一种基于管的保证成本的模型预测控制器的自动驾驶汽车能够避免前后轮胎饱和，并跟踪提供的参考轨迹的车辆的处理的限制。这种方法确保车辆将保持在其安全操作范围内;因此，保证车辆的稳定性和性能，包括紧急情况下可能需要的高动态机动。我们还提出了一个新的保守逼近的非线性车辆动力学的线性系统的范数有界乘性不确定性和一个新的最大鲁棒可控不变集的车辆动力学。它包括一个更大的可行状态空间区域相比，以前提出的不变集。最后，我们提出了所提出的方法的性能的模拟和车载结果。
2020-12-09 cs.SY eess.SY math.OC
Koopman Data-Driven Predictive Control with Robust Stability and Recursive Feasibility Guarantees
Eindhoven University of Technology（埃因霍温理工大学）
本文提出一种基于库普曼提升模型的子空间数据驱动预测控制方法，通过学习可观测函数抑制多步预测误差，并利用终端代价、终端集和插值初始状态保证递归可行性，同时通过新型正则化代价获得闭环输入到状态稳定性。
2024-05-02 cs.LG cs.SY eess.SY
Learning-Based Distributionally Robust Model Predictive Control of Markovian Switching Systems with Guaranteed Stability and Recursive Feasibility
针对切换概率未知的机会约束马尔可夫切换系统，提出了一种数据驱动的模型预测控制方法。利用马尔可夫链的样本，估计转移概率的模糊集，其中包括具有高概率的真实条件概率分布。这些集在线更新，并用于制定一个随时间变化的，规避风险的最优控制问题。我们证明了所得到的MPC计划的递归可行性，并表明，原来的机会约束仍然满足在每个时间步。此外，我们表明，充分降低的置信水平下，由此产生的MPC计划使闭环系统的均方稳定的真实，但未知的分布，同时保持保守性比一个完全强大的方法。
2020-10-01 cs.SY eess.SY math.OC
Distributionally Robust Model Predictive Control: Closed-loop Guarantees and Scalable Algorithms
本文针对线性系统、凸约束和二次代价的分布鲁棒模型预测控制（DRMPC），建立了闭环性能保证并提出了超线性收敛的Newton型可扩展优化算法，同时揭示了其相较于随机MPC的长期性能条件。
2024-11-12 cs.SY eess.SY math.OC
KPC: Learning-Based Model Predictive Control with Deterministic Guarantees
我们提出了核预测控制（KPC），基于学习的预测控制策略，享有确定性的安全保证。噪声破坏的样本的未知系统动态被用来学习几个模型，通过非参数核回归的形式主义。通过单独处理每个预测步骤，我们免除了通过高度非线性映射传播集合的需要，这一过程通常涉及多个保守近似步骤。然后，通过采用一个有效的鲁棒性制定的样本误差界来执行状态的可行性。然后，我们提出了一个松弛策略，利用在线数据来削弱优化问题的约束，同时保持安全。两个数值例子来说明所提出的控制方法的适用性。
2020-11-23 cs.SY eess.SY
Minimum Time Learning Model Predictive Control
本文提出了一种用于线性和非线性时间最优控制问题的学习模型预测控制（LMPC）策略。我们的工作建立在现有的LMPC方法，它保证有限时间收敛性能的闭环系统。我们展示了如何使用闭环数据构造时变安全集和终端代价函数。由此产生的LMPC政策是时变的，它保证递归约束满足和非递减性能。通过对安全集和终端代价函数进行凸化，提高了计算效率。我们证明了，对于一类非线性系统和凸约束，凸LMPC公式保证递归约束满足和非减性能。最后，我们说明了所提出的策略的有效性最短时间避障和赛车的例子。
2020-10-04 cs.SY eess.SY math.OC
Distributed Truncated Predictive Control for Networked Systems under Uncertainty: Stability and Near-Optimality Guarantee
本文针对不确定网络化系统提出分布式截断预测控制算法，每个节点仅利用局部信息和有限跳邻域求解截断预测优化问题，证明其具有输入到状态稳定性且遗憾值随时域和截断半径指数衰减，从而以短时域和小邻域实现近最优性能。
2025-07-17 cs.SY eess.SY math.OC
Robust Model Predictive Path Integral Control: Analysis and Performance Guarantees
在本文中，我们提出了一种新的决策架构鲁棒模型预测路径积分控制（RMPPI），并研究其性能保证和越野导航的适用性。所提出的架构的关键组成部分是一个增强的状态空间表示的系统组成的名义和实际的动态，不同类型的跟踪控制器的占位符，标称状态传播的安全逻辑，并考虑到底层跟踪控制的能力的重要性采样方案。使用这些成分，我们推导出一个绑定的自由能增长的动力系统，这是一个功能的任务约束满足水平，底层跟踪控制器的性能，和随机优化RMPPI内使用的采样误差。为了验证自由能增长的约束，我们使用两种类型的跟踪控制器，即迭代线性二次高斯和收缩度量为基础的控制进行仿真实验。我们进一步证明了RMPPI在真实硬件中使用GT AutoRally车辆的适用性。我们的实验表明，RMPPI优于MPPI和Tube-MPPI缓解上述模型预测控制器的问题，无论是缺乏鲁棒性或过度保守。RMPPI在灵活性和对干扰的鲁棒性方面提供了两个世界中最好的。
2021-02-17 cs.SY eess.SY math.OC
Robust Data-Driven Tube-Based Zonotopic Predictive Control with Closed-Loop Guarantees
本文提出一种针对离散时间线性系统的鲁棒数据驱动TZPC方法，通过两阶段设计在有界噪声下保证递归可行性与闭环鲁棒指数稳定性，数值仿真验证了其有效性与优越性能。
2025-09-16 cs.SY eess.SY
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
Model Predictive Control with High-Probability Safety Guarantee for Nonlinear Stochastic Systems
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
Finite Control Set Model Predictive Control with Limit Cycle Stability Guarantees
针对现有有限控制集模型预测控制稳态行为不可预测的问题，提出带周期终端代价与终端集的极限环FCS-MPC设计，保证算法渐近稳定与递归可行性，方法经切换系统和电力电子算例验证。
2024-07-10 cs.SY eess.SY math.OC
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
Adaptive Economic Model Predictive Control: Performance Guarantees for Nonlinear Systems
ETH Zürich（苏黎世联邦理工学院）
本文提出了一种自适应经济模型预测控制方法，通过在线模型适应和管状方法，在非线性系统中实现鲁棒性和性能保证。
2026-01-15 cs.SY eess.SY math.OC
Inaccuracy matters: accounting for solution accuracy in event-triggered nonlinear model predictive control
我们考虑在事件触发控制方案中使用近似系统预测的效果。这种近似可能是由于使用数值转录方法来解决连续时间最优控制问题。网格细化可以保证微分方程的误差上界，该微分方程对系统动力学进行建模。在网格细化方案的准确性保证下，我们证明了所提出的事件触发方案（将测量系统与近似状态预测进行比较）可以在保证严格正的更新间隔时间的情况下使用。我们表明，如果我们有知识的转录计划或近似误差，那么我们可以获得更好的在线估计的更新时间。我们还详细介绍了一种方法，收紧约束的近似系统轨迹中使用的非线性规划问题，以保证连续时间系统的约束满足。这是第一个将预测准确性纳入触发指标的工作。使用解决方案的准确性，我们可以保证可靠的下限更新时间和执行解决方案相关的约束收紧。
2021-05-28 cs.SY eess.SY math.OC
Probabilistically Input-to-State Stable Stochastic Model Predictive Control
针对无界随机扰动下标准随机MPC缺乏严格递行可行性保证的问题，提出利用概率输入状态稳定性概念提供稳定性保证，并通过备用控制器处理可行性丧失，从而确保系统安全。
2024-10-10 cs.SY eess.SY
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
Learning an Approximate Model Predictive Controller with Guarantees
University of Stuttgart（斯图加特大学）
本文提出一种监督学习框架，用于在降低计算复杂度的同时近似模型预测控制器，并保证稳定性和约束满足。通过结合鲁棒MPC设计和统计学习界限，为学习的MPC提供闭环保证。
2018-06-11 cs.LG cs.SY eess.SY
Event-triggered and distributed model predictive control for guaranteed collision avoidance in UAV swarms
分布式模型预测控制（DMPC）常用于无人机机群的路径规划。然而，它需要在无人机上进行大量计算，导致重量和功耗增加。在这项工作中，我们建议卸载路径规划计算到多个地面计算单元。由于同时通信和重新计算所有的轨迹是不可行的一个大的群体与紧的时间要求，我们开发了一种新的事件触发DMPC，选择一个子集的最相关的无人机轨迹进行重新规划。由此产生的架构降低了无人机的重量和功耗，而主动冗余提供了对计算单元故障的鲁棒性。此外，DMPC保证了具有线性动力学的无人机的可行和无碰撞的轨迹。在模拟中，我们证明了我们的方法可以可靠地规划轨迹，同时节省60%的网络流量和所需的计算能力。硬件在环实验表明，该方法适用于实际四轴飞行器群的控制。
2022-06-22 cs.SY eess.SY
Effective GPU Parallelization of Distributed and Localized Model Predictive Control
模型预测控制（MPC）要对大规模分布式系统进行有效的在线控制，必须快速求解底层的高维优化问题。文献中应用了多种技术来加速求解过程，主要归功于基于软件的算法进步和硬件辅助计算增强。然而，这些方法专注于算术加速，而忽略了底层系统结构的好处。特别地，现有的解耦的软件-硬件算法设计通过硬件简单地并行化算术运算，并不以原则性的方式解决诸如CPU-GPU和线程到线程通信的硬件开销。此外，并行子问题分解在分布式MPC的优势没有得到很好的认识和利用。因此，我们还没有充分发挥MPC硬件加速的潜力。在本文中，我们探索这些机会，利用GPU并行化的分布式和本地化的MPC（DLMPC）算法。我们利用嵌入在DLMPC制定的局部约束，以减少硬件固有的通信开销。我们的并行实现在各种参数下的运行速度比CPU同行快50倍。此外，我们发现，本地感知的GPU并行化可以减半的优化运行时间相比，天真的加速。总的来说，我们的研究结果表明，考虑到信息交换结构的软硬件协同设计带来的性能增益。
2021-03-27 cs.DC 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
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 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
Robust Data-Enabled Predictive Control: Tractable Formulations and Performance Guarantees
我们介绍了线性时不变（LTI）系统的鲁棒数据使能预测控制（DeePC）的一般框架。所提出的框架使我们能够获得无模型的最优控制的LTI系统的噪声输入/输出数据的基础上。更具体地说，鲁棒DeePC解决了最小-最大优化问题，以计算最优控制序列，该最优控制序列对规定的不确定性集合内的输入/输出数据中的不确定性的所有可能实现具有弹性。我们提出了计算上易于处理的最小最大问题与各种不确定性集的重新表述。此外，我们表明，即使准确的预测未来的行为是无法实现的，在实践中由于无法访问的完美的输入/输出数据，所获得的鲁棒最优控制序列提供了性能保证的实际实现的输入/输出成本。我们进一步证明了鲁棒DeePC推广和鲁棒文献中提出的正则化DeePC（二次正则化或1-范数正则化）。最后，我们在并网功率变换器系统的高保真度、非线性和噪声仿真中展示了所提出的鲁棒DeePC算法的性能。
2021-05-15 cs.SY eess.SY
Learning Constrained Adaptive Differentiable Predictive Control Policies With Guarantees
Pacific Northwest National Laboratory（太平洋西北国家实验室）
我们提出了可微预测控制（DPC），学习约束的线性系统的概率性能保证的神经控制策略的方法。我们采用自动微分获得直接的政策梯度反向传播的模型预测控制（MPC）的损失函数和约束的惩罚，通过可微的闭环系统动力学模型。我们证明了所提出的方法可以学习参数约束控制策略来稳定具有不稳定动态的系统，跟踪时变参考，并满足非线性状态和输入约束。与基于模仿学习的方法相比，我们的方法不依赖于监督控制器。最重要的是，我们证明，在不损失性能的情况下，我们的方法是可扩展的，计算效率比隐式，显式和近似MPC。IEEE Transactions on Automatic Control（IEEE自动控制学报）
2022-01-27 cs.LG cs.NE cs.SY
Online learning-based Model Predictive Control with Gaussian Process Models and Stability Guarantees
Otto-von-Guericke-University（奥托·冯·格里克大学）；Universidad de Sevilla（塞维利亚大学）
模型预测控制允许以约束满足的形式提供高性能和安全保证。然而，只有当用于预测的受控过程的基础模型足够准确时，这些性质才能得到满足。解决这一挑战的单向式方法之一是通过数据驱动和机器学习方法，例如高斯过程，允许在操作期间在线优化模型。我们提出了一个组合的输出反馈模型预测控制计划和高斯过程为基础的预测模型，能够有效的在线学习。为此，进化高斯过程的概念与递归后验预测更新相结合。所提出的方法保证了递归约束满足和输入到状态稳定性的模型-植物不匹配。仿真研究表明，高斯过程预测模型可以成功有效地在线学习。通过结合递归更新过程和限制训练数据点的数量，同时保持良好的性能，从而显着降低了计算负荷。
2020-12-01 cs.LG cs.SY eess.SY
Asynchronous Model Predictive Control Under Model Mismatch: Stability and Performance Guarantees
Delft Center for Systems and Control, TU Delft（代尔夫特系统与控制中心，代尔夫特理工大学）
本文针对输入约束非线性系统，建立了异步确定性等价模型预测控制在模型失配下的稳定性与性能保证，量化了预测时域、执行间隔和不确定性对性能的影响，为异步MPC设计提供指导。
2026-09-09 cs.SY eess.SY
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
Physics-informed Gaussian Processes as Linear Model Predictive Controller with Constraint Satisfaction
本文提出一种基于物理信息高斯过程的线性模型预测控制器，通过哈密顿蒙特卡洛采样保证开环约束满足，同时保持ODE结构并引入Matérn核进行优化。
2025-11-20 cs.SY eess.SY math.OC
Stability Guarantees for Data-Driven Predictive Control of Nonlinear Systems via Approximate Koopman Embeddings
New Jersey Institute of Technology（新泽西理工学院）
本文通过近似Koopman嵌入为非线性系统数据驱动MPC提供稳定性保证，利用理论证书实现鲁棒稳定性理论的应用，展示了同步发电机与无限 bus 连接的物理信息嵌入示例。
2026-03-17 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
Safe-by-Design: Approximate Nonlinear Model Predictive Control with Real Time Feasibility
University of Stuttgart（斯图加特大学）；Northeastern University（东北大学）
本文提出一种计算轻量、预测时域无穷小的连续时间滚动时域非线性MPC方法，通过小规模凸QP实现反馈，兼具准无限时域MPC的理论保证与实时可行性，并在非线性约束航天器控制中验证了有效性。
2026-09-09 cs.SY eess.SY math.OC
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
Linear model predictive control based on polyhedral control Lyapunov functions: theory and applications
Univ. of Pisa（比萨大学）
利用多面体控制Lyapunov函数（PCLF）在有限时域线性模型预测控制中保证最大吸引域，并提出了两种变体，所有方案均可转化为二次规划问题。
2012-08-12 cs.SY eess.SY math.OC
ReLU Networks for Model Predictive Control: Network Complexity and Performance Guarantees
Department of Automation, and Beijing National Research Center for Info. Sci. & Tech. (BNRist), Tsinghua University, Beijing 100084, China（自动化系，北京信息科学与技术国家研究中心（BNRist），清华大学，北京）
本文提出基于投影的方法，建立状态依赖的Lipschitz连续性属性，并推导ReLU网络宽度和深度的显式界限，以保证MPC策略的闭环性能。
2026-01-23 cs.LG cs.SY eess.SY
Data-Driven Model Predictive Control with Stability and Robustness Guarantees
提出了一种鲁棒的数据驱动模型预测控制（MPC）方案来控制线性时不变（LTI）系统。该计划使用了一个隐式的模型描述的基础上的行为系统理论和过去测量的轨迹。特别是，它不需要任何事先识别步骤，但只有一个初始测量的输入-输出轨迹，以及上界的顺序未知系统。首先，我们证明了一个标称的数据驱动MPC计划的终端等式约束的情况下，没有测量噪声的指数稳定性。对于有界加性输出测量噪声，我们提出了一个强大的修改方案，包括松弛变量与正则化的成本。我们证明，这种强大的MPC计划的应用程序中的多步方式导致实际指数稳定的闭环w.r.t.噪音水平。所提出的结果提供了第一个（理论）分析的闭环性能，从一个简单的，纯粹的数据驱动的MPC计划。
2021-04-16 cs.SY eess.SY
A Unified Framework for Online Data-Driven Predictive Control with Robust Safety Guarantees
针对非线性MPC依赖精确模型且计算成本高的问题，本文提出一种在线数据驱动预测控制统一框架，通过STF并行学习识别动力学、RCBF保证安全并学习NMPC策略，结合在线策略校正方案，在保证安全的同时大幅降低计算成本。
2023-06-29 cs.SY eess.SY
Network-Realised Model Predictive Control Part II: Distributed Constraint Management
Department of Automatic Control；Systems Engineering, ``Politehnica'' University of Bucharest, Bucharest, Romania -1mm；Laboratoire des Signaux et Syst\`emes, CentraleSup\'elec, Paris-Saclay University, Gif-sur-Yvette, France -9mm
本文提出一种两层控制架构，通过集合理论方法实现可扩展的模型预测控制器，提供递归可行性保证，并允许灵活定制。
2026-04-10 cs.SY eess.SY
On discount functions for economic model predictive control without terminal conditions
本文将无终端条件经济模型预测控制的稳定性保证从线性折扣扩展至一大类折扣函数，证明其在周期最优轨道下仍具渐近稳定性，并通过数值示例表明合适的折扣函数可在短预测时域下显著提升性能。
2025-03-11 cs.SY eess.SY math.OC
Data-driven Kernel-based Predictive Control with Stability and Robustness Guarantees
Nanyang Technological University（南洋理工大学）；Beijing Institute of Technology（北京理工大学）
研究基于输入输出数据的核基预测控制方案闭环特性，用核方法构建多步预测器，证明无噪声时方案特性，引入松弛缓解计算负担，增强抗噪声能力，扩展到慢时变系统并举例验证。
2026-07-07 cs.SY eess.SY
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
Topological Feasibility Guarantees for Differentiable Predictive Control
Chalmers University of Technology（查尔姆斯理工大学）；Nanyang Technological University（南洋理工大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
本文针对可微预测控制（DPC）缺乏严格可行性保证的问题，通过拓扑分析建立其确定性可行性保证，提出结合控制障碍函数（CBFs）的自监督离线策略学习策略，仿真验证其约束违反量随样本规模增大趋近于零，为学习型控制的可行性保证提供新视角。
2026-08-12 cs.LG cs.SY eess.SY
Robust Helicopter Ship Deck Landing With Guaranteed Timing Using Shrinking-Horizon Model Predictive Control
German Aerospace Center (DLR)（德国航空航天中心（DLR））；Leuphana University of Lueneburg（吕讷堡莱普哈纳大学）
本文提出了一种基于SHMPC的高效算法，实现鲁棒直升机在移动舰船甲板上的着陆，确保时间约束和高精度着陆性能。
2026-02-26 cs.RO cs.SY eess.SY
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
Stochastic Model Predictive Control for Sub-Gaussian Noise
提出基于亚高斯噪声新刻画与尾界的随机MPC框架，确保线性系统闭环机会约束满足，并在手术规划仿真中验证。
2025-10-17 cs.SY eess.SY math.OC
Characterizing the Predictive Accuracy of Dynamic Mode Decomposition for Data-Driven Control
动态模式分解（DMD）是一种通用的方法，可以从数据中构建低阶模型。基于这种模型的控制器设计任务需要估计和保证预测精度。在这项工作中，我们提供了一个DMD模型误差的理论分析，揭示了模型阶数和数据可用性的影响。分析还建立了DMD模型可以渐近精确的条件。我们使用一个二维扩散系统验证我们的结果。
2020-03-21 cs.SY eess.SY math.OC
