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
Feasibility-Guaranteed Safety-Critical Control with Applications to Heterogeneous Platoons
针对严格控制边界下高相对阶CBF约束易导致QP不可行的问题,提出含可行性约束的新型CBF,并在异构车队ACC中验证其可保证安全、可行且控制无突变。
2024-09-08 cs.SY eess.SY math.OC
A Convex Neural Network Solver for DCOPF with Generalization Guarantees
直流最优潮流(DCOPF)问题是电力系统运行和规划中的一个基本问题。随着不确定可再生能源在电力系统中的高度渗透,DCOPF需要针对大量场景重复求解,这在计算上具有挑战性。作为迭代求解器的替代方案,神经网络通常被训练并用于求解DCOPF。这些方法可以在计算时间上减少几个数量级,但它们不能保证泛化,并且小的训练误差并不意味着小的测试误差。在这项工作中,我们提出了一种新的算法来解决DCOPF,保证泛化性能。首先,利用DCOPF问题的凸性,训练一个输入的凸神经网络。其次,我们基于KKT最优性条件构造训练损失。通过结合这两种技术,训练的模型具有可证明的泛化特性,其中小的训练误差意味着小的测试误差。在实验中,与端到端模型相比,我们的算法将解决方案的最优性比率提高了五倍。
2020-09-18 cs.SY eess.SY
Safety-Critical Control using Optimal-decay Control Barrier Function with Guaranteed Point-wise Feasibility
安全性是机器人技术的基本问题之一。最近,一个基于二次规划的控制障碍函数(CBF)方法已经出现作为一种方式来执行安全关键约束。与控制李雅普诺夫函数(CLF)一起,构成了一种安全关键控制策略CLF-CBF-QP,它可以在实现控制目标和确保安全之间进行调解,同时具有实时可执行性。然而,一旦引入诸如输入约束之类的附加约束,CLF-CBF-QP就可能遇到不可行性。为了解决由于不可行性而产生的挑战,我们提出了一种用于安全关键控制的最佳衰减形式,其中CBF的衰减率在时间上逐点优化,以便当状态位于安全集内时保证逐点可行性。所提出的控制设计的数值验证使用自适应巡航控制的例子。
2021-03-23 cs.SY eess.SY
Real-Time Location-Aware Demand-Shaping for Power-Constrained AC Railway Corridors
University of Birmingham(伯明翰大学)
针对电力受限的交流铁路路段,提出实时位置感知控制器,通过在线评估可行性和列车可用功率,以无求解器估计为替代,仅削减造成约束的列车,恢复供电可行性,且成本低。
2026-07-07 cs.SY eess.SY
Primal-dual Estimator Learning: an Offline Constrained Moving Horizon Estimation Method with Feasibility and Near-optimality Guarantees
本文提出了一个原始-对偶框架,利用滚动时域方法学习线性约束估计问题的稳定估计器。为了避免大多数现有方法中的在线计算负担,我们离线学习参数化函数来近似原始估计。同时,训练一个对偶估计器来检查原始估计器在执行时的次优性。原始估计量和对偶估计量都是使用监督学习技术从数据中学习的,并且提供了明确的样本大小,这使我们能够保证每个学习估计量在可行性和最优性方面的质量。这反过来又允许我们限制学习估计器不可行或次优的概率。此外,我们分析了所得到的估计的稳定性与有界误差的最小化的代价函数。由于我们的算法不需要在运行时的优化问题的解决方案,状态估计几乎可以立即在线生成。仿真结果表明,所提出的框架相比,在线优化的滚动时域估计和卡尔曼滤波器的准确性和时间效率。据我们所知,这是第一个基于学习的状态估计器的可行性和近最优性保证线性约束系统。
2022-04-06 cs.SY eess.SY
NMPC in Active Subspaces: Dimensionality Reduction with Recursive Feasibility Guarantees
本文提出一种NMPC降维通用框架,通过将决策变量空间分解为主动与非主动补集来保证递归可行性,并利用全局敏感性分析构建主动子空间,在化学反应器中实现了20-40倍降维且性能衰减极小。
2022-09-22 cs.SY eess.SY math.OC
Probabilistic feasibility guarantees for solution sets to uncertain variational inequalities
我们开发了一个数据驱动的方法来计算后验可行性证书的不确定性影响的变分不等式的解决方案集。具体而言,我们专注于变分不等式的实例与确定性映射和不确定的可行性集,并表示通过场景的不确定性。基于最新进展的情况下的方法文献,我们量化的鲁棒性的整个集合的解决方案的变分不等式,与可行性集使用的情况下的方法构建,对一个新的看不见的实现的不确定性。我们的研究结果扩展了现有的结果,通常施加一个假设,解决方案集是一个单例,并需要一定的非退化属性,从而提供概率的可行性保证任何可行解。我们表明,评估违反概率的一整套解决方案,而不是一个单例,需要枚举的支持约束,“形状”这一套。此外,我们提出了一个一般的程序来枚举的支持约束,不需要一个封闭的形式描述的解决方案集,这是不可能的。我们表明,强大的对策论问题可以通过不确定的变分不等式建模,并说明我们的理论结果,通过广泛的数值模拟的案例研究,涉及电动汽车充电协调问题。
2020-11-04 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
Efficient Multi-Agent Trajectory Planning with Feasibility Guarantee using Relative Bernstein Polynomial
针对一类障碍密集环境下的多智能体轨迹规划问题,提出了一种新的有效算法。我们的算法结合了基于网格和基于优化的方法的优点,并生成安全,动态可行的轨迹,而不会遭受错误的优化设置,如施加不可行的碰撞约束。采用\textit{dummy agents}的序贯优化方法提高算法的可扩展性,利用Bernstein的凸壳性质和相关Bernstein多项式将非凸避碰约束替换为凸避碰约束。在Intel Core i7- 7700@3.60GHz CPU和16 G RAM的情况下,该方法可以在平均6.36秒内计算出64个智能体的轨迹,与我们以前的工作相比,它减少了超过$50\%$的目标成本。通过仿真和飞行试验验证了该算法的有效性。
2020-03-08 cs.SY eess.SY
Approximate Dynamic Programming with Feasibility Guarantees
针对网络化系统优化方案求解大规模问题计算负担重、分布式迭代技术仅渐近可行的问题,提出一种树结构耦合子问题下可一次性给出可行解的近似动态规划方案,推广了多领域方法并通过数值算例验证了对非凸约束问题的有效性。
2024-01-29 cs.SY eess.SY math.OC
Finite-time Convergent Control Barrier Functions with Feasibility Guarantees
Boston University(波士顿大学)
本文研究非线性系统初始状态违反安全约束时如何在有限时间内收敛到安全集的问题,提出一种保证有限时间收敛并满足控制约束的控制屏障函数方法,通过参数引入和可达性分析,提供系统化的参数设计方法。
2026-03-26 cs.SY eess.SY
Novel Multi-objective Switched Model Predictive Control with Feasibility and Stability Guarantees
Institute of Flight Mechanics and Controls, University of Stuttgart(斯图加特大学飞行力学与控制研究所)
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
Ensuring DNN Solution Feasibility for Optimization Problems with Convex Constraints and Its Application to DC Optimal Power Flow Problems
The Chinese University of Hong Kong(香港中文大学);City University of Hong Kong(香港城市大学);California Institute of Technology(加州理工学院)
本文提出“预防性学习”框架,通过校准不等式约束和对抗样本感知训练算法,在无需后处理下保证凸约束优化问题的DNN解可行性,应用于DC最优潮流问题实现100%可行性且最优性损失低于0.19%。
2023-05-17 cs.LG cs.SY eess.SY
Learning-Based Model Predictive Control for Piecewise Affine Systems with Feasibility Guarantees
本文提出一种结合在线与离线计算的模型预测控制方法,通过离线学习策略指定分段仿射区域序列,并给出可行性保证条件,以降低在线优化复杂度并减少离线负担。
2025-03-26 cs.SY eess.SY
LOOP-MAC: Learning-Based Multi-Agent Coordination with Guaranteed Local Feasibility in a Virtual Power Plant
针对分布式能源资源多样性与分散性带来的虚拟电厂资产可扩展协调难题,提出名为LOOP-MAC的机器学习辅助多智能体分布式优化方法,通过神经网络近似器和规范映射提升求解速度与约束满足度,在重复顺序优化任务中优于传统方法。
2026-10-16 cs.LG cs.SY eess.SY
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
Online Distributed Trajectory Planning for Quadrotor Swarm with Feasibility Guarantee using Linear Safe Corridor
Seoul National University(首尔大学);Automation and Systems Research Institute(自动化与系统研究所)
本文提出了一种新的在线多智能体轨迹规划算法,保证在混乱的环境中生成安全,动态可行的轨迹。该算法利用线性安全走廊(LSC)将分布式轨迹优化问题转化为仅含可行约束的问题,避免了采用松弛变量或软约束来避免优化失败。我们采用一种基于优先级的目标规划方法来防止死锁,而不需要额外的过程来决定哪个机器人让步。该算法可以计算60代理的轨迹平均15.5毫秒每个代理与英特尔i7笔记本电脑,并显示了类似的飞行距离和距离相比,基线的基础上软约束。验证了所提方法在随机森林和室内空间均能无死锁地达到目标,并通过迷宫环境下10个四旋翼飞行器的实际飞行试验验证了所提方法的安全性和可操作性。
2022-01-03 cs.RO cs.SY eess.SY
Backup Plan Constrained Model Predictive Control with Guaranteed Stability
针对任务不确定下的自主车辆路径规划,提出备份计划安全概念与备份计划约束MPC算法,通过多目标多时域可行性最大化兼顾主备任务可行性,保证闭环渐近稳定,经UAV仿真验证有效。
2023-10-06 cs.SY eess.SY
Probabilistic Guarantees for Nonlinear Safety-Critical Optimal Control
California Institute of Technology(加州理工学院)
利用黑盒风险感知验证的最新发展,我们提供了三种算法,这些算法可以在(1)解决方案的最优性,(2)递归可行性和(3)一般非线性安全临界有限时间最优控制器的最大控制器运行时间上生成概率保证。这些方法放弃了典型理论保证所需的通常(可能)限制性假设,例如非线性模型预测控制中递归可行性的终端集计算,或最优控制器的凸化以确保最优性。此外,我们表明,这些方法可以直接应用于硬件系统,以产生各自的系统上的控制器保证。
2023-03-11 cs.RO cs.SY eess.SY
Uncertainty Partitioning with Probabilistic Feasibility and Performance Guarantees for Chance-Constrained Optimization
提出一种无分布的不确定性划分方法,用于机会约束优化,在保证概率可行性和性能界限的同时,灵活平衡保守性与计算复杂度,并验证于分段仿射系统的模型预测控制。
2025-05-27 cs.SY eess.SY math.OC
Reachability-Guaranteed Optimal Control for the Interception of Dynamic Targets under Uncertainty
German Aerospace Center (DLR)(德国航空航天中心)
本文提出了一种在不确定性环境下保证可达性的最优控制方法,用于确保动态目标拦截的鲁棒性和可行性。
2025-04-10 cs.RO cs.SY eess.SY
Recursively Feasible Shrinking-Horizon MPC in Dynamic Environments with Conformal Prediction Guarantees
针对不确定动态环境下收缩时域MPC现有方案无法保证全任务周期可行性的问题,提出一种随在线新预测区域逐步放宽安全约束的收缩时域MPC,实现递归可行性,实验验证其预测区域更紧致且具备递归可行性。
2024-05-17 cs.SY eess.SY stat.ML
Stability and feasibility of neural network-based controllers via output range analysis
神经网络可以用作几种复杂控制方案的近似,例如模型预测控制。在本文中,我们展示了以整流器线性单元作为激活函数的深度神经网络需要满足哪些属性,以保证闭环系统的约束满足和渐近稳定性。为此,我们引入了一个参数化的神经网络控制器的描述,并使用混合整数线性规划公式进行神经网络的输出范围分析。我们还提出了一种新的方法来修改神经网络控制器,使其在LQR意义上的平衡周围的区域中的最佳执行。所提出的方法使神经网络控制器的分析和设计与正式的安全保证,我们与仿真结果说明。
2020-04-01 cs.SY eess.SY math.OC
Optimal Transmission Switching: Improving Solver Performance Using Heuristics
本文针对NP难的最优输电切换问题,提出一种异步并行算法架构,将精确规划与并行启发式候选解注入相结合以加速分支定界求解,并在大规模pglib-opf算例上验证了性能提升和良好可扩展性。
2025-06-03 cs.SY eess.SY
Dispatch-Aware Deep Neural Network for Optimal Transmission Switching: Toward Real-Time and Feasibility Guaranteed Operation
Dept. of Energy Engineering, Korea Institute of Energy Technology(能源工程系,韩国能源技术研究所)
本文提出调度感知深度神经网络 DA-DNN,通过可微 DC-OPF 层和定制初始化实现无标签学习,快速生成可行的 OTS 拓扑与调度方案。
2025-07-23 cs.AI cs.SY eess.SY
Feasibility and Regularity Analysis of Safe Stabilizing Controllers under Uncertainty
本文针对控制仿射系统在不确定性下的安全镇定问题,利用worst-case或概率误差描述与控制障碍函数构造二阶锥约束,并分析了这些约束的可行性及满足约束的控制器的正则性。
2023-12-02 cs.SY eess.SY math.OC
Learning to Pursue AC Optimal Power Flow Solutions with Feasibility Guarantees
Boston University(波士顿大学);University of Liège(列日大学);University of California San Diego(加州大学圣地亚哥分校)
本文提出了一种基于神经网络近似的安全梯度流方法,用于在配电网中实现具有可行性保证的AC最优功率流解。
2026-02-25 cs.SY eess.SY math.OC
DeepOPF+: A Deep Neural Network Approach for DC Optimal Power Flow for Ensuring Feasibility
深度神经网络(DNN)方法用于最优潮流(OPF)问题最近受到了相当大的关注。这些方法的一个关键挑战在于确保物理系统约束的预测解决方案的可行性。由于固有的近似误差,DNN预测的解可能违反操作约束,例如,传输线容量,限制了它们在实践中的适用性。为了应对这一挑战,我们开发了DeepOPF+作为基于所谓的“预防性”框架的DNN方法。具体来说,我们校准DNN训练中使用的发电和输电线路限制,从而预测近似误差,并确保得到的预测解决方案仍然可行。我们从理论上描述了确保普遍可行性所需的校准幅度。我们的DeepOPF+方法比现有的基于DNN的方案有所改进,因为它确保了可行性,并在轻负载和重负载情况下实现了一致的加速性能。一系列测试实例的详细仿真结果表明,所提出的DeepOPF+生成100%可行的解决方案,具有较小的最优性损失。同时,它实现了两个数量级的计算速度比国家的最先进的求解器。
2020-09-07 cs.SY eess.SY
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
Geometric Data-Driven Dimensionality Reduction in MPC with Guarantees
针对模型预测控制中离散时间最优控制问题的在线降维难题,提出保留原问题稳定性与递归可行性的降阶方法,给出初始可行性充要条件,并结合黎曼流形优化构建满足约束的高效数据表示子空间。
2024-04-18 cs.SY eess.SY math.OC
Feasibility-Aware Imitation Learning for Benders Decomposition
University of Minnesota(明尼苏达大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出一种面向可行性的模仿学习框架,用于加速Benders分解,通过预测主问题的整数变量值并考虑约束条件下的可行性,提升求解效率并保持准确性。
2026-04-06 cs.SY eess.SY math.OC
Data-fused MPC with Guarantees: Application to Flying Humanoid Robots
Artificial and Mechanical Intelligence (AMI), Istituto Italiano di Tecnologia (IIT)(人工与机械智能(AMI),意大利技术研究院(IIT));Robotics, Intelligent Systems and Control, KAUST(机器人、智能系统与控制,王国立阿联酋科学技术大学(KAUST))
本文提出了一种融合数据的模型预测控制方法,通过结合物理模型和数据驱动动态,提高了飞行双足机器人的跟踪精度和鲁棒性,同时保证了递归可行性和稳定性。
2025-12-16 cs.RO cs.SY eess.SY
Bridging Reinforcement Learning and Optimal Control via Feasible Action Mapping
Richter Optimization GmbH(里希特优化有限公司);Sony AI(索尼人工智能)
针对操作受约束动态系统,提出FAOC框架,整合RL与OC。通过计算高效映射算法,将RL动作转换为OCP可行参数集,兼顾安全性与灵活性。应用于机器人乒乓球运动规划,模拟实验显示其在样本效率和闭环性能上优于现有基准。
2026-10-08 cs.RO cs.SY eess.SY