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
Distributed Model Predictive Control for Energy and Comfort Optimization in Large Buildings Using Piecewise Affine Approximation
School of Intelligence Science and Engineering, Harbin Institute of Technology, Shenzhen(哈尔滨工业大学深圳校区智能科学与工程学院);University of Alberta(阿尔伯塔大学)
本文提出一种基于分段仿射近似的分布式模型预测控制方法,通过凸ADMM算法提升计算效率,实现大型建筑能耗与舒适度的优化。
2026-02-05 cs.SY eess.SY math.OC
Predictive Optimal Control with Data-Based Disturbance Scenario Tree Approximation
如何有效地计算具有随机干扰的复杂未来的最优控制策略一直是一个挑战。预测的随机未来干扰可以用情景树表示,但用情景树求解最优控制问题通常需要大量的计算。在本文中,我们提出了一种基于数据的聚类近似方法的情景树表示。该方法与传统的马尔可夫链近似方法不同,在保持状态空间较小的同时,能够保留前几步的信息。然后,预测最优控制问题可以近似解决,减少计算量,使用动态规划。通过数值算例对所提出的方法进行了评估,并与将扰动视为非平稳马尔可夫链的方法进行了比较。结果表明,该方法可以获得比马尔可夫链方法更好的控制性能。
2021-03-15 cs.SY eess.SY
Application Set Approximation in Optimal Input Design for Model Predictive Control
Automatic Control Lab and ACCESS, School of Electrical Engineering, KTH(电气工程学院,自动控制实验室和ACCESS,KTH)
针对系统辨识中的实验设计问题,提出一种利用最优控制问题结构来近似应用集的方法,显著降低计算复杂度,并应用于蒸馏控制问题。
2013-03-21 cs.SY eess.SY math.OC
Model Predictive Control of Wind Turbines with Piecewise-Affine Power Coefficient Approximation
针对风力机多回路控制问题,提出基于功率系数分段仿射近似与混合整数建模的无静差双线性 MPC,OpenFAST 仿真表明其可统一适应全风况并精确跟踪功率、降低高风速载荷。
2023-11-20 cs.SY eess.SY
Stochastic Nonlinear Model Predictive Control with Efficient Sample Approximation of Chance Constraints
Ilmenau University of Technology(埃尔福特工业大学);Institute for Automation and Systems Engineering, Ilmenau University of Technology(埃尔福特工业大学自动化与系统工程研究所);Otto-von-Guericke Universität Magdeburg(奥托·冯·格里克马格德堡大学);Institute for Automation Engineering, Otto-von-Guericke Universität Magdeburg(奥托·冯·格里克马格德堡大学自动化工程研究所);University of California, Berkeley(加州大学伯克利分校);Department of Chemical and Biomolecular Engineering, University of California, Berkeley(加州大学伯克利分校化学与生物分子工程系)
本文提出了一种针对具有时间不变概率不确定性的非线性系统随机模型预测控制方法,通过广义多项式混沌框架高效近似机会约束满足概率,提升计算效率。
2014-10-16 cs.SY eess.SY math.OC
Approximate Predictive Control Barrier Functions using Neural Networks: A Computationally Cheap and Permissive Safety Filter
本研究提出用神经网络近似预测控制屏障函数首个优化问题的最优值函数,构建不依赖预测时域的安全滤波器,保证零约束违反的收敛性,在自动驾驶仿真中大幅降低计算成本。
2023-07-24 cs.SY eess.SY math.OC
Data-driven learning of feedback maps for explicit robust predictive control: an approximation theoretic view
本文提出一种数据驱动算法,通过凸半无限规划生成数据并学习近似反馈映射,用于显式鲁棒MPC,保证递推可行性和闭环稳定性,并用两个基准示例验证。
2025-10-15 cs.LG cs.SY eess.SY
System Level Synthesis-based Robust Model Predictive Control through Convex Inner Approximation
针对具有范数有界附加扰动和模型不确定性的离散线性定常系统,提出了一种鲁棒模型预测控制(MPC)方法。在我们的方法中,在每一个时间步,我们解决了有限时间的鲁棒最优控制问题(OCP),联合搜索的鲁棒线性状态反馈控制器和边界的偏离标称预测轨迹的系统状态。通过利用系统级综合(SLS)框架,建议的鲁棒OCP制定为一个凸二次规划的闭环系统响应的空间。当使用自适应时域策略时,我们证明了所提出的MPC控制器的递归可行性和闭环系统原点的输入到状态稳定性。我们通过数值例子表明,所提出的方法大大降低了保守性相比,现有的基于SLS和基于管的鲁棒MPC方法,同时还享有较低的计算复杂度。
2021-11-10 cs.SY eess.SY
Learning-Based Efficient Approximation of Data-Enabled Predictive Control
针对数据驱动预测控制(DeePC)优化规模随数据量线性增长、计算成本高的问题,提出基于可微凸规划的规模不变高效近似方法,仿真验证其可将计算时间缩短4/5且保持控制性能。
2024-09-11 cs.SY eess.SY
Predictive Control with Learning-Based Terminal Costs Using Approximate Value Iteration
模型预测控制(MPC)方案下的稳定性通常由终端成分来确保。采用(控制)李雅普诺夫函数作为终端成本构成了一个共同的选择。基于学习的方法可以用于通过将终端成本与例如无限时域最优控制问题相关联来构造终端成本,其中最优成本是李雅普诺夫函数。值迭代是一种近似动态规划(ADP)方法,是一种特殊的成本近似技术。在这项工作中,我们合并终端无约束预测控制和近似值迭代的结果,从这两个领域的利益。一个预测范围是根据不同的因素,如近似相关的错误,使闭环渐近稳定,进一步允许一个次优估计相比,一个无限的地平线上的最佳成本。结果扩展了最近的研究预测控制与ADP为基础的终端成本,不需要一个本地的初始稳定控制器。我们比较这个控制器在模拟与其他终端成本选项,表明所提出的方法导致一个较短的最小地平线相比,以前的结果。
2022-12-01 cs.SY eess.SY math.OC
Value Function Approximation for Direct Control of Switched Power Converters
Stanford University(斯坦福大学)
本文提出了一种利用离线计算近似模型预测控制器的方法,通过将规划时间划分为两个段落,并使用二次函数近似第二段的最优成本,从而降低实时优化的计算需求。
2016-01-19 cs.SY eess.SY
On Cyclic Finite-State Approximation of Data-Driven Systems
在本文中,提出了一些新的理论和计算技术的数据驱动系统的约束近似。这些技术的发展的动机来自结构保持矩阵逼近问题,出现在系统辨识和模型预测控制领域,数据驱动的系统和过程。本文中报告的研究重点是数据驱动系统的有限状态近似。概述了与电信号传输模型相关的一些通用数据驱动系统的模拟和模型预测控制中的上述技术的一些数值实现。
2019-07-18 cs.SY eess.SY math.OA
Lattice piecewise affine approximation of explicit model predictive control with application to satellite attitude control
针对显式MPC在复杂高维系统中离线计算量过大的问题,本文利用可行域采样点构建卫星姿态控制最优MPC的格点PWA近似,证明了系统渐近稳定性,仿真表明该方法以极低在线复杂度实现与线性MPC相当的性能且比LQR更省燃料。
2024-03-20 cs.SY eess.SY
Real-Time Online Learning for Model Predictive Control using a Spatio-Temporal Gaussian Process Approximation
Institute for Dynamic Systems and Control, ETH Zürich(动态系统与控制研究所,苏黎世联邦理工学院)
本文提出一种高效的时空高斯过程近似方法,用于实时在线学习,提升模型预测控制的性能,尤其适用于时变系统。
2026-03-18 cs.RO cs.SY eess.SY
An Improved Data Augmentation Scheme for Model Predictive Control Policy Approximation
Eindhoven University of Technology(埃因霍温理工大学)
本文提出一种基于预测-校正步骤的改进数据增强方案,用于模型预测控制策略逼近,该方案在保证用户定义精度的同时,使增强样本误差界与邻域大小无关。
2023-05-29 cs.LG cs.SY eess.SY
Approximate predictive control barrier function for discrete-time systems
针对离散时间系统,提出将预测控制障碍函数(PCBF)近似集成到安全滤波器框架中,形成与预测时域无关的公式,理论分析其稳定性并验证了在线性系统及微型赛车仿真中的性能优势。
2025-08-25 cs.SY eess.SY math.OC
Model Predictive Control for Automotive Climate Control Systems via Value Function Approximation
在轻型汽车的辅助负载中,空调系统是最大的单一能耗。对于电动汽车来说,加热和冷却负载的影响变得更加重要,因为它们与动力系统竞争电池能源使用,并且可以显着降低续航里程或性能。虽然在电动汽车的最佳能源管理和生态驾驶的车辆速度优化领域已经做了大量的工作,但很少有贡献涉及加热和冷却负荷的能量最佳控制的应用。提出了一种基于模型预测控制的电气化动力总成热管理系统能量管理策略。从捕获热交换器中的制冷剂的动态和系统的功率消耗的蒸气压缩制冷系统的非线性模型开始,制定约束多目标最优控制问题以在跟踪期望的热设定点的同时减少能量消耗。提出了一种有效的MPC的实时应用,通过引入一个终端成本获得的近似的全局最优解。
2021-10-19 cs.SY eess.SY
Real-time Gaussian Process based Approximate Model Predictive Trajectory Tracking Control for Autonomous Vehicles
TU Darmstadt(达姆施塔特工业大学)
本文提出基于高斯过程的近似模型预测控制方法,通过转换坐标系和引入名义前馈组件,提高数据效率,实验证明该方法在自动驾驶车辆上能更高效地实现轨迹跟踪控制。
2026-05-13 cs.SY eess.SY
Fast Physics-Informed Model Predictive Control Approximation for Lyapunov Stability
本文提出物理信息MPC代理模型PI-MPCS,通过融入系统动力学与李雅普诺夫稳定性损失,在四旋翼着陆任务中实现约两倍计算加速,并提升分布内外状态的稳定控制能力。
2024-10-21 cs.SY eess.SY
Higher-Order Approximation of Exit Functionals in Sampling-Based Stochastic Model Predictive Control
Purdue University(普渡大学)
本文提出将高阶强逼近方法用于随机模型预测控制中的退出泛函估计,通过自适应Milstein离散化和Lévy面积模拟,在机会约束路径积分控制中实现了优于Euler-Maruyama的强退出时间与失效指标逼近。
2026-10-14 cs.NA cs.RO cs.SY
Explicit feedback synthesis for nonlinear robust model predictive control driven by quasi-interpolation
提出QuIFS算法,基于拟插值离线综合显式非线性鲁棒极小极大MPC反馈策略,保证ε-逼近最优解,并建立闭环稳定性与递归可行性。
2024-04-19 cs.SY eess.SY math.OC
Neural Networks for Fast Optimisation in Model Predictive Control: A Review
本文综述了用神经网络近似线性、非线性及鲁棒MPC控制器以降低计算成本的方法,提出分类体系并指出未来需新基准工具、加强控制与学习结合及探索新神经架构。
2024-12-30 cs.SY eess.SY math.OC
Chance-constrained Model Predictive Control for Multi-Agent Systems
Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院);University of Oxford(牛津大学)
针对多智能体系统的随机模型预测控制问题,提出一种基于概率边界的保守约束方法,在保证实时性的同时避免智能体间碰撞,并通过仿真验证其优于样本近似方法。
2011-08-16 cs.MA cs.SY eess.SY
Tractable Stochastic Hybrid Model Predictive Control using Gaussian Processes for Repetitive Tasks in Unseen Environments
针对未知环境重复任务的MPC控制问题,提出结合迭代模态分布映射算法与两种易处理MINLP近似的随机混合MPC方法,仿真验证其计算效率与控制性能均有显著提升。
2025-08-25 cs.SY eess.SY math.OC
Cautious Model Predictive Control using Gaussian Process Regression
Institute for Dynamic Systems and Control, ETH Zürich(苏黎世联邦理工学院动态系统与控制研究所)
本文提出了一种结合高斯过程回归的模型预测控制方法,用于建模非线性动力系统,通过考虑残余不确定性来实现安全控制。
2019-12-29 cs.SY eess.SY math.OC
Probabilistic Constraint Tightening Techniques for Trajectory Planning with Predictive Control
Clemson University(克莱姆森大学);Huawei(华为)
为了使自动移动车辆在现实世界中以最小的碰撞风险导航,其规划算法必须考虑来自测量和环境干扰的不确定性。在本文中,我们认为,在这种不确定性的存在下,两个机器人车辆之间的相互碰撞概率的保守近似的解析解。在那里,我们提出了两种方法,我们称之为单一的缩放和主轴旋转,解耦的二元积分的有效近似的两辆车之间的碰撞概率,包括方向的影响。我们比较这些方法的保守性分析和数值。通过关闭一个控制回路,通过模型预测制导方案,我们观察到,通过蒙特卡罗模拟,直接实施防撞约束的保守近似仍然是不可行的实时规划。然后,我们提出并实现了一个凸化方法的基础上收紧碰撞约束,显着提高了计算效率和鲁棒性的预测制导方案。
2022-12-15 cs.RO cs.SY eess.SY
Lattice piecewise affine approximation of explicit nonlinear model predictive control with application to trajectory tracking of mobile robot
Harbin Institute of Technology Shenzhen(哈尔滨工业大学深圳校区)
为了促进移动机器人在各个领域的广泛应用,必须保证其轨迹跟踪性能。针对移动机器人系统的约束条件和非线性特点,采用非线性模型预测控制(MPC)实现移动机器人的轨迹跟踪。针对非线性预测控制在线计算复杂的问题,设计了一种格点分段仿射(PWA)逼近方法,该方法既能逼近非线性系统,又能逼近显式非线性预测控制的控制律。移动机器人的运动学模型沿轨迹依次线性化,得到系统的线性时变描述,然后用格型PWA模型表示。随后,非线性MPC问题可以转化为一系列线性MPC问题。此外,为了降低在线计算多个线性MPC问题的复杂性,我们使用格PWA模型来近似线性MPC的最优解。也就是说,对于不同的采样状态,最优控制输入,并构造格PWA近似的状态控制对。通过与线性MPC和显式线性MPC框架的比较,进行仿真来评估我们的方法的性能。结果表明,与显式线性预测控制方法相比,该方法在线计算速度快,离线计算时间短,跟踪误差不明显增加。
2023-02-16 cs.RO cs.SY eess.SY
Output-Lifted Learning Model Predictive Control
针对一类非线性系统的约束最优控制问题,提出了一种计算效率高的学习模型预测控制(LMPC)方法,其中状态和输入可以利用提升输出进行重构.对于所考虑的一类系统,我们展示了如何使用在迭代任务期间收集的历史轨迹数据来构建凸值函数近似以及虚拟输出提升空间中的凸安全集。这些结构迭代地更新历史数据,并用于合成预测控制策略。我们表明,该策略保证递归约束满足,渐近稳定性和非递减的闭环性能在每次政策更新。最后,仿真结果表明,所提出的策略的有效性分段仿射(PWA)系统,运动学的单向性和双线性直流电机。
2021-01-15 cs.SY eess.SY math.OC
Tube-Based Model Predictive Control with Random Fourier Features for Nonlinear Systems
HUN-REN Institute for Computer Science and Control (SZTAKI)(匈牙利科学院计算机与控制研究所);University of Michigan, Ann Arbor(密歇根大学);Budapest University of Technology and Economics(布达佩斯技术与经济大学)
本文提出一种结合随机傅里叶特征与管式MPC的方法,用于非线性系统的鲁棒模型预测控制,有效减少管大小并提升实时性能。
2025-11-20 cs.SY eess.SY
Maximizing Reach-Avoid Probabilities for Linear Stochastic Systems via Control Architectures
ETH Zürich(苏黎世联邦理工学院);MIT(麻省理工学院)
本文提出一种结合马尔可夫决策过程和模型预测控制器的控制架构,用于最大化线性随机系统的可达-避免概率,通过在线更新参考信号实现高效鲁棒控制。
2026-01-22 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
Exact Learning of Linear Model Predictive Control Laws using Oblique Decision Trees with Linear Predictions
University of British Columbia(不列颠哥伦比亚大学)
本文提出利用斜决策树与线性预测方法,精确学习线性MPC控制律,实现高效且可解释的控制方案,提升安全关键系统的可靠性。
2025-12-17 cs.SY eess.SY math.OC
Physics-informed Gaussian Processes for Model Predictive Control of Nonlinear Systems
本文将基于物理信息高斯过程的线性模型预测控制方法扩展至非线性系统,通过在平衡点附近线性化获得局部近似,并利用贝叶斯推断保证收敛性,数值示例验证了该方法的有效性。
2025-04-30 cs.SY eess.SY math.OC
Sparse preconditioning for model predictive control
Mitsubishi Electric Research Laboratories(三菱电机研究实验室)
本文提出一种O(N)快速预处理方法,用于求解模型预测控制中出现的非线性系统。该方法基于连续/GMRES方法,利用GMRES迭代算法求解最优性方程的前向差分近似。
2016-03-11 cs.SY eess.SY math.OC
From Data to Predictive Control: A Framework for Stochastic Linear Systems with Output Measurements
ETH Zurich(苏黎世联邦理工学院);Harvard University(哈佛大学);Imperial College London(帝国理工学院)
提出D2PC框架,基于期望最大化算法进行参数辨识并量化不确定性,设计鲁棒动态输出反馈控制器和保证递归可行性与机会约束满足的预测控制器。
2026-05-25 cs.SY eess.SY math.OC
Linear Reduced Order Model Predictive Control
针对高维线性系统最优控制的计算瓶颈,提出基于投影降阶模型的鲁棒输出反馈预测控制方案,给出稳定性与约束满足保证,并在含近百万维流体模型的飞行器控制仿真中验证有效性。
2022-05-26 cs.SY eess.SY
Pulse-Width Predictive Control for LTV Systems with Application to Spacecraft Rendezvous
Universidad de Sevilla(塞维利亚大学)
本文提出一种能处理线性时变系统PWM控制的模型预测控制器,通过规划器快速改进解决方案,应用于航天器对接问题。
2015-11-03 cs.SY eess.SY math.OC
Set Membership based Nonlinear Model Predictive Control
本文提出了一种数值上有效的非线性模型预测控制(NMPC)方法,称为基于集员关系的NMPC(SM-NMPC)。特别是,一个集成员方法是用来从数据的近似和严格的界限上的最佳NMPC控制律。这些量用于降低NMPC优化问题的搜索域的维数和体积,从而允许显著缩短计算时间。所提出的SM-NMPC策略在仿真中进行了测试,考虑到现实的自动驾驶车辆场景,如平行停车和车道保持操纵。
2023-01-31 cs.SY eess.SY
Preconditioning for continuation model predictive control
Mitsubishi Electric Research Labs(三菱电机研究实验室)
本文提出通过简化预条件器构建方法,利用状态前向递推和共轭状态后向递推加速GMRES和MINRES收敛,以提高非线性模型预测控制的计算效率。
2015-09-09 cs.SY eess.SY math.OC
Dictionary-free Koopman Predictive Control for Autonomous Vehicles in Mixed Traffic
本文提出无字典库普曼模型预测控制(DF-KMPC),通过行为视角和迭代算法直接构建数据驱动的线性表示,避免了提升函数选择与平衡状态更新问题,并在混合交通仿真中验证了其抑制交通波和提升跟踪性能的效果。
2025-04-08 cs.SY eess.SY math.OC
Koopman-Operator-Based Model Predictive Control for Drag-free Satellite
Nanjing University of Aeronautics and Astronautics(南京航空航天大学)
本文提出基于Koopman算子和SINDy的无拖曳卫星非线性动力学数据驱动建模方法,并设计线性MPC控制器用于测试质量捕获,数值算例验证了其有效性。
2025-09-24 cs.SY eess.SY
Robust Model Predictive Control for Linear Systems with Interval Matrix Model Uncertainty
Uninettuno University(英内图诺大学);University of Siena(锡耶纳大学);Mercatorum University(梅尔卡托姆大学)
本文提出了一种针对线性系统中区间矩阵不确定性的鲁棒MPC方法,通过离线计算不确定性界以降低在线计算负载,实现递归可行性和鲁棒稳定性。
2026-02-19 cs.SY eess.SY
Handling plant-model mismatch in Koopman Lyapunov-based model predictive control via offset-free control framework
Koopman算子理论通过将非线性动力学变换到更高维的可观测函数空间来实现给定非线性动力系统的全局线性表示,其中可观测函数的演化由无限维线性算子支配。对于Koopman算子理论的实际应用,已经开发了各种数据驱动的方法来通过近似Koopman算子来导出提升的状态空间模型。基于近似模型的Koopman模型预测控制(KMPC)方案已经被提出。然而,由于无限维Koopman算子的有限维近似不能完全表示非线性动力系统,因此在这些KMPC方案中固有地存在对象模型失配,并且对控制系统的性能产生负面影响。在这项工作中,我们提出了无偏Koopman李雅普诺夫为基础的模型预测控制(KLMPC)框架,解决了固有的植物模型失配KMPC计划使用无偏控制框架的基础上的干扰估计方法,并确保可行性和稳定性的控制系统通过应用李雅普诺夫约束的最优控制问题。零稳态偏移条件的开发框架进行了数学研究。所开发的框架的有效性也证明了通过比较建议的无偏置KLMPC和标称KLMPC的闭环结果。
2020-10-14 cs.SY eess.SY
A Modular Framework for Distributed Model Predictive Control of Nonlinear Continuous-Time Systems (GRAMPC-D)
提出了一种用于分布式系统模型预测控制的模块化开源框架GRAMPC-D。模块化概念允许使用相同的问题描述以集中和分布式方式解决最优控制问题(OCP)。它是专门针对计算效率,重点是嵌入式硬件。分布式的解决方案是基于交替方向的乘法器(ADMM),并使用邻居近似的概念,以提高收敛速度。所提出的框架可以通过Cpp和Python访问,并且还支持网络上代理之间的即插即用和数据交换。
2020-10-23 cs.SY eess.SY
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
Robust Tube-based Model Predictive Control with Koopman Operators--Extended Version
Koopman算子是无限维的,以提升的全局线性方式捕捉非线性动力学的特征。Koopman算子的有限数据驱动近似得到一类线性预测器,可用于非线性动力系统的线性模型预测控制(MPC),降低了计算复杂度.然而,在建模近似误差和可能的外部干扰下,闭环Koopman MPC的鲁棒性仍然是一个有待解决的关键问题。针对上述问题,本文提出了一种基于Koopman算子的管模型预测控制方法,r-KMPC,用于具有附加干扰的非线性离散时间动力系统。所提出的控制器是由一个名义MPC使用提升Koopman模型和离线非线性反馈政策。所提出的方法不假设近似Koopman算子的收敛性,这允许使用有限阶的Koopman模型进行控制器设计。基本属性,例如,在标准假设下,导出了Koopman模型的可镇定性、可观测性,证明了闭环鲁棒性和标称逐点收敛性。仿真实例验证了该方法的有效性。
2022-03-21 cs.SY eess.SY
Approximate non-linear model predictive control with safety-augmented neural networks
Institute for Data Science in Mechanical Engineering, RWTH Aachen University(机械工程数据科学研究所,亚琛RWTH大学);Institute for Dynamic Systems and Control, ETH Zürich(动态系统与控制研究所,苏黎世联邦理工学院)
本文提出用神经网络近似非线性MPC的完整输入序列,并通过安全增强机制在线验证可行性,在不可行时用标准MPC安全候选解替换,从而在资源受限系统上实现快速计算且具有确定性收敛与约束满足保证。
2025-11-06 cs.LG cs.SY eess.SY
Bayesian Learning Approach to Model Predictive Control
Cranfield University(克兰菲尔德大学)
本研究提出了一个贝叶斯学习的观点对模型预测控制算法。在早期的贝叶斯学习和基于采样的模型预测控制的研究中,已经分别开发了高级框架。一方面,贝叶斯学习规则提供了一个通用框架,能够生成各种机器学习算法作为特殊实例。另一方面,动态镜下降模型预测控制框架能够使基于样本展开的控制算法多样化。然而,在随机最优控制的背景下,这两个框架之间的联系仍然没有得到充分的理解。本研究将贝叶斯学习规则的观点结合到模型预测控制的设定中,从模型预测控制器作为在线学习者的观点中得到启发。变分公式的后验类和自然梯度近似的选择决定了模型预测控制的贝叶斯学习方法中模型预测控制算法的多样化。这种替代观点通过简化设计选择的解释来补充动态镜像下降框架。
2022-03-11 cs.LG cs.RO cs.SY
Statistically Consistent Approximate Model Predictive Control
Corporate Research of Robert Bosch GmbH(罗伯特博世集团企业研究部);ETH Zurich(苏黎世联邦理工学院)
针对MPC计算量大及BC在MPC解为集值时近似不准确的问题,提出两阶段IL方法,将MPC最优值函数近似集成到损失函数中,证明统计一致性和输入-状态稳定性,仿真性能优于BC。
2025-11-18 cs.SY eess.SY
Robust Data-Driven Tube-Based Zonotopic Predictive Control with Closed-Loop Guarantees
KTH Royal Institute of Technology(皇家理工学院);Technical University of Munich(慕尼黑工业大学);Digital Futures(数字未来)
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
Region of Attraction Estimation for Linear Quadratic Regulator, Linear and Robust Model Predictive Control on a Two-Wheeled Inverted Pendulum
Université Côte d‘Azur CNRS, I3S(法国蔚蓝海岸大学CNRS第三信息科学与系统研究所);ETH Zürich IDSC(苏黎世联邦理工学院智能系统与控制系);KTH Royal Institute of Technology Digital Futures(瑞典皇家理工学院数字未来中心)
本文研究了两轮倒立摆在三种基于模型的控制策略下吸引区的估计问题,结合分析保证与数据驱动方法,提供了一种评估控制器性能的实用方法。
2026-10-22 cs.SY eess.SY
Error Bounds for Reduced Order Model Predictive Control
模型预测控制是一个强大的框架,使约束系统的最优控制。然而,对于由高维状态空间描述的系统,这种框架对于实时控制来说在计算上要求太高。降阶模型预测控制(ROMPC)框架通过利用模型降阶技术来压缩在线最优控制问题中使用的状态空间模型来解决这个问题。虽然这可以通过降低在线计算要求来实现实时控制,但这些模型简化引入了近似误差,必须考虑这些近似误差以保证受控高维系统的约束满足和闭环稳定性。在这项工作中,我们提出了一个离线的方法,有效地计算模型简化所产生的误差范围,并显示它们如何可以用来保证约束满意度在以前提出的ROMPC框架。这项工作认为,线性,离散,时不变的系统被压缩的彼得罗夫-伽辽金投影,并考虑输出反馈设置系统也受到有界干扰。
2020-08-21 cs.SY eess.SY
Real-time Nonlinear Model Predictive Control using One-step Optimizations and Reachable Sets
本文提出用预计算可达集内近似辅助的一步优化序列替代全时域最优控制问题,以降低实时非线性模型预测控制在嵌入式硬件上的计算负担,并给出递推可行性与渐近稳定性证明。
2023-04-12 cs.SY eess.SY