Local Sensitivity Analysis for Kernel-Regularized ARX Predictors in Data-Driven Predictive Control
KTH Royal Institute of Technology(瑞典皇家理工学院)
本文研究了结构ARX预测器在数据驱动预测控制中的局部敏感性,推导了隐式预测器映射的一阶线性化,用于生成控制相关预测不确定性项和任务依赖的敏感性度量,以优化核正则化。
2026-04-07 cs.SY eess.SY
Regularization in Data-driven Predictive Control: A Convex Relaxation Perspective
University of California San Diego(加利福尼亚大学圣地亚哥分校)
本文通过凸松弛视角探讨数据驱动预测控制中正则化的作用,提出A-DDPC方法,通过迭代算法解决内层问题,实验表明其在减少偏差和方差误差方面优于现有方法。
2026-10-19 cs.SY eess.SY math.OC
On the design of regularized explicit predictive controllers from input-output data
在数据驱动预测控制的最新进展的浪潮中,我们提出了一个显式预测控制器,它可以只从一批输入/输出数据中构造。所提出的显式控制律建立在正则化隐式数据驱动预测控制问题的基础上,从而保证了显式预测控制器的唯一性。作为一个附带的好处,使用正则化,以提高能力的明确的法律,在应对噪音的数据。检索显式法律的有效性和噪声处理的正则化的影响进行了分析,两个基准的仿真案例研究,显示所提出的正则化显式控制器的潜力。
2021-10-22 cs.SY eess.SY
Towards a unifying framework for data-driven predictive control with quadratic regularization
本文提出对数据驱动预测控制框架间关系进行形式化刻画,并以γ-DDPC与DeePC的联系为例,论证研究成果可在不同框架间自由迁移。
2024-04-03 cs.SY eess.SY math.OC
Uncertainty-aware data-driven predictive control in a stochastic setting
针对随机数据有限样本效应损害DDPC闭环性能的问题,本文基于预测误差统计分析提出两种可在闭环前无额外实验整定超参数的正则化策略。
2025-05-12 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
Data-driven predictive control in a stochastic setting: a unified framework
数据驱动预测控制(DDPC)以其时间效率高、相对于预言解无偏的特点,成为传统模型预测控制(MPC)的有效替代方案。尽管如此,它也被观察到,噪声可能会严重危害最终的闭环性能,因为它影响基于数据的系统表示和控制更新计算的在线测量。最近的研究表明,正则化可能是抵消噪声影响的成功工具。同时,正则化需要调整一组惩罚项,如果没有闭环实验,选择惩罚项实际上可能很困难。本文利用子空间辨识工具,实现了三个目标:$(i)$,为现有的随机系统的正则化数据驱动预测控制方案建立了一个统一的框架; $(ii)$,我们引入了$γ$ -DDPC,一个有效的两阶段方案,它将优化问题分为两部分:初始条件拟合和未来性能优化,同时保证约束满足; $(iii)$讨论了正则化在数据驱动预测控制中的作用,为$when$和$how$提供了新的见解。基准数值算例研究最后说明了性能的$γ$ -DDPC,显示如何控制器的设计可以简化的调整工作和计算复杂性时,受益于来自子空间识别领域的见解。
2022-11-21 cs.SY eess.SY math.OC
Entropic Model Predictive Optimal Transport over Dynamical Systems
我们考虑的最优控制问题,引导代理人口的一个所需的分布在一个无限的地平线。这是一个动力系统上的最优输运问题,由于其高计算成本而具有挑战性。在本文中,通过使用熵正则化,我们提出了Sinkhorn MPC,这是一个动态传输算法集成模型预测控制(MPC)和所谓的Sinkhorn算法。所提出的方法的显着特点是,它实现了具有成本效益的实时运输,同时进行控制和运输规划,这是在数值例子中说明。此外,在对MPC中Sinkhorn算法的迭代过程作一定假设的情况下,通过熵正则化,揭示了Sinkhorn MPC的整体收敛性质.此外,在不考虑上述假设的情况下,针对二次型控制成本,我们证明了Sinkhorn MPC的最终有界性和局部渐近稳定性。
2023-01-16 cs.SY eess.SY math.OC
Learning-based Approximate Model Predictive Control for an Impact Wrench Tool
ETH Zurich(苏黎世联邦理工学院);Hilti Corporation(喜利得公司)
本文提出基于高斯过程回归和神经网络的近似模型预测控制方法,用于实现冲击扳手的实时扭矩控制,提高跟踪精度并满足安全约束。
2025-12-18 cs.SY eess.SY
Scalable Nonlinear DeePC: Bridging Direct and Indirect Methods and Basis Reduction
ETH Z\"urich, Department of Information Technology;Electrical Engineering (ITET), Automatic Control Laboratory (IfA), Z\"urich, Switzerland (e-mail: ).
本文提出了一种可扩展的非线性DeePC方法,通过引入SVD降维和LASSO稀疏选择,改进了与SPC的等价性,并在噪声环境下提升了预测性能。
2025-12-16 cs.SY eess.SY
Maximum Likelihood Signal Matrix Model for Data-Driven Predictive Control
本文提出了一种数据驱动的预测控制框架的基础上直接从收集的数据的信号矩阵导出的隐式输入输出映射。这个信号矩阵模型是由最大似然估计与噪声污染的数据。通过在线线性化,隐式模型可以作为线性约束来描述滚动时域控制中系统可能的轨迹。信号矩阵也可以用新的测量值在线更新。该算法可以应用于大数据集和慢时变系统,可能具有高噪声水平。可以引入关于预测误差的附加正则化项以增强可预测性,从而增强控制性能。数值结果表明,所提出的信号矩阵模型预测控制算法在多种应用场合都是有效的,并且性能优于现有的数据驱动预测控制算法。
2021-11-08 cs.SY eess.SY
Basis functions nonlinear data-enabled predictive control: Consistent and computationally efficient formulations
Eindhoven University of Technology(埃因霍温理工大学)
该研究通过通用基函数将DeePC扩展到非线性系统,推导了行为预测器与多步辨识预测器等价的充要条件,提出了一致且计算高效的基函数DeePC公式,并在非线性摆模型上验证了其有效性。
2023-11-09 cs.LG cs.SY eess.SY
Convex Approximations for a Bi-level Formulation of Data-Enabled Predictive Control
本文提出数据驱动预测控制(DeePC)的双层优化公式,并通过凸近似统一多种变体,发现新变体DeePC-SVD-Iter在非LTI系统上表现优异。
2023-12-24 cs.SY eess.SY math.OC
Data-driven design of explicit predictive controllers using model-based priors
在本文中,我们提出了一种数据驱动的方法来获得显式预测控制律,而不需要任何中间识别步骤。所提出的策略的重点是利用现有的控制律的先验知识,来自基于模型的分析。具体来说,通过利用最优预测控制器表示为分段仿射(PWA)法的知识,我们直接从数据中优化这种分析控制器的参数,而不是运行在线优化问题。由于所提出的方法允许我们自动检索的闭环系统的模型,我们表明,我们可以应用基于模型的技术来执行稳定性检查之前的控制器部署。所提出的策略的有效性进行评估的两个基准模拟的例子,通过它,我们还讨论了使用正则化和平均技术相结合,以处理噪声的存在。
2022-07-04 cs.SY eess.SY
Model Predictive Black Start for Dynamic Formation of DER-Led Microgrids with Inrush Current Impacts
本文提出结合励磁涌流可行性模块的模型预测黑启动 (MPBS) 框架,通过电压控制与开关闭锁机制抑制涌流并防止保护误操作,有效提升了 DER 主导的配电系统黑启动恢复效率。
2025-07-16 cs.SY eess.SY
IMPACT: A Toolchain for Nonlinear Model Predictive Control Specification, Prototyping, and Deployment
KU Leuven(鲁汶大学)
本文提出IMPACT工具链,通过提供易用接口和自动代码生成功能,支持多工具与求解器,降低非线性模型预测控制(NMPC)的实现复杂性,实现快速原型设计与多平台部署。
2023-03-15 cs.RO cs.SY eess.SY
Constrained nonlinear output regulation using model predictive control -- extended version
提出了一种模型预测控制(MPC)框架来解决约束非线性输出调节问题。所提出的框架的主要特点是,应用程序不需要解决经典的调节器(弗朗西斯-伯恩斯-Isidori)方程或任何其他离线设计程序。特别是,所提出的公式简单地最小化预测的输出误差,可能与一些输入正则化。我们没有像MPC理论中的标准那样使用终端成本/集或正定阶段成本,而是基于Grimm等人2005年的理论结果,使用可检测性概念。如果受约束的非线性调节问题是(严格)可行的,被控对象是增量可镇定的,且增量输入输出状态稳定(i-IOSS/可检测),则该方法是适用的.我们表明,对于最小相位系统,这样的设计确保指数稳定的调节器歧管。我们还提供了一个设计过程的情况下,不稳定的零动态使用增量输入正则化和非共振条件。固有的鲁棒性噪声误差/输出反馈的情况下建立简化的假设(例如,没有状态约束)。理论结果示出了一个例子,涉及偏移免费跟踪噪声误差反馈。本文还包含新的结果MPC没有终端的限制,正半定输入/输出阶段的成本是独立的利益。
2021-06-01 cs.SY eess.SY math.OC
Model Predictive Control for Electron Beam Stabilization in a Synchrotron
同步加速器中的电子束稳定是一个扰动抑制问题,具有数百个输入和输出,其以高于$10$ kHz的频率采样。在这项可行性研究中,我们专注于实际问题的一个有效的实施模型预测控制(MPC)的严重病态植物的电子束稳定问题。为了获得一个易于处理的控制问题,可以解决使用快速梯度法的几次迭代,我们研究了不同的方法预处理所产生的优化问题,并将我们的研究结果与标准的正则化技术从交叉方向控制。我们总结了我们的控制算法在数字信号处理器(DSP)上的单核和多核实现,并表明MPC可以以同步加速器控制所需的速率执行。MPC克服了标准电子束稳定技术的各种问题,成功的实现可以提高同步辐射光源中光子束的稳定性。
2021-07-04 cs.SY eess.SY physics.acc-ph
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