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
Closing the Loop on Runtime Monitors with Fallback-Safe MPC
Stanford University（斯坦福大学）
本文提出结合鲁棒MPC与共形预测校准运行时监视器的框架，在感知退化时维持回退计划可行性，以极少样本实现新环境中感知使能系统的端到端安全认证。
2023-09-18 cs.RO cs.SY eess.SY
Distribution-Transfer Safe-Horizon MPC under Mode Uncertainty
Brown University（布朗大学）
针对基于场景的MPC在分布失配下的问题，提出一种安全时域MPC方法，通过构建置信集和乘法支配界转移碰撞风险证书，并利用Wasserstein几何和碰撞风险替代函数优化采样，量化额外收紧并揭示组合保守性。
2026-10-07 cs.RO cs.SY eess.SY
MPC-based Imitation Learning for Safe and Human-like Autonomous Driving
Siemens Digital Industries Software（西门子数字工业软件）；KU Leuven（鲁汶大学）；Flanders Make（法兰德斯制造研究院）
为了确保用户接受自动驾驶车辆（AV），正在开发控制系统以从所需驾驶行为的演示来模仿人类驾驶员。模仿学习（IL）算法服务于此目的，但难以在所得到的闭环系统轨迹上提供安全保证。另一方面，模型预测控制（MPC）可以处理具有安全约束的非线性系统，但是用它来实现类似人类的驾驶需要广泛的领域知识。这项工作建议使用两种技术的无缝结合，学习安全AV控制器从所需的驾驶行为的演示，通过使用MPC作为一个可区分的控制层内的分层IL政策。通过这种策略，IL通过MPC成本、模型或约束中的参数在闭环和端到端中执行。这种方法的实验结果进行了分析，车道保持控制系统的设计，通过行为克隆观察（BCO）的经验教训，在一个固定底座的驾驶模拟器上的人类演示。
2022-06-24 cs.RO cs.SY eess.SY
Safe, Out-of-Distribution-Adaptive MPC with Conformalized Neural Network Ensembles
Department of Aeronautics and Astronautics, Stanford University（航空航天工程系，斯坦福大学）
本文提出 SODA-MPC，通过共形预测检测分布外情况并在基于学习的 MPC 与基于可达性的安全回退控制之间切换，在自动驾驶行人场景中同时提升安全性与任务完成率。
2025-06-04 cs.RO cs.SY eess.SY
Safe Reference Tracking and Collision Avoidance for Taxiing Aircraft Using an MPC-CBF Framework
University of California, Irvine（加利福尼亚大学欧文分校）；Howard University（霍华德大学）；Augustana College（奥古斯塔纳学院）；Purdue University（普渡大学）
本文提出基于MPC-CBF的飞机自动滑行框架，结合图路径规划与HOCBF安全约束，实现安全参考跟踪与避障，仿真验证其性能优于PID-CBF方法。
2024-10-04 cs.RO cs.SY eess.SY
Safety Critical Model Predictive Control Using Discrete-Time Control Density Functions
Clemson University（克莱姆森大学）
本文提出MPC-CDF方法，将控制密度函数融入模型预测控制框架，在离散时间下确保非线性系统的收敛与安全，并在水下航行器自主导航中验证了其避障与安全性能。
2025-09-16 cs.RO cs.SY eess.SY
Safe and Fast Tracking on a Robot Manipulator: Robust MPC and Neural Network Control
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；ETH Zürich（苏黎世联邦理工学院）；University of Stuttgart（斯图加特大学）
快速反馈控制和安全保证在现代机器人中是必不可少的。我们提出了一种方法，通过结合新的鲁棒模型预测控制（MPC）与函数逼近通过（深）神经网络（NN），实现两者。其结果是一种新的方法，复杂的任务，非线性，不确定性和约束动力学是常见的机器人。具体来说，我们利用最近的MPC研究结果，提出了一种新的鲁棒的设定点跟踪MPC算法，实现了可靠和安全的动态设定点跟踪，同时保证稳定性和约束满足。所提出的鲁棒MPC方案构成了一个单层的方法，该方法通过基于参考和可能的障碍物位置直接计算控制命令来统一经常分离的规划和控制层。作为一个单独的贡献，我们展示了如何的MPC的计算时间可以大大减少近似的MPC法与神经网络控制器。NN是根据MPC的离线样本进行训练和验证的，产生统计保证，并在运行时间代替其使用。我们的国家的最先进的机器人机械手的实验是第一次表明，无论是建议的鲁棒性和近似MPC计划的规模，以现实世界的机器人系统。
2020-03-03 cs.LG cs.RO cs.SY
Safe On-Orbit Dislodging of Deployable Structures via Robust Adaptive MPC
Department of Electrical and Computer Engineering, The University of New Mexico（电气与计算机工程系，新墨西哥大学）；Department of Mechanical Engineering, The University of New Mexico（机械工程系，新墨西哥大学）
本文提出一种鲁棒自适应模型预测控制方法，用于服务航天器机械臂在轨安全释放卡死的太阳能帆板，通过在线集员辨识与双模式代价函数平衡探索和利用，并在仿真和硬件实验中验证了其在参数估计和控制性能上的优势。
2025-11-09 cs.RO cs.SY eess.SY
Cooptimizing Safety and Performance Using Safety Value-Constrained Model Predictive Control
Ming Hsieh Department of Electrical and Computer Engineering, University of Southern California（南加州大学明希德电气与计算机工程系）；Department of Aeronautics and Astronautics, Stanford University（斯坦福大学航空与航天系）；Electrical and Computer Engineering Department, New York University（纽约大学电气与计算机工程系）
本文提出基于安全价值函数的终端约束MPC方法，实现安全与性能的协同优化，通过仿真和硬件实验验证了其在约束满足和鲁棒性方面的改进。
2026-04-26 cs.RO cs.SY eess.SY
Provably Safe Decentralized Contingency MPC under State-Only Information and Limited Sensing for Nonlinear Multi-agent Systems
针对仅状态信息与有限感知下的非线性多智能体系统，提出可证安全的分散式应急模型预测控制方法，通过新颖安全集更新机制降低保守性，在密集场景中验证了其有效性。
2026-09-01 cs.MA cs.RO cs.SY
D-SafeMPC: Diffusion-Driven Safe Model Predictive Control with Discrete-Time Control Barrier Functions
Paderborn University（帕德博恩大学）；Illinois Institute of Technology（伊利诺伊理工学院）；California Institute of Technology（加州理工学院）；Technical University of Munich（慕尼黑工业大学）
研究针对扩散模型用于机器人规划时无法保证安全和动态约束的问题，提出D-SafeMPC方法，通过控制障碍函数等引导扩散过程，结合迭代投影方案，经实验验证该方法能提升安全性、任务成功率和规划效率。
2026-07-14 cs.RO cs.SY eess.SY
Pixels to Proofs: Probabilistically-Safe Latent World Model Control via Parallel Conformal Robust MPC
Georgia Institute of Technology（佐治亚理工学院）
提出SLS^2框架，结合保形预测与鲁棒模型预测控制，在学习的潜在世界模型中实现基于视觉的安全运动规划，提升目标到达性能与安全性。
2026-06-16 cs.AI cs.CV cs.LG
Learning Maximal Safe Sets Using Hypernetworks for MPC-based Local Trajectory Planning in Unknown Environments
Continental Automotive Technologies GmbH, Germany（德国大陆汽车技术有限公司）；Technical University of Berlin, Germany（柏林技术大学）；Free University of Berlin, Germany（柏林自由大学）
本文提出NTC-MPC方法，利用超网络在线学习最大安全集作为MPC终端约束，以HJ可达性分析为监督，在未知环境中实现安全局部轨迹规划，仿真和实体机器人实验均验证了其有效性。
2025-07-07 cs.LG cs.RO cs.SY
Safe Beyond the Horizon: Efficient Sampling-based MPC with Neural Control Barrier Functions
D. Guggenheim School of Aerospace Engineering, Georgia Institute of Technology（佐治亚理工学院D.Guggenheim航空航天工程学院）；Department of Aeronautics and Astronautics, Massachusetts Institute of Technology（麻省理工学院航空与航天工程系）
针对MPC预测视界外安全问题，提出学习近似离散时间控制屏障函数并集成到采样型VIMPC中，配合新采样策略降低方差，实现实时规划，显著提升安全性。
2025-07-08 cs.AI cs.RO cs.SY
RLO-MPC: Robust Learning-Based Output Feedback MPC for Improving the Performance of Uncertain Systems in Iterative Tasks
Vector Institute for Artificial Intelligence（人工智能向量研究所）
在这项工作中，我们解决的问题时，我们有不确定的意见和动态执行重复的任务。我们将此问题表示为一个具有输出反馈的迭代无限时域最优控制问题。以前，这个问题被解决的线性时不变（LTI）系统的情况下，噪声的全状态测量是可用的使用鲁棒迭代学习控制框架，我们称之为鲁棒学习为基础的模型预测控制（RL-MPC）。然而，这项工作并不适用于只有部分状态的噪声观测的情况。这限制了当前方法在实践中的适用性：首先，在实际应用中，我们通常无法访问完整状态。第二，观察中的不确定性，如果不考虑，可能导致不稳定和约束违反。为了克服这些局限性，我们提出了一种RL-MPC与鲁棒输出反馈模型预测控制的组合，称为基于鲁棒学习的输出反馈模型预测控制（RLO-MPC）。我们展示了递归的可行性和稳定性，并证明了理论上的保证迭代的性能。我们验证了所提出的方法在仿真和实验中的四旋翼稳定任务的数值例子。
2021-10-01 cs.RO cs.SY eess.SY
From Shadow to Light: Toward Safe and Efficient Policy Learning Across MPC, DeePC, RL, and LLM Agents
针对MPC、DeePC、RL、LLM等数据驱动控制策略计算与内存开销高、难适配快动态受限系统的问题，本文提出8种降复杂度方法，并在多类实际控制场景中验证了其安全高效的性能。
2025-10-05 cs.RO cs.SY eess.SY
DualGuard MPPI: Safe and Performant Optimal Control by Combining Sampling-Based MPC and Hamilton-Jacobi Reachability
University of Santiago de Chile（智利圣地亚哥大学）；University of Southern California（南加州大学）；Olin College of Engineering（奥林工程学院）；Stanford University（斯坦福大学）
针对采样型MPPI控制难以保证安全性的问题，提出将Hamilton-Jacobi可达性分析集成到采样过程中的DualGuard-MPPI框架，在确保样本安全的同时提升探索效率，仿真与硬件实验验证了其安全性与高性能。
2025-06-20 cs.RO cs.SY eess.SY
Reachability-Guided Sequential Quadratic Programming-Guarded Model Predictive Path Integral for Safe Nonlinear Predictive Control
ETH Zurich（苏黎世联邦理工学院）；University of California, Los Angeles（加州大学洛杉矶分校）；Seoul National University（首尔大学）；University of California, Berkeley（加州大学伯克利分校）
提出ReSQ-MPPI，结合可达性分析与序列二次规划精炼，提升采样型模型预测控制在安全非线性环境中的安全性与性能。
2026-10-06 cs.RO cs.SY eess.SY
Safety Reinforced Model Predictive Control (SRMPC): Improving MPC with Reinforcement Learning for Motion Planning in Autonomous Driving
Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
本研究提出安全增强型MPC，利用强化学习改进自动驾驶中的运动规划，通过约束强化学习确保安全性和性能
2025-12-03 cs.RO
Dynamic Tube MPC: Learning Tube Dynamics with Massively Parallel Simulation for Robust Safety in Practice
California Institute of Technology（加州理工学院）；Georgia Institute of Technology（佐治亚理工学院）
本文提出动态管道MPC方法，利用大规模并行仿真学习跟踪性能与规划动作的关系，在实时优化中权衡性能与安全，并在3D跳跃机器人ARCHER上验证了敏捷安全导航能力。
2024-11-22 cs.LG cs.RO cs.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
OA-MPC: Occlusion-Aware MPC for Guaranteed Safe Robot Navigation with Unseen Dynamic Obstacles
Stanford University（斯坦福大学）；Swiss Federal Institute of Technology Zürich (ETH)（苏黎世联邦理工学院）
本文提出遮挡感知MPC方法，通过可达性分析计算被遮挡动态智能体的前向可达集，结合NMPC与碰撞避免的迭代优化及终端停止约束，实现未知动态环境下可证明安全的实时导航。
2024-10-23 cs.RO
Particle MPC for Uncertain and Learning-Based Control
Stanford University（斯坦福大学）
随着机器人系统从高度结构化的环境转向开放世界，将动力学学习或状态估计的不确定性纳入控制管道对于鲁棒性能至关重要。在本文中，我们提出了一个非线性粒子模型预测控制（PMPC）的方法来控制不确定性，它直接结合任何基于粒子的不确定性表示，如常见的机器人。我们的方法建立在MPC的场景方法，但与现有的方法，无论是限制所有或只有第一时间步跨场景共享行动相比，我们调查的影响，\textit{partial consensus horizon}。通过利用顺序凸优化来实现非线性动力学的这种优化，我们的方法产生了一个有效的框架，可以根据系统的特定信息增益动态进行调整，以减轻过度保守主义和过度乐观。我们研究了两个机器人系统在三个问题设置的方法：时变的，部分观察到的动态;感知不确定性;和基于模型的强化学习，并表明我们的方法在所有设置中都提高了性能。
2021-09-13 cs.RO cs.SY eess.SY
CIAO$^\star$: MPC-based Safe Motion Planning in Predictable Dynamic Environments
University of Freiburg（弗赖堡大学）；Robert Bosch GmbH（罗伯特·博世有限公司）
几十年来，机器人一直在动态环境中运行并共享机器人。然而，大多数基于优化的运动规划方法不考虑其他代理（例如，人类或其他机器人）的移动，因此在这种情况下不能保证避免碰撞。本文基于凸内近似（CIAO）方法，提出了一种运动规划算法，保证在可预测的动态环境中避免碰撞。此外，它推广了CIAO的自由区域的概念，以任意的规范，并提出了一个成本函数近似的时间最优运动规划。所提出的方法，CIAO $^\star$，发现kinodynamically可行的和无碰撞的轨迹约束的单体机器人使用模型预测控制（MPC）。它优化一个代理的运动，并考虑周围代理和障碍物的预测运动。实验评估表明，CIAO $^\star$达到接近时间最优的行为。
2020-05-25 cs.RO cs.SY eess.SY
Decentralized Contingency MPC based on Safe Sets for Nonlinear Multi-agent Collision Avoidance
Institute for Electrical Engineering in Medicine, University of Luebeck, Luebeck, Germany（医学电气工程研究所，吕贝克大学，吕贝克，德国）
本文提出基于安全集的去中心化应急MPC框架，实现非线性多智能体在仅状态信息下的碰撞避免，通过局部优化问题和应急证书保证递归可行性与收敛性。
2026-05-11 cs.MA cs.RO cs.SY
Addressing Behavior Model Inaccuracies for Safe Motion Control in Uncertain Dynamic Environments
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Mercer University（默瑟大学）
本文提出SIED-MPC算法，通过模型置信度评估协同整合SSIE与DR-MPC，利用无偏状态估计定义模糊半径以处理预测分布偏移，在自动驾驶仿真中降低了碰撞率且平均计算时间缩短54%。
2024-07-26 cs.RO cs.SY eess.SY
Full-Order Safety for Nonlinear Reduced-Order MPC
Stanford University（斯坦福大学）；Imperial College London（伦敦帝国学院）
针对降阶MPC的建模误差导致约束违反问题，提出CoRE-MPC，通过带误差半径的非线性ROM规划，在保证全阶系统安全的同时，计算效率远高于全阶鲁棒MPC。
2026-10-15 cs.RO cs.SY eess.SY
FORMULA: FORmation MPC with neUral barrier Learning for safety Assurance
Thayer School of Engineering, Dartmouth College（达特茅斯学院塞耶工程学院）；Department of Computer Science, The University of Manchester（曼彻斯特大学计算机科学系）
本文提出FORMULA框架，结合MPC与CLFs确保稳定性，利用神经网络CBFs实现分布式安全性，解决多机器人在复杂环境中的形成保持与障碍避让问题。
2026-04-06 cs.MA cs.RO
A Risk-aware Spatial-temporal Trajectory Planning Framework for Autonomous Vehicles Using QP-MPC and Dynamic Hazard Fields
School of Engineering, University of Glasgow（格拉斯哥大学工程学院）；School of Engineering, Cardiff University（卡迪夫大学工程学院）
针对自动驾驶轨迹规划现有方法计算成本高、动态环境性能不稳等问题，提出融合动态危险场的QP-MPC框架，通过时空协同规划与多目标优化，在多场景下实现了优于基准方法的效率、稳定性与舒适性。
2025-08-31 cs.RO cs.SY eess.SY
Safety-Critical Model Predictive Control with Discrete-Time Control Barrier Function
University of California, Berkeley（加利福尼亚大学伯克利分校）
机器人系统的最优性能通常是在状态和输入界的极限附近实现的。模型预测控制（MPC）是处理这些操作约束的流行策略，然而，安全性仍然是MPC的公开挑战，因为它需要保证系统保持在不变集内。为了获得安全的最佳性能的背景下的集合不变，我们提出了一种安全关键的模型预测控制策略，利用离散时间控制障碍函数（CBF），保证系统的安全性，并通过模型预测控制实现最佳性能。我们分析了我们的控制设计的稳定性和可行性。我们验证了我们的方法的属性上的二维双积分器避障模型。我们还验证了算法数值上使用的竞争激烈的赛车的例子，自我车能够超越其他赛车。
2021-03-23 cs.RO cs.SY eess.SY
Nonlinear MPC with Motor Failure Identification and Recovery for Safe and Aggressive Multicopter Flight
Imperial College London（帝国理工学院）
安全和精确的参考跟踪是MAV的一个重要特性，它必须在复杂环境中的外部干扰的影响下运行。在本文中，我们提出了一个NMPC，充分利用基于物理的非线性动力学系统。此外，我们展示了如何的时刻和推力控制输入可以转化为可行的致动器命令。为了保证安全运行，尽管潜在的损失下，我们表明我们的系统保持安全运行的电机，我们开发了一个基于EKF的电机故障识别算法。我们验证了所开发的管道在飞行实验中的有效性，没有电机故障。
2020-02-16 cs.RO
ABC-LMPC: Safe Sample-Based Learning MPC for Stochastic Nonlinear Dynamical Systems with Adjustable Boundary Conditions
University of California Berkeley（加州大学伯克利分校）；California Institute of Technology（加州理工学院）
基于样本的学习模型预测控制（LMPC）策略由于其理想的理论特性和在机器人任务上的良好经验性能而最近引起了人们的关注。然而，随机系统的LMPC控制器的先验分析主要集中在线性系统的迭代学习控制设置。我们提出了一种新的LMPC算法，可调边界条件LMPC（ABC-LMPC），它可以快速适应新的开始和目标配置，并从理论上表明，所得到的控制器保证迭代改进的期望随机非线性系统。我们通过该算法的实际实例展示了结果，并通过实验证明，所得控制器能够适应3个随机连续控制任务的各种初始和终止条件。
2020-05-16 cs.LG cs.RO cs.SY
Corridor-based Adaptive Control Barrier and Lyapunov Functions for Safe Mobile Robot Navigation
University of Virginia（弗吉尼亚大学）
本文提出一种结合CLF与CBF的MPCC框架，利用自由空间走廊约束并通过SAC动态调整参数，实现未知杂乱环境下的安全导航。
2025-07-19 cs.RO cs.SY eess.SY
DRO-EDL-MPC: Evidential Deep Learning-Based Distributionally Robust Model Predictive Control for Safe Autonomous Driving
School of Electrical Engineering, Korea Advanced Institute of Science and Technology (KAIST)（电气工程学院，韩国科学技术院）
DRO-EDL-MPC通过结合证据深度学习和分布鲁棒优化，提升自动驾驶中的安全性和控制可靠性。
2025-12-22 cs.RO
Active Safety System for Semi-Autonomous Teleoperated Vehicles
Technical University of Munich（慕尼黑工业大学）；Delft University of Technology（代尔夫特理工大学）
自动驾驶汽车可以减少道路交通事故，并提供更安全的交通方式。然而，在将这些车辆部署到市场之前，需要解决关键的技术挑战，例如在复杂的城市环境中的安全导航。远程操作可以帮助从人类操作到完全自动驾驶汽车的平稳过渡，因为它仍然有人类在回路中，为驾驶员提供后备范围。本文提出了一种用于遥控驾驶的主动安全系统（ASS）方法。所提出的方法可以帮助操作员确保车辆在复杂环境中的安全性，即避免与静态或动态障碍物发生碰撞。我们的ASS依赖于一个模型预测控制（MPC）制定控制车辆的横向和纵向动态。通过利用MPC框架处理约束的能力，我们的ASS限制了控制器干预人类操作员命令的横向校正的权限，避免了人类操作员的反直觉驾驶体验。此外，我们设计了一个视觉反馈，以提高操作员的信任的ASS。此外，我们提出了一个MPC的预测时域数据为基础的新的预测显示，以减轻遥操作系统中的大延迟的影响。我们测试了所提出的方法在高保真车辆模拟器的动态障碍物和延迟的存在下的性能。
2021-06-28 cs.RO cs.SY eess.SY
An ACO-MPC Framework for Energy-Efficient and Collision-Free Path Planning in Autonomous Maritime Navigation
School of Engineering, University of Strathclyde（斯特拉思克莱德大学工程学院）；James Watt School of Engineering, University of Glasgow（格拉斯哥大学詹姆斯·瓦特工程学院）；School of Power and energy, Northwestern Polytechnical University（西北工业大学动力与能源学院）；School of Engineering, University of Birmingham（伯明翰大学工程学院）
针对坡道自动驾驶变道中安全与效率的平衡难题，提出一种集成规划器，利用不满意水平度量效率、箭头簇采样评估碰撞风险，仿真验证其能安全高效地选择变道时机与曲线。
2025-04-22 cs.RO cs.SY eess.SY
HumanHalo: Safe and Efficient 3D Navigation Among Humans via Minimally Conservative MPC
Technical University of Munich（慕尼黑技术大学）；ETH Zurich（苏黎世联邦理工学院）
提出HumanHalo框架，结合可达性安全保证与数据驱动人体运动预测，通过仅约束初始控制输入实现安全高效的3D MAV人群导航，在仿真和真实实验中验证了其有效性。
2026-09-29 cs.RO
Enhancing Safety in Mixed Traffic: Learning-Based Modeling and Efficient Control of Autonomous and Human-Driven Vehicles
University of Waterloo（滑铁卢大学）；Polytechnique Montréal（蒙特利尔理工学院）
针对混合交通中人类驾驶车辆行为不确定的问题，提出融合第一性原理与稀疏 GP 学习的 HV 模型及 GP-MPC 控制策略，在保证安全车距的同时提升车速，并将计算开销降至仅比传统 MPC 高 4.6%。
2024-04-10 cs.LG cs.RO cs.SY
Hierarchical Reinforcement Learning with Low-Level MPC for Multi-Agent Control
Max Studt 1；Georg Schildbach 1
提出分层强化学习框架，高层RL选择目标，低层MPC确保安全，在捕食者-猎物任务中优于端到端和屏蔽基线。
2025-10-09 cs.AI cs.RO cs.SY
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
SRL-MPC: Shape-Aware Reinforcement Learned Model Predictive Control
The University of Hong Kong（香港大学）；Southern University of Science and Technology（南方科技大学）；University of Michigan（密歇根大学）；Shenzhen Institutes of Advanced Technology（深圳先进技术研究院）
针对异构人群与机器人集群的形状感知导航难题，提出SRL-MPC方法，结合MPC的安全泛化性与RL的适应性，实验显示其在安全性、适应性上优于基准方法。
2026-08-24 cs.AI cs.RO
NMPC-LBF: Nonlinear MPC with Learned Barrier Function for Decentralized Safe Navigation of Multiple Robots in Unknown Environments
Arizona State University（亚利桑那州立大学）；Toyota Research Institute of North America（丰田北美研究院）
在本文中，我们提出了一种分散控制方法的基础上的非线性模型预测控制（NMPC）的方法，采用障碍证书的安全导航的多个非完整轮式移动机器人在未知的环境中的静态和/或动态障碍。该方法将学习障碍函数（LBF）结合到NMPC设计中以保证安全的机器人导航，即，防止机器人与其他机器人和障碍物发生碰撞。我们将我们提出的控制方法称为NMPC-LBF。由于每个机器人都没有关于障碍物和其他机器人的先验知识，因此我们使用在每个机器人上实时运行的深度神经网络（DeepNN）来学习障碍函数（BF），仅从机器人的LiDAR和里程测量中学习。DeepNN被训练来学习区分安全和不安全区域的BF。我们实现了我们提出的方法在模拟和实际的Turtlebot 3汉堡机器人（S）在不同的场景。实现结果表明，NMPC LBF方法在确保机器人安全导航的有效性。
2022-08-16 cs.RO
Force-Compliance MPC and Robot-User CBFs for Interactive Navigation and User-Robot Safety in Hexapod Guide Robots
本研究提出FC-MPC与机器人-用户CBFs，实现六足导引机器人力顺应导航与避障，兼顾双向交互和安全，实验验证了其有效性。
2025-08-05 cs.RO
Safe MPC Alignment with Human Directional Feedback
Intelligent Robotics and Interactive Systems (IRIS) Lab in the School for Engineering of Matter, Transport and Energy（智能机器人与交互系统实验室（IRIS））；Polytechnic School（理工学院）；School for Engineering of Matter, Transport and Energy（工程物质、运输与能量学院）；Departments of Industrial Engineering & Management Sciences（工业工程与管理科学系）；Department of Electrical and Systems Engineering（电气与系统工程系）
本文提出了一种基于人类方向反馈的可证明安全约束学习方法，通过少量修正即可使机器人有效学习安全约束。
2025-12-07 cs.RO
Beyond Conservative Automated Driving in Multi-Agent Scenarios via Coupled Model Predictive Control and Deep Reinforcement Learning
TU Delft, Faculty of Civil Engineering and Geosciences, Department of Transport and Planning（代尔夫特理工大学，土木工程与地质科学学院，交通与规划系）；NVIDIA
本文提出结合MPC与RL的框架，提升多智能体场景下的导航性能，实验表明MPC-RL在碰撞率和成功率上优于传统方法，且在零样本迁移中表现更优，展示了MPC对跨场景鲁棒性的贡献。
2026-04-15 cs.AI cs.RO cs.SY
ADMM-Based Distributed MPC with Control Barrier Functions for Safe Multi-Robot Quadrupedal Locomotion
Department of Mechanical Engineering, Virginia Tech（弗吉尼亚理工大学机械工程系）；The University of Texas at El Paso（德克萨斯理工大学）
本文提出基于ADMM的去中心化MPC框架，结合控制屏障函数约束，用于多机器人腿部系统的安全轨迹规划。通过节点-边分割公式与共识约束，将全局问题分解为独立二次规划问题，实现高效去中心化优化，提升实时性与安全性。
2026-03-19 cs.RO math.OC
Deploying SICNav in the Field: Safe and Interactive Crowd Navigation using MPC and Bilevel Optimization
本文介绍 SICNav 的真实部署系统，其通过双层 MPC 将人群运动预测与机器人规划联合优化，以建模人机交互，并在未见室内外环境中完成近 7 公里自主导航验证。
2025-06-10 cs.RO
AI-Augmented Model Predictive Control for Safe and Adaptive Rendezvous and Proximity Operations
Embry–Riddle Aeronautical University（安柏瑞德航空航天大学）
研究多智能体对抗场景下航天器自主交会及接近操作问题，提出结合约束滚动时域MPC与数据驱动监督调整层的框架，经蒙特卡罗模拟评估，该框架相比固定参数MPC有更好性能，为自适应航天器RPO提供模块化、可解释基础。
2026-07-21 cs.RO
SOMTP: Self-Supervised Learning-Based Optimizer for MPC-Based Safe Trajectory Planning Problems in Robotics
Zhejiang University（浙江大学）；State Key Laboratory of Industrial Control Technology（工业控制技术国家重点实验室）；Institute of Cyber Systems and Control（网络系统与控制研究所）
针对机器人CBF-MPC轨迹规划的非凸约束优化问题，提出自监督学习优化器SOMTP，通过问题转录、可微SLPG校正及融合引导策略的ALM训练实现，兼具优于同类学习方法的可行性与快于传统优化器的求解速度。
2024-05-15 cs.LG cs.RO
Safe Model Predictive Control Approach for Non-holonomic Mobile Robots
Delft University of Technology（代尔夫特理工大学）
针对非完整移动机器人的规划与控制问题，设计了一种模型预测控制（MPC）方法。围绕预先计算的参考轨迹线性化系统动态给出了时变LQ MPC问题。我们分析表明，通过专门设计的MPC控制器，随时间变化，线性化系统可以产生在跟踪任务的原点附近的渐近稳定。我们进一步提出了两种避障方法。通过在速度空间中定义线性化约束，并基于当前状态显式耦合两个控制输入，我们的第二种方法直接考虑了系统的非完整性，从而证明了优化问题的不可行性。仿真结果表明，对于静态和动态避障，我们的LQ MPC方法的规划轨迹是光滑和有效的解决非线性规划（NLP）问题，但在一个更有效的方式。
2022-10-10 cs.RO
Dual Stress: Runtime Safety Monitoring for Safety-Constrained MPC Navigation
American University of Beirut (AUB)（贝鲁特美国大学）；New York University Abu Dhabi (NYUAD)（纽约大学阿布扎比分校）；New York University（纽约大学）
本文提出基于MPC约束优化的Karush-Kuhn-Tucker乘子的双重应力信号，将其与15个几何检测器对比，发现其漏检碰撞的补充预警能力显著，结合后可提升制动可行碰撞的预警占比。
2026-08-12 cs.RO
Safe Large-Scale Robust Nonlinear MPC in Milliseconds via Reachability-Constrained System Level Synthesis on the GPU
本文提出GPU-SLS框架，通过GPU并行计算实现高维不确定机器人系统和长规划周期的安全鲁棒非线性MPC，显著提升计算效率和安全性。
2026-04-08 cs.AI cs.RO cs.SY
Robustness without Wrinkles: Parallel Simulation and Robust MPC for Certified Deformable Manipulation
Georgia Institute of Technology（佐治亚理工学院）
提出CORD-SLS实时控制方法，通过GPU并行可微仿真与接触平滑实现高效梯度规划，结合鲁棒模型预测控制与共形预测校准，在绳索和布料操作中达到毫秒级规划与高安全性。
2026-06-15 cs.AI cs.LG cs.RO
