Rendezvous and Docking of Mobile Ground Robots for Efficient Transportation Systems
FZI Research Center for Information Technology（FZI信息技术研究中心）；Institute of Control Systems Karlsruhe Institute of Technology（控制系统研究所卡尔斯鲁厄大学）
本文提出了一种基于MPC的方法，使移动机器人在任意初始位置实现运动中物理耦合，提升物流效率。
2026-02-23 cs.RO cs.SY eess.SY
Vision and Contact based Optimal Control for Autonomous Trocar Docking
King’s College London（伦敦国王学院）；KU Leuven（鲁汶大学）；Beijing Institute of Technology（北京理工大学）
本文针对自主穿刺器对接问题，提出一种结合插入几何模型与力反馈的最优控制方法，通过非线性优化求解关节构型，在真实机器人上实现插入并降低交互力。
2024-07-31 cs.RO
MPC-based Deep Reinforcement Learning Method for Space Robotic Control with Fuel Sloshing Mitigation
本文提出融合PPO/SAC强化学习与模型预测控制的框架，用于抑制燃料晃动并提升卫星自主对接精度与成功率，实验验证了SAC-MPC的优越性。
2025-09-25 cs.LG cs.RO
Robust Model Predictive Control for Autonomous Vehicles/Self Driving Cars
本文提出一种用于自主车辆前轮控制的鲁棒模型预测控制方法，通过权重调整和在线线性化技术提升控制鲁棒性，并讨论各方法在精度和计算负载上的有效性。
2018-05-22 cs.RO cs.SY eess.SY
Safe Autonomous Docking Maneuvers for a Floating Platform based on Input Sharing Control Barrier Functions
在这篇文章中，我们提出了一个控制策略的问题，安全自主对接的平面浮动平台（滑块），模拟卫星的运动。采用所提出的策略，滑块接近对接端口与正确的方向，保持一个安全的距离，同时始终保持在整个对接机动对接端口上的视觉锁定。控制障碍函数设计用于施加安全、接近方向和视觉锁定约束。滑块的三个控制输入在三个障碍函数之间共享以强制约束。它被证明是共享的控制输入在一个无冲突的方式在渲染定义安全和视觉锁定约束的集合前向不变，并在建立有限时间收敛到视觉锁定模式。无冲突的输入共享确保了二次规划的可行性，所述二次规划生成用于标称控制器的最小侵入性校正，所述标称控制器被设计为跟踪对接端口，使得在整个对接机动中尊重屏障约束。通过各种仿真验证了所提出的控制设计方法的有效性。
2022-09-14 cs.RO cs.SY eess.SY
Distributed nonlinear model predictive control of an autonomous tractor-trailer system
University of Leuven (KU Leuven)（鲁汶大学）；Nanyang Technological University（南洋理工大学）
本文提出了一种快速分布式非线性模型预测控制算法，结合非线性滚动时域估计和参数估计，解决了自动牵引车-拖车系统的轨迹跟踪问题。所提出的控制算法是能够驱动牵引车拖车系统的任何期望的轨迹，确保高控制精度和鲁棒性对环境干扰。
2021-04-20 cs.RO cs.SY eess.SY
Nonplanar Model Predictive Control for Autonomous Vehicles with Recursive Sparse Gaussian Process Dynamics
Department of Electrical & Systems Engineering, University of Pennsylvania（电气与系统工程系，宾夕法尼亚大学）
本文提出了一种基于递归稀疏高斯过程的非平面模型预测控制框架，用于提升自主车辆在复杂地形中的路径跟踪性能。
2026-02-18 cs.RO cs.SY eess.SY
Path-following model predictive control for autonomous e-scooters
University of Stuttgart（斯图加特大学）
针对电动滑板车共享系统挑战，提出基于模型预测控制的自主滑板车路径跟踪方案，实现定位导航与平衡，并在真实实验中验证有效性。
2025-07-09 cs.RO cs.SY eess.SY
Digital Twin of Autonomous Surface Vessels for Safe Maritime Navigation Enabled through Predictive Modeling and Reinforcement Learning
Norwegian University of Science and Technology（挪威科技大学）；SINTEF Digital（SINTEF数字研究院）
本文在现有ASV数字孪生框架上，结合AIS与合成Lidar目标跟踪、NMPC预测安全滤波器和Unity实现，赋予自主水面船预测、情景推演与最优控制决策能力，以提升海上导航安全。
2024-03-30 cs.RO cs.SY eess.SY
Model Predictive Control Approach to Autonomous Formation Flight
Erciyes University（埃尔吉耶斯大学）
本文研究模型预测控制在自主编队飞行中的应用，验证其轨迹跟踪、避障与飞行器间避碰能力，并指出实时实现仍面临挑战。
2023-12-04 cs.RO cs.SY eess.SY
Robust Tube-Based Decentralized Nonlinear Model Predictive Control of an Autonomous Tractor-Trailer System
University of Leuven (KU Leuven)（鲁汶大学）；Nanyang Technological University（南洋理工大学）
本文采用分散控制方法研究了自主牵引车-拖车系统的轨迹跟踪问题。设计了一种完全分散的模型预测控制器，其中忽略子系统之间的相互作用，并假设它们之间是相互扰动的。为了具有鲁棒性设计，提出了一种基于管的方法来处理标称模型和真实系统之间的差异。非线性滚动时域估计用于每次新测量后的状态和参数估计，并将估计值馈送到基于管的鲁棒分散非线性模型预测控制器。所提出的控制方案是能够驱动的牵引车拖车系统的任何期望的轨迹，确保高控制精度和鲁棒性，对被忽视的子系统的相互作用和环境干扰。实验结果表明，在起伏不平的草地上的轨迹跟踪性能准确。
2021-04-05 cs.RO cs.SY eess.SY
LVD-NMPC: A Learning-based Vision Dynamics Approach to Nonlinear Model Predictive Control for Autonomous Vehicles
RovisLab: Robotics, Vision and Control Laboratory（RovisLab：机器人、视觉与控制实验室）；Transilvania University of Brasov（布拉索夫特兰西瓦尼亚大学）；Elektrobit Automotive（Elektrobit 汽车公司）
在本文中，我们介绍了一种基于学习的视觉动力学方法的非线性模型预测控制的自主车辆，创造LVD-NMPC。LVD-NMPC使用先验过程模型和学习的视觉动力学模型来计算驾驶场景的动力学、受控系统的期望状态轨迹和由约束预测控制器优化的二次成本函数的加权增益。视觉系统被定义为一个深度神经网络，旨在估计动态的图像场景。输入是基于感官观察和车辆状态的历史序列，由增强记忆组件集成。深度Q学习用于训练深度网络，一旦训练好，还可以用于计算车辆的期望轨迹。我们评估LVD-NMPC对基线动态窗口方法（DWA）的路径规划执行使用标准NMPC，以及对PilotNet神经网络。在我们的模拟环境GridSim中，在真实世界的1：8比例模型汽车上，以及在真实尺寸的自主测试车辆和nuScenes计算机视觉数据集上测量性能。
2021-05-27 cs.RO cs.SY eess.SY
Learning Model Predictive Control with Error Dynamics Regression for Autonomous Racing
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；University of California Berkeley（加州大学伯克利分校）
本文提出一种学习模型预测控制策略，结合全局物理模型与局部线性误差动力学回归，在仿真、1/10比例硬件及全尺寸IAC赛车上验证，实现了高速操控极限下的鲁棒迭代学习。
2024-03-07 cs.RO cs.SY eess.SY
Driving Context-guided Model Predictive Planning and Control for Autonomous Car Racing at the Limit and Beyond
University of Modena and Reggio Emilia（摩德纳和雷焦艾米利亚大学）；Hipert S.r.l.（Hipert 有限责任公司）
本文提出一种基于模型预测控制的赛车运动规划与控制流水线，通过成本混合状态机适应超车、正常驾驶和反向转向等情境，并在Superformula EAV-25赛车上验证，圈速接近人类最佳成绩的2%以内。
2026-09-14 cs.RO cs.SY eess.SY
Real-Time LPV-Based Non-Linear Model Predictive Control for Robust Trajectory Tracking in Autonomous Vehicles
Department of Electrical Engineering, Indian Institute of Technology Hyderabad (IITH)（电子工程系，印度理工学院海得拉巴（IITH））
本文提出一种基于LPV的实时MPC框架，采用模块化架构和基于曲率的权重调优方法，并在ROS中并行实现，在仿真与实车实验中验证了自动驾驶车辆在高速和激进操控下的高精度鲁棒轨迹跟踪能力。
2025-06-05 cs.RO cs.SY eess.SY
Safe and Performant Deployment of Autonomous Systems via Model Predictive Control and Hamilton-Jacobi Reachability Analysis
Department of Electrical and Computer Engineering, University of Southern California（电气与计算机工程系，南加州大学）；Department of Aeronautics and Astronautics, Stanford University（航空与航天系，斯坦福大学）；Electrical and Computer Engineering Department, New York University（电气与计算机工程系，纽约大学）
本文提出基于MPC和HJ可达性的框架，在保证递归可行性和可扩展至高维系统的前提下优化自主系统任务性能，仿真实验证明其显著提升了安全约束满足度。
2025-06-29 cs.RO cs.SY eess.SY
Contextual Tuning of Model Predictive Control for Autonomous Racing
ETH Zurich（苏黎世联邦理工学院）；SENER Aerospace（赛纳斯航空航天公司）
提出一种基于上下文贝叶斯优化的模型预测控制调节方法，通过学习的动力学模型编码环境条件，同时调整模型和目标，在1:28比例遥控赛车平台上以更少数据实现了跨环境条件的单圈时间优化。
2024-08-22 cs.RO cs.SY eess.SY
Priority-Driven Safe Model Predictive Control Approach to Autonomous Driving Applications
Mechatronics group at the Department of Electrical Engineering, Chalmers University of Technology（楚克大学电气工程系机电组）；Dept. of Electrical and Information Engineering, Italian National Ph.D. DAUSY, Polytechnic of Bari（意大利国家博士项目DAUSY巴里理工学院电子与信息工程系）
本文提出一种优先级驱动的安全模型预测控制方法，通过选择性软化低优先级约束并引入学习近似实现实时执行，在自动驾驶自适应巡航和自动变道场景中有效保障碰撞避免等硬安全约束。
2025-05-09 cs.RO cs.SY eess.SY
Learning Autonomous Docking Operation of Fully Actuated Autonomous Surface Vessel from Expert data
Indian Institute of Technology Madras（马德拉斯印度理工学院）；Marine Autonomous Vehicles Laboratory（海洋自主航行器实验室）；Department of Ocean Engineering（海洋工程系）
本文提出一种基于逆强化学习和两阶段神经网络的全驱动自主水面艇自主靠泊方法，从专家数据学习奖励函数并结合运动规划器生成轨迹，仿真证明其能生成类人靠泊行为。
2024-11-12 cs.RO
Model Predictive Inferential Control of Neural State-Space Models for Autonomous Vehicle Motion Planning
Department of Mechanical Engineering, University of Kansas（机械工程系，堪萨斯大学）；Department of Mathematics, University of Kansas（数学系，堪萨斯大学）；Department of Electrical & Systems Engineering, Washington University in St. Louis（电气与系统工程系，华盛顿大学圣路易斯分校）
针对神经状态空间模型下自动驾驶运动规划的MPC优化难题，本文提出MPIC方法，将原问题转化为贝叶斯估计并设计隐式粒子滤波/平滑方法求解，仿真验证其计算效率与大规模问题求解能力。
2025-11-17 cs.RO cs.SY eess.SY
Onboard Vision and MPC Navigation for Underwater Robots: An Open BlueROV2 Platform for Multi-Robot Experiments & Docking
KTH Royal Institute of Technology（瑞典皇家理工学院）
本文提出一个集成机载视觉与非线性模型预测控制的开源BlueROV2平台，实现水下自主导航与对接，并提供仿真工具与物理对接站，实验验证了感知、估计、跟踪与对接性能。
2026-10-01 cs.RO cs.SY eess.SY
Model Predictive Control For Multiple Castaway Tracking with an Autonomous Aerial Agent
KIOS Research and Innovation Center of Excellence (KIOS CoE)（KIOS卓越研究与创新中心）；University of Cyprus（塞浦路斯大学）
本文针对海难后多落水者追踪任务，提出了一种基于模型预测控制（MPC）的自主无人机框架，结合固定雷达的含噪初始状态与机载有限感知相机，并通过训练CNN从真实数据确定目标探测概率，实验验证了该方法的有效性。
2024-09-20 cs.RO cs.SY eess.SY
Event-Triggered Model Predictive Control with Deep Reinforcement Learning for Autonomous Driving
Michigan State University（密歇根州立大学）；Oakland University（奥克兰大学）
事件触发模型预测控制（eMPC）是一种流行的最优控制方法，其目的是减轻MPC的计算和/或通信负担。然而，它通常需要先验知识的闭环系统行为以及通信特性的设计事件触发策略。本文试图通过提出一个有效的eMPC框架来解决这一挑战，并展示了该框架在自动驾驶车辆路径跟踪上的成功实施。首先，一个无模型强化学习（RL）代理被用来学习最优的事件触发策略，而不需要一个完整的动力学系统和通信知识在这个框架。此外，包括优先经验重放（PER）缓冲区和长短期记忆（LSTM）的技术被用来促进探索和提高训练效率。在本文中，我们将所提出的框架与三种深度RL算法一起使用，即，双Q学习（DDQN）、近端策略优化（PPO）和软行为者-批评者（SAC）来解决这个问题。实验结果表明，与传统的基于阈值和线性Q的方法相比，这三种基于深度RL的eMPC（deep-RL-eMPC）在自主路径跟踪中均能获得更好的评价性能。特别是，具有LSTM的PPO-eMPC和具有PER和LSTM的DDQN-eMPC在闭环控制性能和事件触发频率之间获得了更好的平衡。相关代码是开源的，可在https://github.com/DangFengying/RL-based-event-triggered-MPC上获得。
2022-08-22 cs.RO cs.SY eess.SY
Model Predictive Control with Gaussian-Process-Supported Dynamical Constraints for Autonomous Vehicles
Technical University of Darmstadt（达姆施塔特工业大学）；Otto-von-Guericke University Magdeburg（马格德堡奥托·冯·格里克大学）
我们提出了一种自动驾驶汽车的模型预测控制方法，该方法利用学习的高斯过程来预测人类的驾驶行为。所提出的方法采用GP的预测，以实现安全的不确定性。多模式预测控制方法考虑人类驾驶员的可能意图。虽然意图由不同的高斯过程表示，但其在所观察到的行为中预见的概率由合适的在线分类确定。低于某个概率阈值的意图被忽略以提高性能。所提出的多模式模型预测控制方法与高斯过程回归支持，使重复的可行性和概率约束满足高概率。该方法强调在模拟中，考虑现实世界的测量训练高斯过程。
2023-03-08 cs.LG cs.RO cs.SY
Interaction-Aware Trajectory Planning for Autonomous Vehicles with Analytic Integration of Neural Networks into Model Predictive Control
Michigan State University（密歇根州立大学）；Honda Research Institute（本田研究院）；Massachusetts Institute of Technology（麻省理工学院）
针对自动驾驶车辆保守规划导致性能下降和交通拥堵的问题，提出将神经网络交互轨迹预测器解析集成进模型预测控制，采用ADMM求解并证明收敛，实证优于基线启发式方法。
2023-03-02 cs.RO cs.SY eess.SY
Information Theoretic Model Predictive Control: Theory and Applications to Autonomous Driving
Georgia Institute of Technology（佐治亚理工学院）
我们提出了一个信息理论的方法来随机最优控制问题，可以用来获得一般的采样为基础的优化方案。利用这一新的数学方法，提出了一种基于采样的模型预测控制算法。我们将这种信息理论模型预测控制（IT-MPC）方案应用于污垢测试轨道周围的主动自动驾驶任务，并将其性能与交叉熵方法的模型预测控制版本进行比较。
2017-07-07 cs.RO
Safe Hierarchical Model Predictive Control and Planning for Autonomous Systems
Otto von Guericke University（奥托·冯·格里克大学）；German Aerospace Center (DLR)（德国航空航天中心（DLR））；Technical University of Darmstadt（达姆施塔特工业大学）
自动驾驶车辆的规划和控制通常是分层分离的。然而，不断提高的性能要求和在高度动态的环境中运行需要频繁地重新评估规划，并将控制和规划紧密集成，以确保安全。我们提出了一个集成的分层预测控制和规划方法来应对这一挑战。规划器和控制器是基于滚动时域最优控制问题的重复求解。该规划器可以选择不同的低层控制器模式，以增加灵活性和性能，而不是使用一个单一的控制器与大的安全裕度下的不确定性避免碰撞。规划是基于简化的系统动力学和安全性，但灵活的操作是通过基于混合整数线性规划公式的约束收紧来确保的。基于循环时域管的模型预测控制器保证了对不同控制模式和干扰的约束满足。这种模式的例子是具有高精度的低速运动和具有大的不确定性界限的高速运动。允许不同的控制模式减少了保守性，而问题的分层分解降低了计算成本，并使实时实现。我们推导出递归可行性的条件，以确保约束满足和避障，以保证安全，并确保层和模式之间的兼容性。仿真结果验证了所提出的分层策略的有效性和适用性。
2022-03-27 cs.RO cs.SY eess.SY
Gaussian Process-based Stochastic Model Predictive Control for Overtaking in Autonomous Racing
Georgia Institute of Technology（佐治亚理工学院）；Twentieth Century Fox（二十世纪福克斯）；Starfleet Academy（星际舰队学院）；Tyrell Inc.（泰瑞尔公司）
赛车的一个基本方面是超越其他赛车。鉴于以前的研究主要集中在自主赛车圈的时间优化，在这里，我们提出了一种方法来规划超车机动自主赛车。高斯过程用于学习领先车辆的行为。基于高斯过程的输出，随机模型预测控制算法规划乐观的轨迹，使得受控的自主赛车能够超越领先车辆。在一个简单的模拟场景中测试所提出的方法。
2021-05-25 cs.RO
Learning Residual Model of Model Predictive Control via Random Forests for Autonomous Driving
Xi’an Jiaotong University（西安交通大学）
针对自动驾驶中基于学习的MPC预测精度与计算效率矛盾，提出利用随机森林和线性回归的分层残差模型，将问题转化为QP求解，显著提升跟踪精度且计算消耗低于GP-NMPC。
2023-04-10 cs.LG cs.RO cs.SY
Control System Design and Experiments for Autonomous Underwater Helicopter Docking Procedure Based on Acoustic-inertial-optical Guidance
Ocean college,Zhejiang University（浙江大学海洋学院）；Hainan Institute,Zhejiang University（浙江大学海南研究院）
针对自主水下直升机对接的高机动性要求，提出分归航、着陆两阶段的声-惯-光引导控制系统，采用分段对准等策略及对接判定准则，经水池和海试验证了有效性与鲁棒性。
2024-10-09 cs.RO
Model predictive approach to integrated path planning and tracking for autonomous vehicles
National Institute of Informatics（国立信息学研究所）；Hunan University（湖南大学）
在自主应用的路径规划问题中，现有的研究都是将自主车辆的路径规划和轨迹跟踪控制分开考虑，很少将轨迹规划和轨迹控制结合起来。为了填补这一研究空白，本研究提出了一种集成的轨迹规划和轨迹控制方法。本文还研究了考虑静态和动态障碍物的自主避碰问题。仿真结果表明了所提出的控制方法的有效性。
2019-05-09 cs.RO math.DS
DA-VPC: Disturbance-Aware Visual Predictive Control Scheme of Docking Maneuvers for Autonomous Trolley Collection
DA-VPC通过结合主动红外标记和扩展状态观测器，实现了在复杂环境下的高精度推车对接控制。
2026-03-01 cs.RO
Neural Network Based Model Predictive Control for an Autonomous Vehicle
Lab-STICC（Lab-STICC实验室）；ENSTA-Bretagne（布列塔尼国立高等先进技术学院）；LIX（LIX实验室）；Ecole Polytechnique（巴黎综合理工学院）；CNRS（法国国家科学研究中心）；Institut Polytechnique de Paris（巴黎理工学院）
我们研究基于学习的控制器作为模型预测控制器（MPC）的自动驾驶汽车的控制的替代品。我们集中在简单而有代表性的自行车模型上进行实验。我们比较了监督学习和强化学习的训练。我们还讨论了神经网络的结构，以获得最佳性能的小网络。这项工作的目的是生产控制器，既可以嵌入在实时平台上，并服从形式化方法技术的验证。
2021-07-30 cs.AI cs.RO
Autonomous Docking of Multi-Rotor UAVs on Blimps under the Influence of Wind Gusts
University of Stuttgart, Faculty of Aerospace Engineering and Geodesy, Institute of Flight Mechanics and Control (iFR), Flight Robotics and Perception Group (FRPG)（斯图加特大学航空航天工程与大地测量学院飞行力学与控制研究所飞行机器人与感知组）；Max Planck Institute for Intelligent Systems, Tübingen, Perceiving Systems Department（马克斯·普朗克智能系统研究所图宾根感知系统部门）
本文提出了一种基于时间卷积网络和模型预测控制器的自主多旋翼无人机与飞艇对接策略，有效应对风暴影响，实现了无碰撞对接。
2025-11-24 cs.RO
Data-Driven Model Predictive Control of Autonomous Mobility-on-Demand Systems
Stanford University（斯坦福大学）；Houzz Inc.（Houzz公司）
本文提出一种端到端的数据驱动框架，用于控制自动驾驶按需出行系统，通过时间扩展网络建模并设计MPC算法，利用历史数据预测短期需求，减少乘客等待时间达89.6%。
2017-09-20 cs.MA cs.RO cs.SY
Learning to Dock: A Simulation-based Study on Closing the Sim2Real Gap in Autonomous Underwater Docking
Collaborative Robotics and Intelligent Systems (CoRIS) Institute（协作机器人与智能系统研究所）
本研究通过仿真训练多种控制器并在现实扰动下评估，探索了缩小AUV自主对接中Sim2Real差距的方法，包括随机化技术和历史条件控制器，为提升对接鲁棒性提供了见解。
2025-06-21 cs.AI cs.LG cs.RO
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
Model Predictive Control for Autonomous Driving Based on Time Scaled Collision Cone
IIIT-Hyderabad（印度国际信息技术研究所海得拉巴分校）；Tampere University of Technology（坦佩雷理工大学）；Mathworks Inc.（Mathworks公司）
本文提出了一种基于路径速度分解范式的自动驾驶模型预测控制框架。基于MPC的优化具有两层结构，其中首先，为车辆计算适当的路径，然后计算沿其的最佳前进速度。所提出的路径速度分解的性质允许优化的两层之间的无缝兼容性。所提出的工作的一个关键特征是，它卸载的碰撞避免的速度优化层的计算效率的配方可以推导出的大部分责任。特别是，我们扩展了我们以前开发的时间尺度碰撞锥（TSCC）约束的概念，并制定了前向速度优化层作为一个凸二次规划问题。我们对自动驾驶场景进行验证，其中提出的MPC以滚动时域的方式重复求解两个优化层，以计算多个动态障碍物之间的车道变换，超车和合并机动。
2018-03-07 cs.RO
Deep Reinforcement Learning for Continuous Docking Control of Autonomous Underwater Vehicles: A Benchmarking Study
Bonn-Rhein-Sieg University of Applied Sciences（波恩-莱茵-锡格应用技术大学）；German Research Center for Artificial Intelligence（德国人工智能研究中心）
自主式水下航行器（AUV）的对接控制是实现持续长期自主性不可或缺的任务。这项工作探讨了最先进的无模型深度强化学习（DRL）方法在连续域中的AUV对接任务中的应用。我们提供了一个详细的制定奖励功能，利用成功对接的AUV到一个固定的对接平台。我们的工作与以前的方法不同的一个主要贡献是使用物理模拟器来定义和模拟水下环境以及DeepLeng AUV。我们提出了一个新的奖励函数制定对接任务，纳入几个组件，优于以前的奖励配方。我们评估近端策略优化（PPO），双延迟深度确定性策略梯度（TD 3）和软演员批评（SAC）结合我们的奖励函数。我们的评估得出的结果最终表明，TD 3代理在对接AUV方面是最有效和一致的，在多次评估运行中，它实现了100%的成功率和10667.1 +- 688.8的事件返回。我们还展示了我们的奖励函数公式是如何在最先进的水平上得到改进的。
2021-08-05 cs.LG cs.RO
Game-Theoretic Model Predictive Control with Data-Driven Identification of Vehicle Model for Head-to-Head Autonomous Racing
Korea Advanced Institute of Science and Technology（韩国科学技术院）
解决自动驾驶中的边缘案例，头对头的自动驾驶赛车正受到业界和学术界的广泛关注。在这项研究中，我们提出了一个博弈论的模型预测控制（MPC）的方法，头对头自主赛车和数据驱动的模型识别方法。对于非线性模型参数的实际估计，我们采用了机器学习中用于神经模型训练的超带算法。该控制器包括三个模块：1）基于比赛的对手轨迹预测器，2）高级比赛策略规划器，3）基于MPC的低级控制器。基于游戏的预测器旨在预测竞争对手的未来轨迹。基于预测结果，高级竞赛策略规划器规划若干行为以响应各种竞赛环境。最后，基于MPC的控制器计算最优控制命令以跟随轨迹。所提出的方法在各种比赛情况下，在印地自主挑战赛的官方模拟器进行了验证。实验结果表明，该方法可以有效地超越竞争对手，同时驾驶通过赛道尽可能快，没有碰撞。
2021-06-08 cs.RO
Non-linear Model Predictive Control for Multi-task GPS-free Autonomous Navigation in Vineyards
Politecnico di Torino（都灵理工大学）
针对葡萄园 GPS 失效场景，提出基于单目 RGB-D 相机与非线性模型预测控制的无位置依赖导航系统，可适应不同作物间距并完成穿行和目标接近任务。
2024-04-08 cs.RO
Motion Planning for Autonomous Vehicles: When Model Predictive Control Meets Ensemble Kalman Smoothing
Department of Mechanical Engineering, University of Kansas（机械工程系，堪萨斯大学）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
本文将基于神经网络车辆模型的NMPC运动规划重构为贝叶斯估计问题，并用序贯集合卡尔曼平滑器求解，显著降低计算成本。
2025-05-10 cs.RO
Design and Control of the "TransBoat": A Transformable Unmanned Surface Vehicle for Overwater Construction
Shenzhen Institute of Artificial Intelligence and Robotics for Society (AIRS)（深圳市人工智能与机器人研究院）；The Chinese University of Hong Kong, Shenzhen (CUHK-Shenzhen)（香港中文大学（深圳））；School of Science and Engineering (SSE), The Chinese University of Hong Kong, Shenzhen (CUHK-Shenzhen)（香港中文大学（深圳）理工学院）
本文提出一种可变形无人水面艇TransBoat，通过扩展船体和NMPC控制抑制波浪扰动，实现水上结构建造，实验验证其对接性能提升和施工可行性。
2022-12-07 cs.RO
Deep Reinforcement-Learning-Guided Model Predictive Control for Preventing Overtakes in Autonomous Racing
University of Michigan（密歇根大学）；National University of Singapore（新加坡国立大学）
研究自主赛车防御性阻挡问题，通过分层强化学习引导的模型预测控制框架，将防御转化为空间占用调节问题。在仿真中提升平均超车时间，减少对手前进距离，使车辆有效利用轮胎力，且求解时间短，支持实时高速对抗。
2026-07-24 cs.RO
A Nonlinear Model Predictive Control Strategy for Autonomous Racing of Scale Vehicles
University of Sannio（萨尼奥大学）；Czech Technical University in Prague（捷克布拉格技术大学）；Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）
提出了一种非线性模型预测控制（NMPC）策略，旨在控制一个小规模的汽车模型的自主赛车比赛。建议的控制策略是关注最小化的单圈时间，同时保持车辆在轨道边界。优化问题考虑了车辆的驱动限制和横向和纵向力作用在汽车上，通过Pacejka的魔术公式和一个简单的传动系统模型建模。此外，该方法允许安全地在由静态障碍物填充的轨道上比赛，生成无碰撞轨迹并跟踪它们，同时提高圈计时性能。利用F1/10仿真器进行的露台仿真验证了所提控制策略的可行性和有效性。该代码以开源形式发布，使得复制所获得的结果成为可能。
2023-02-09 cs.RO
Aggressive Deep Driving: Model Predictive Control with a CNN Cost Model
Georgia Institute of Technology（佐治亚理工学院）
我们提出了一个框架，基于视觉的模型预测控制（MPC）的任务积极，高速自动驾驶。我们的方法使用深度卷积神经网络来预测输入视频的成本函数，这些成本函数直接适用于MPC的在线轨迹优化。我们在高速自动驾驶场景中演示了该方法，在该场景中，我们使用单个单目摄像头和深度卷积神经网络来预测车辆前方赛道的成本图。实验结果在1：5比例的自动驾驶汽车上进行了演示，任务是高速、激进的驾驶。
2017-07-17 cs.RO
Safe Motion Planning and Control Using Predictive and Adaptive Barrier Methods for Autonomous Surface Vessels
SENSEable City Laboratory, Massachusetts Institute of Technology（麻省理工学院可感知城市实验室）
针对自主水面船舶传统运动规划方法计算量大或过于保守的问题，本文结合MPC与自适应膨胀椭圆障碍物表示的高阶CBFs，提出安全运动规划策略，经仿真与实船实验验证可在保障安全的同时实现狭窄空间实时通行与死锁解决。
2025-10-01 cs.RO
Actor-Critic Cooperative Compensation to Model Predictive Control for Off-Road Autonomous Vehicles Under Unknown Dynamics
Department of Automotive Engineering, Clemson University（汽车工程系，克莱姆森大学）；Ground Vehicle Systems Center, U.S. Army Combat Capabilities Development Command（地面车辆系统中心，美国陆军作战能力发展指挥部）
本研究提出了一种结合深度强化学习与模型预测控制的AC3MPC控制器，用于提升越野自主车辆在未知动态环境下的控制性能。
2026-01-26 cs.RO
ColibriDoc: An Eye-in-Hand Autonomous Trocar Docking System
Technische Universität München（慕尼黑工业大学）；Sun Yat-sen University（中山大学）；Johns Hopkins Hospital（约翰斯·霍普金斯医院）；Johns Hopkins University（约翰斯·霍普金斯大学）
视网膜手术是一个复杂的医疗程序，需要特殊的专业知识和灵巧。为此，目前正在开发几种机器人平台，以实现或改善显微手术任务的结果。由于这种机器人的控制通常被设计用于在眼睛内部接近视网膜的导航，因此成功的套管针对接和将仪器插入眼睛中代表了额外的认知努力，并且因此是机器人视网膜手术中的公开挑战之一。为此，我们提出了一个平台，自主套管针对接，结合计算机视觉和机器人设置。受古巴Colibri（蜂鸟）的启发，我们将摄像机安装在机器人系统的末端效应器上。通过估计套管针的位置和姿态，机器人能够自主地对准器械并将其导航到套管针的进入点（TEP），并最终执行插入。实验结果表明，该方法能够准确估计出套管针的位姿，实现可重复的自主对接。这项工作的目的是降低手术任务前机器人设置准备的复杂性，从而增加系统集成到临床工作流程中的直观性。
2021-11-30 cs.CV cs.RO
Sampling for Model Predictive Trajectory Planning in Autonomous Driving using Normalizing Flows
IEEE
本文提出基于归一化流的采样方法，用于提高自动驾驶轨迹规划的效率和探索能力。
2026-02-06 cs.LG cs.RO
Model Predictive Control for Autonomous Driving considering Actuator Dynamics
International Institute of Information Technology, Hyderabad（海得拉巴国际信息技术学院）；Tampere University of technology（坦佩雷理工大学）
在本文中，我们提出了一种新的模型预测控制（MPC）制定的自动驾驶。我们的MPC的新颖性源于以下结果。首先，我们采用交替最小化的方法，其中线速度和角加速度交替优化。我们表明，在对比的联合优化，交替最小化更好地利用问题的结构，这反过来又转化为减少计算时间。其次，我们的MPC明确纳入了时间相关的非线性致动器动态捕捉车辆的瞬态响应给定的命令速度。这种增加的复杂性提高了预测组件的MPC，从而提高了裕度的车辆间的距离在操纵，如超车，换道等，虽然，过去的作品也纳入了致动器的动态MPC，有很少的尝试耦合致动器的动态碰撞避免约束通过非完整运动模型的车辆和分析所产生的行为。我们使用一个高保真度的模拟器来基准我们的致动器动态增强MPC与其他相关的方法，如车辆间的距离，轨迹平滑度，速度过冲的指标。
2018-10-12 cs.RO
Nonlinear Model Predictive Control with Obstacle Avoidance Constraints for Autonomous Navigation in a Canal Environment
Korea Advanced Institute of Science and Technology（韩国科学技术院）
针对运河狭窄环境下小型巡航船的自主导航需求，提出带避障约束的非线性模型预测控制方法，通过系统辨识适配船舶动力学，结合LiDAR点云构建避障约束，经浦项运河实地实验验证了有效性。
2023-07-19 cs.RO
Model predictive trajectory optimization and tracking for on-road autonomous vehicles
Samsung（三星）；The Ohio State University（俄亥俄州立大学）
自主车辆的运动规划需要时空运动规划（即状态轨迹）来考虑动态障碍物。这需要一个轨迹跟踪控制过程，它忠实地跟踪规划的轨迹。在本文中，提出了一种控制方案，首先优化规划的轨迹，然后使用反馈-前馈控制器跟踪优化的轨迹。前馈元件以模型预测的方式计算，其中成本函数关注驾驶性能。然后通过设计反馈-前馈控制器来保证误差动态的稳定性。控制系统的跟踪性能进行了测试，在一个现实的模拟情况下，控制系统必须跟踪规避横向机动。所提出的控制器在仿真中表现良好，可以很容易地适应不同的动态车辆模型。控制综合的唯一性解决方案消除了任何不确定性，可能会出现与底层的数学程序之间的数值求解器切换。
2018-11-11 cs.RO math.OC
Autonomous Tissue Manipulation via Surgical Robot Using Learning Based Model Predictive Control
组织操作是任何外科手术中经常使用的基本子任务，并且在某些情况下，它可能需要外科医生助理的参与。作为非结构化环境的软组织的复杂动力学是通过手术机器人系统对其进行自动化操纵的任何尝试的主要挑战之一。提出并研究了两种基于人工智能学习的采用视觉策略的模型预测控制算法：（1）强化学习和（2）从演示中进行示教学习。这些AI算法在仿真环境中的性能比较表明，从演示示教学习算法可以通过初始化给定演示的预测动态来提高学习策略。此外，示教学习算法在Raven IV手术机器人系统上实现，并使用实验方法成功地证明了所提出的算法的可行性。这项研究是一个深刻的愿景的一部分，其中外科医生的角色将被重新定义为一个纯粹的决策者，而绝大多数的操作将由手术机器人系统自主进行。补充视频可以在以下网站找到：http://bionics.seas.ucla.edu/research/surgeryproject17.html
2019-03-03 cs.RO
