Adaptive Optimal Control of Linear Periodic Systems: An Off-Policy Value Iteration Approach
本文针对连续时间线性周期系统，提出一种基于价值迭代的离轨自适应动态规划算法，无需系统动态精确知识即可从数据中获取近似最优解，并证明了其一致收敛性，在倒立摆实验中验证了有效性。
2020-01-20 cs.SY eess.SY math.OC
Adaptive model predictive control for constrained, linear time varying systems
Singidunum University（辛吉杜纳姆大学）；Politecnico di Milano（米兰理工大学）；University of Belgrade（贝尔格莱德大学）
本文提出了一种自适应模型预测控制方法，用于解决受约束的线性时变系统的问题，通过动态调整模型参数提高控制性能。
2017-12-20 cs.SY eess.SY math.OC
Adaptive optimal $\ell_\infty$-induced robust stabilization of minimum phase SISO plant under bounded disturbance and coprime factor perturbations
针对有界扰动与互质因子摄动下离散最小相位SISO对象的最优鲁棒镇定问题，提出基于集员估计与参数非线性变换转化为线性分式规划的自适应控制方法，可在参数未知时以指定精度实现与已知参数对象相当的最优输出渐近上界，还支持估计与先验假设的在线验证。
2022-07-28 cs.SY eess.SY math.OC
Reinforcement Learning for Adaptive Optimal Stationary Control of Linear Stochastic Systems
New York University（纽约大学）
本文研究了具有加性和乘性噪声的连续时间线性随机系统的自适应最优平稳控制问题。基于策略迭代，提出了一种新的非策略强化学习算法--基于乐观最小二乘的策略迭代算法，该算法能够从初始容许控制策略出发，直接从输入/状态数据中迭代找到自适应最优平稳控制问题的近优策略，而无需显式地识别任何系统矩阵.在较弱的条件下，证明了所提出的基于最小二乘的策略迭代算法的解以概率1收敛到最优解的一个小邻域内。通过对三级倒立摆系统的仿真，验证了该算法的可行性和有效性。
2021-12-05 cs.LG cs.SY eess.SY
A Historical Perspective of Adaptive Control and Learning
本文提供了一个历史的角度来看，在过去的七十年里，适应控制领域及其与学习的交叉点。本文列出了在这一大时间跨度内发生的关键事件、该领域关注的问题陈述以及关键解决方案的年表。基本结果有关的稳定性，鲁棒性和学习勾勒。在此期间报告的各种应用的适应控制的简要说明。
2022-02-22 cs.SY eess.SY math.OC
A note on the convergence of a class of adaptive optimal identifiers
该研究提出一类自适应最优辨识器收敛性分析的统一框架，通过引入广义持续激励条件，推导出这类自适应估计器的输入-状态稳定性（ISS）型性质。
2023-06-16 cs.SY eess.SY
High Order Robust Adaptive Control Barrier Functions and Exponentially Stabilizing Adaptive Control Lyapunov Functions
Boston University（波士顿大学）
研究了利用数据驱动自适应控制技术保证高关联度不确定非线性系统的稳定性和安全性问题。我们首先介绍了高阶鲁棒自适应控制障碍函数（HO-RaCBF）的概念，作为一种手段来计算控制策略，保证满足高相对程度的安全约束，在面对参数模型的不确定性。所开发的方法通过最初考虑所有可能的参数实现来保证安全性，但利用在线记录的数据自适应地减少参数估计中的不确定性。然后，我们引入指数稳定自适应控制李雅普诺夫函数（ES-aCLF）的概念，利用相同的数据作为HO-RaCBF控制器，以保证指数收敛的系统轨迹。开发的HO-RaCBF和ES-aCLF统一在一个二次规划框架，其功效是通过两个数值例子，据我们所知，不能解决现有的自适应控制障碍函数技术。
2022-03-03 cs.RO cs.SY eess.SY
Learning-Based Adaptive Optimal Control of Linear Time-Delay Systems: A Policy Iteration Approach
研究了一类由时滞微分方程描述的线性时滞系统的自适应最优控制问题。一个关键的策略是利用强化学习和自适应动态规划的最新发展，并开发新的方法，从有限的输入和状态数据样本中学习自适应最优控制器。在缺乏精确模型知识的情况下，提出了一种基于数据驱动的策略迭代算法（PI）来迭代求解无穷维代数Riccati方程（ARE）.有趣的是，所提出的递归PI算法是新的连续时间时滞系统的背景下，即使当模型知识是假设已知的。通过金属切削和自动驾驶的实际应用验证了所提出的基于学习的控制方法的有效性。
2022-10-01 cs.SY eess.SY
Optimal adaptive control of a knee joint exoskeleton for lower limb functional rehabilitation
下肢外骨骼机器人在康复、运动辅助和力量增强方面具有巨大的潜力。考虑到患者之间的病理差异，设计控制以保证最佳所需的帮助仍然是一个挑战。提出了一种基于粒子群优化算法的最优自适应控制方案。所提出的控制器是基于一个著名的膝关节外骨骼的动态模型，和优化算法是用来最小化平方误差的适应度函数，量化跟踪性能。控制参数的整定考虑了系统阶跃响应的一些非线性约束和边界约束。数值仿真结果表明了该方法的有效性和高性能。
2021-10-15 cs.SY eess.SY
Continuous-Time Output Feedback Adaptive Control for Stabilization and Tracking with Experimental Results
本文提出受离散时间回溯代价自适应控制启发的连续时间输出反馈方法，并用粒子群优化自动调节超参数，在双积分器、双旋翼跟踪及姿态镇定实验中验证了其无模型控制有效性。
2025-06-06 cs.SY eess.SY
Value and Policy Iteration in Optimal Control and Adaptive Dynamic Programming
M.I.T.（麻省理工学院）
本文研究了最优控制中终端状态集的无限 horizon 问题，通过一般性假设证明了Bellman方程的唯一性，并给出了价值迭代和策略迭代的收敛性结果。
2015-10-01 cs.DS cs.NA cs.SY
Discussion on a Class of Model-Free Adaptive Control for Multivariable Systems
本文通过闭环函数分析无模型自适应控制（MFAC）律，旨在拓宽其在多变量系统中的应用范围。
2023-11-29 cs.SY eess.SY
Performance Analysis of Model-Free Adaptive Control
针对无模型自适应控制（MFAC），该研究借助闭环函数分析控制律性能，旨在拓宽其适用范围。
2023-12-09 cs.SY eess.SY
Sub-Optimality of a Dyadic Adaptive Control Architecture
并矢自适应控制体系结构的发展是为了解决具有非匹配非线性、干扰和不确定性的非线性系统的控制律设计问题。这个框架的一个显着特点是它的工作能力与无限以及有限维系统，并与广泛的控制和自适应法律。在本文中，我们考虑的情况下，控制律的基础上的线性二次型调节器理论的控制律设计。我们基准的闭环系统对标准的线性二次控制律，以及那些基于状态相关的Riccati方程。我们提出的问题设计的一部分控制法作为一个Nehari问题。我们得到的控制律的次最优性的界限的解析表达式。
2020-10-18 cs.SY eess.SY
Design of Adaptive Backstepping Control for Direct Power Control of Three-Phase PWM Rectifier)
本文重点研究了用于三相PWM整流器直接功率控制（DPC）的自适应反推控制器（adaptive-BSC）的设计。在所提出的系统中，期望通过使整流器的输出DC电压和无功功率跟踪期望的相应值来同时控制整流器的输出DC电压和无功功率。这是通过具有用于输出电压和无功功率的独立虚拟控制信号来实现的。从三相系统的动力学方程中得到自适应控制信号。为了比较，BSC和自适应BSC方程都被开发。在一个5 kW的系统上对它们进行了数值模拟。所提出的自适应BSC的设计工作在更具挑战性的系统变化相比，BSC，因为它必须估计的值的未知系统负载。尽管如此，它的表现仍然优于其BSC对手。
2021-07-13 cs.SY eess.SY
Multiobjective Reinforcement Learning for Reconfigurable Adaptive Optimal Control of Manufacturing Processes
Intelligent Systems Research Group (ISRG)（智能系统研究组）
本文提出了一种新型无模型多目标强化学习方法，用于制造过程的自适应最优控制，能够高效学习不同目标权重下的控制配置。
2018-10-09 cs.LG cs.SY eess.SY
A Differential-Cascaded Approach for Adaptive Control of Robot Manipulators
研究了具有参数不确定性的非线性机器人的自适应控制。出于产生闭环机器人动力学与增强传输能力的参考扭矩和连接到线性动力学，我们开发了一种新的自适应方法，利用forwardstepping设计和惯性不变性，产生差分级联闭环动力学。利用这种方法，我们提出了一类新的非线性机器人自适应控制器。我们关于机器人自适应控制的具体研究展示了一种设计方法，旨在建立高度非线性不确定系统（例如，具有可变惯性矩阵）和线性动力学（通常具有相同或增加的阶数），这是文献中长期存在的棘手问题。
2022-01-05 cs.SY eess.SY
Transient and Asymptotic Properties of Robust Adaptive Controllers in the Presence of Non-Coercive Lyapunov Functions
自适应控制结构通常利用李雅普诺夫函数来设计自适应律。我们特别感兴趣的自适应控制方法，如众所周知的L1自适应架构，采用参数观测器用于此目的。在这种架构中，观测误差在确定跟踪误差的分析界限以及鲁棒性方面起着关键作用。在本文中，我们展示了强制性李雅普诺夫算子的不存在如何影响分析界，以及这种自适应系统的性能和鲁棒性。
2021-04-22 cs.SY eess.SY
Robust Adaptive Control Barrier Functions: An Adaptive & Data-Driven Approach to Safety (Extended Version)
提出了一种新的结构参数不确定性约束非线性系统的控制框架。通过在线参数自适应和数据驱动的模型估计，实现了安全集的前向不变性。新的自适应数据驱动的安全范例与最近的自适应控制算法合并，用于名义上在闭环中收缩的系统。这种统一比其他安全控制器更普遍，因为闭环收缩不要求系统可逆或处于特定形式。此外，该方法比非线性模型预测控制更便宜，因为它不需要完整的期望轨迹，而是仅需要期望的终端状态。以具有不确定非线性气动力的飞机俯仰动力学为例说明了该方法。
2020-05-28 cs.SY eess.SY
New Class K_infinity Function-Based Adaptive Sliding Mode Control Design
针对经典自适应滑模控制存在的抖振和过估计现象，提出了一种新的基于K_∞类函数的自适应滑模控制方案。两个控制器提出了凹和凸障碍函数来实现这种控制方法。为了避免大的初始控制幅度，两个修改后的控制方案提供，所提出的方法扩展到不同的场景。它被证明，所提出的控制器产生有限时间收敛到一个真正的滑动模式。最后，仿真和讨论显示所提出的控制方法的优点和有效性。
2020-12-04 cs.SY eess.SY
Lyapunov-Based Deep Residual Neural Network (ResNet) Adaptive Control
针对ResNet自适应控制器缺乏Lyapunov权重更新律的问题，本文提出首个基于Lyapunov推导的ResNet自适应控制方法，并通过非光滑分析保证渐近收敛，Monte Carlo仿真显示其较全连接DNN性能提升64%。
2025-02-15 cs.SY eess.SY
An Adaptive Pilot Model with Reaction Time-Delay
实际的自适应控制实现人类飞行员共存的回路中仍然是罕见的，尽管他们在处理不确定的动力系统的成功。这是由于其特殊的非线性特性，导致不利的相互作用之间的驾驶员和自适应控制器。为了铺平道路的自适应控制器在驾驶应用中的实施，我们提出了一个自适应的人类驾驶员模型，考虑到在飞行员的响应时间延迟，而操作的自适应控制系统。该模型可用于评估自适应控制器，通过仿真环境和指导他们的设计。
2022-08-28 cs.SY eess.SY
L1 Adaptive Controller -- Performance Analysis of the Inverse DC Gain Method
University of Queensland（昆士兰大学）
本文分析了改进的L1自适应控制律，比较了其与原始控制律的性能，指出在允许轻微性能下降的情况下，无需零极点抵消技术即可用L1自适应控制律控制非最小相位系统。
2019-03-22 cs.SY eess.SY
Adaptive Feedforward Control For Reset Feedback Control Systems -- Application in Precision Motion Control
TU Delft（代尔夫特理工大学）
本文提出了一种新的自适应前馈控制器的设计复位控制系统。前馈和复位反馈控制的组合保证高性能，因为前馈保证参考跟踪，而非线性反馈元件拒绝干扰。为了克服不可避免的模型失配，前馈控制器自适应以提高参考跟踪的精度。线性现有的自适应前馈控制器不保证收敛，在复位的存在下，这项工作提出了一种新的自适应法律的基础上收敛和发散区域的适应，以实现良好的跟踪。实验结果证明了新方法的优势。
2020-10-30 cs.RO cs.SY eess.SY
Stability Analysis of Optimal Adaptive Control using Value Iteration with Approximation Errors
Southern Methodist University（南卫理公会大学）
本文通过价值迭代分析自适应最优控制的稳定性，考虑了近似误差的影响，提供了吸引域的估计，确保初始条件在该域内时轨迹保持有效。
2017-10-23 cs.LG cs.SY eess.SY
Adaptive Conductance Control
神经调节对于动物神经系统的适应性和鲁棒性至关重要。本文探讨了间接自适应控制的经典范例，设计基于电导的神经元模型的神经调节控制器。示出的最大电导参数的自适应控制，以提供与生理学中的神经调节和机器人中的阻抗控制的中心概念对齐的方法。
2022-04-19 cs.SY eess.SY q-bio.NC
Adaptive Variants of Optimal Feedback Policies
University of California, Los Angeles（加州大学洛杉矶分校）；Massachusetts Institute of Technology（麻省理工学院）；Google AI（谷歌人工智能）
在一种新的控制理论框架下，研究了不确定非线性系统的最优反馈策略与在线学习的稳定组合问题。该框架可以系统地用于迁移学习和模拟到真实的应用，其中为标称系统学习的最优策略需要在参数存在显著变化的情况下保持有效。给定有界范围内的未知参数，所得到的自适应控制律保证闭环系统收敛到零代价状态。在线调整的学习率被用作一个关键的稳定机制，并保持确定性等价时，设计最优策略，而不假设不确定性是在控制范围内。该方法是说明熟悉的山地车问题，尽管存在参数模型的不确定性，它产生接近最佳的性能。
2022-04-12 cs.RO cs.SY eess.SY
Scalability Concept for Predictable Closed-Loop Response of Adaptive Controllers
Technische Universität München（慕尼黑工业大学）；Missouri University of Science and Technology（密苏里科技大学）
本文提出可扩展性概念，用于通过调整不同自适应控制方案的学习率以实现可预测的闭环响应。
2014-09-05 cs.SY eess.SY math.DS
Adaptive Digital PID Control of a Quadcopter with Unknown Dynamics
University of Michigan（密歇根大学）；MIT（麻省理工学院）
针对动力学未知的四轴飞行器，提出了一种自适应自动驾驶仪。为此，PX 4自动驾驶仪的结构进行了修改，以取代反馈和前馈控制器的自适应控制法律的基础上追溯成本自适应控制（RCAC）。本文提供了一个数值研究的性能的自适应自动驾驶仪的四轴飞行器与未知的动态。为了反映先验建模信息的缺乏，所有的自适应数字控制器初始化为零增益。此外，改变四轴飞行器的转动惯量来测试自适应自动驾驶仪的鲁棒性。在所有测试案例中，车辆被命令遵循给定的轨迹，并检查由此产生的性能。
2020-05-31 cs.RO cs.SY eess.SY
Adaptive Force-based Control for Legged Robots
University of Southern California（南加州大学）
自适应控制可以解决控制系统中的模型不确定性。然而，它是初步设计的跟踪控制。四足机器人控制的最新进展表明，力控制可以有效地实现灵活和鲁棒的运动。在本文中，我们提出了一种新的基于力的自适应控制框架的足式机器人。我们引入了一个新的架构，在我们提出的方法，将自适应控制二次规划（QP）力控制。由于我们的方法是基于力控制，它也保留了基线框架的优点，如不平坦的地形，可控的摩擦约束，或软冲击的鲁棒性。我们的方法是成功地验证了在仿真和硬件实验。虽然基线QP控制已经显示出在小负载下身体跟踪误差的显着退化，但我们提出的基于力的自适应控制可以使12公斤的Unitree A1机器人在粗糙的地形上行走，同时携带高达6公斤的重物（机器人重量的50%）。当站在四条腿，我们提出的自适应控制，甚至可以让机器人进行高达11公斤的负载（92%的机器人重量）与小于5厘米的跟踪误差在机器人的高度。
2021-12-15 cs.RO cs.SY eess.SY
Inducing Social Optimality in Games via Adaptive Incentive Design
社会规划者如何自适应地激励那些在战略环境中学习的自私代理人，以诱导长期的社会最优结果？我们提出了一个两个时间尺度的学习动力学来回答这个问题，在原子和非原子游戏。在我们的学习动态中，玩家采用一类学习规则以更快的时间尺度更新他们的策略，而社会规划者以更慢的时间尺度更新激励机制。具体而言，激励机制的更新是基于每个参与者的外部性，外部性被评估为每个时间步中参与者的边际成本与社会边际成本之差。我们发现，我们的学习动力学的任何不动点对应的最优激励机制，使相应的纳什均衡也达到社会最优。我们还提供了充分的条件，学习动态收敛到一个固定点，使自适应激励机制最终诱导社会最优的结果。最后，我们证明了收敛的充分条件满足各种游戏，包括（i）原子网络二次聚合游戏，（ii）原子古诺竞争，和（iii）非原子网络路由游戏。
2022-04-12 cs.GT cs.SY econ.GN
