Online Guaranteed Reachable Set Approximation for Systems with Changed Dynamics and Control Authority
本文提出了一种有效地计算动态变化和控制权减小的非线性控制系统的前向可达集的内、外近似的方法，给出了标称系统的先验计算可达集。该方法通过基于系统的轨迹偏差增长动态的先验知识来收缩或膨胀预先计算的可达集来起作用，这取决于期望的是内部近似还是外部近似。这些动力学确定了两个轨迹之间的最小偏差的上界，这两个轨迹分别是使用标称控制输入在标称系统上产生的，以及由受损系统基于减少的一组控制输入产生的。动态依赖于给定的Hausdorff距离之间的标称集的容许控制和可能未知的受损空间的容许控制，以及标称和非标称动态之间的变化率的界限。由于它的计算效率相比，直接计算的偏离标称可达集，该程序可以应用于板上的容错路径规划和故障恢复。此外，该算法不需要凸的可达集不同于我们以前的工作，从而使它适合于一般使用。我们提出了一些实施的考虑，我们的算法，我们提出了三个说明性的例子，即应用程序的航向动力学的船舶，下三角动力系统，耦合线性子系统的系统。
2022-03-19 cs.SY eess.SY math.OC
Data-Driven Synthesis of Optimization-Based Controllers for Regulation of Unknown Linear Systems
本文提出了一个数据驱动的框架来解决与未知线性动力系统相关的时变最优化问题。在许多现代工程应用中，做出在线控制决策来调节动力系统以解决最优化问题是中心目标。然而，现有的方法严重依赖于系统动态的精确知识，因此在设计控制器之前需要一个初步的系统辨识阶段。在这项工作中，我们利用行为理论的结果表明，稳态的线性系统的传递函数可以从数据样本计算，没有任何知识或估计的系统模型。然后，我们使用这种数据驱动的表示设计一个控制器，灵感来自梯度下降最优化方法，调节系统的凸优化问题的解决方案，而不需要任何知识的时变干扰影响模型方程。结果是定制的成本函数满足Polyak-Jasojasiewicz不等式。
2021-09-07 math.OC
Data-driven Reachable Set Estimation with Tunable Adversarial and Wasserstein Distributional Guarantees
Department of Mechanical Engineering, Eindhoven University of Technology（埃因霍温理工大学机械工程系）
本文研究了未知离散时间动态系统在有限时间 horizon 内的数据驱动可达集估计，通过场景优化方法在保持未来轨迹包含的概率保证下，提出可调的可达集大小与轨迹包含的权衡方法，并扩展至对抗鲁棒场景优化以应对观测轨迹的扰动。
2026-04-14 cs.LG cs.SY eess.SY
On-The-Fly Control of Unknown Systems: From Side Information to Performance Guarantees through Reachability
我们开发数据驱动的算法，可达性分析和控制系统的先验未知的非线性动力学。所得到的算法不仅适用于具有实时要求的设置，而且还提供可证明的性能保证。为此，他们合并噪声数据，只有一个有限的地平线轨迹，如果可用的话，各种形式的边信息。这样的辅助信息可以包括动态的规律性、对状态的代数约束、单调性或状态之间的动态解耦的知识。具体来说，我们开发了两个算法，$\texttt{DaTaReach}$和$\texttt{DaTaControl}$，过近似的可达集和设计控制信号的系统上飞。$\texttt{DaTaReach}$构造了一个包含未知动力学的微分包含。然后，在一个离散时间设置，它过近似的可达集通过区间泰勒为基础的方法应用于系统的动态微分包含。我们提供了一个边界上的时间步长，以确保正确性和终止的$\texttt{DaTaReach}$。$\texttt{DaTaControl}$使用计算的过近似和滚动时域控制框架实现基于凸优化的控制。此外，$\texttt{DaTaControl}$实现了近最优控制，适合于此类系统的实时控制。我们建立了一个界限，它的次优性和原始操作的数量，它需要计算控制值。然后，我们从理论上表明，$\texttt{DaTaControl}$实现更严格的次优性边界的数据量和丰富的边信息的增加。最后，在单旋翼、四旋翼和飞机系统上的实验证明了这两种算法在现有方法上的有效性。
2021-12-16 cs.SY eess.SY math.OC
Data informativity for analysis of linear systems with convex conic constraints
研究约束系统的能达性和零能控性的信息性问题。准确地说，我们将专注于一个未知的线性系凸锥约束，我们测量数据组成的精确状态轨迹的有限长度。我们感兴趣的是在测量数据的基础上对这种未知系统进行系统分析。然而，从这种测量中，只有在非常有限的情况下才有可能获得解释数据的独特系统。这意味着我们不能使用结合基于模型的分析的系统辨识来处理这个问题。因此，我们将在数据上制定条件，在这些条件下，任何与测量一致的系统都保证是可达的或零可控的。这些条件是根据谱条件和子空间包含来陈述的，因此它们易于验证。
2021-04-30 math.OC
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
Online Stochastic Optimization for Unknown Linear Systems: Data-Driven Synthesis and Controller Analysis
本文提出了一个数据驱动的控制框架，以调节一个未知的，随机线性动力系统的（随机）凸优化问题的解决方案。尽管这个问题的中心，大多数可用的方法关键依赖于系统动态的精确知识（因此需要离线系统辨识和模型细化）。为此，在本文中，我们首先表明，稳态传递函数的线性系可以直接计算控制实验，绕过明确的模型识别。然后，我们利用估计的传递函数来设计一个控制器-这是随机梯度下降法的启发-调节系统的解决方案，规定的最优化问题。我们的方法的一个显着特点是，他们不需要任何知识的系统动力学，干扰项，或其分布。我们的技术分析结合了行为系统理论、具有决策依赖分布的随机最优化和稳定性分析的概念和工具。我们说明了在曼哈顿，纽约州的移动按需乘坐服务调度的案例研究的框架的适用性。
2021-08-30 cs.SY eess.SY math.OC
Scalable Data-Driven Reachability Analysis and Control via Koopman Operators with Conformal Coverage Guarantees
Georgia Institute of Technology（佐治亚理工学院）；School of ECE（电子工程学院）；Schools of Cybersecurity & Privacy & Aerospace Eng（网络安全与隐私及航空航天工程学院）
本文提出基于Koopman算子的可扩展数据驱动可达性分析与控制方法，通过符合预测保证系统覆盖，提升高维任务的可达集覆盖率和计算效率。
2026-01-03 cs.AI cs.LG cs.RO
Adaptive tracking MPC for nonlinear systems via online linear system identification
针对未知非线性系统控制问题，提出基于移动窗口在线线性辨识的自适应跟踪MPC方案，证明其最优可达平衡点的实际指数稳定性，仿真验证其性能优于基于基本引理的直接数据驱动MPC。
2024-05-16 cs.SY eess.SY math.OC
Controller Synthesis for Discrete-Time Polynomial Systems via Occupation Measures
Computer Science and Artificial Intelligence Laboratory, Massachusetts Institute of Technology（计算机科学与人工智能实验室，麻省理工学院）
本文通过占用测度方法为离散时间多项式动力系统设计非线性状态反馈控制器，将控制器合成问题转化为无限维线性规划问题，并通过松弛为有限维半正定规划问题，从而提取非线性控制器，该方法具有计算复杂度低且可扩展性强的优势。
2018-07-26 cs.RO cs.SY eess.SY
Control analysis and synthesis for general control-affine systems
Washington University in St. Louis（圣路易斯华盛顿大学）
针对一般控制仿射系统，引入依赖轨迹的Gramian映射，结合Banach不动点定理给出可控性准则与显式控制器，经案例验证可扩大可达目标，且扩展至非线性控制仿射系统。
2026-08-21 math.CA math.DS math.OC
Safety Beyond the Training Data: Robust Out-of-Distribution MPC via Conformalized System Level Synthesis
Georgia Institute of Technology（佐治亚理工学院）；ETH Zurich（苏黎世联邦理工学院）
本文提出一种基于符合预测和系统级合成的方法，用于在分布外情况下实现稳健的非线性模型预测控制，提升系统安全性和鲁棒性。
2026-02-12 cs.LG cs.RO cs.SY
Scalable Safety-Preserving Robust Control Synthesis for Continuous-Time Linear Systems
University of California at Berkeley（加州大学伯克利分校）；University of British Columbia（不列颠哥伦比亚大学）；University of New Mexico（新墨西哥大学）
本文提出了一种可扩展的安全保持鲁棒控制器，用于受加性未知但有界的扰动或不确定性的约束连续时间线性时不变系统。方法基于保守近似判别核，利用鲁棒最大可达集进行计算，结合椭球技术实现多项式复杂度的分段椭球算法，用于生成安全保持的状态反馈控制器。
2013-12-12 cs.SY eess.SY math.OC
Technical Report: Convex Optimization of Nonlinear Feedback Controllers via Occupation Measures
Massachusetts Institute of Technology（麻省理工学院）
本文提出了一种设计多项式系统反馈控制器的方法，通过最大化时间限制的反向可达集大小，利用占据措施将合成问题转化为无限维线性规划，并通过半正定规划进行有限维近似。方法具有凸性且无需初始化。
2013-05-31 cs.RO cs.SY eess.SY
On the Synthesis of Bellman Inequalities for Data-Driven Optimal Control
在数据驱动控制的线性规划（LP）方法的背景下，假设动力系统是未知的，但可以通过其演变的数据间接观察。理论和经验证据都表明，所需的次优差距往往只有通过对状态空间的大规模探索才能实现。在线性系的情况下，我们讨论了如何利用一个相对较小但足够丰富的数据集来离线生成新的约束，而无需观察相应的转换。此外，我们展示了如何重建相关的未知阶段成本，当系统是随机的，我们提供的见解估计的期望值在贝尔曼算子的相关问题，而无需重新初始化的动态在相同的状态输入对。
2021-09-27 cs.SY eess.SY math.OC
Learning convex bounds for linear quadratic control policy synthesis
Department of Information Technology（信息技术系）；Uppsala University（乌普萨拉大学）；Sweden（瑞典（注：此处瑞典为国家，按要求不应提取，原数据可能存在错误或混淆，正确机构应为前两者））
学习在动态环境中根据观察到的数据做出决策仍然是人工智能和机器人技术、医学和金融等许多领域的一个重要问题。研究了未知线性动态系统的学习控制策略问题，以最大化二次型报酬函数。我们提出了一种方法来优化的期望值的奖励超过后验分布的未知系统参数，给定的数据。该算法涉及序列凸规划，并享有可靠的局部收敛性和鲁棒稳定性保证。数值模拟和稳定的一个现实世界的倒立摆被用来证明这种方法，具有很强的性能和鲁棒性观察。
2018-06-01 cs.LG math.OC stat.ML
Dynamic Output-Feedback Controller Synthesis for Dissipativity and $H_2$ Performance from Noisy Input-Output Data
Faculty of Mechanical Engineering and Naval Architecture, University of Zagreb（机械与船舶工程学院，萨格勒布大学）；Electrical Engineering Faculty, Eindhoven University of Technology（电气工程学院，埃因霍温理工大学）
针对离散时间线性时不变系统，提出利用含噪输入输出数据直接综合动态输出反馈控制器的方法，以实现给定二次供给率下的耗散性或$H_2$性能，方法基于线性矩阵不等式且无保守性。
2026-07-21 cs.SY eess.SY math.OC
Dynamic Output-Feedback Controller Synthesis for Dissipativity and $H_2$ Performance from Noisy Input-State Data
Faculty of Mechanical Engineering and Naval Architecture, University of Zagreb（萨格勒布大学机械与船舶工程学院）；Electrical Engineering Faculty, Eindhoven University of Technology（埃因霍温理工大学电气工程学院）
本文针对噪声输入-状态数据，提出动态输出反馈控制器综合方法，实现系统 dissipativity 和 $H_2$ 性能，通过线性矩阵不等式参数化标量变量，非保守地完成控制器设计。
2026-07-21 cs.SY eess.SY math.OC
Unknown Input Observer Design for a class of Semilinear Hyperbolic Systems with Dynamic Boundary Conditions
研究了具有增量扇区有界非线性项和未知边界输入的PDE/ODE耦合系统的未知输入观测器设计问题。假设在分布域的边界上有可用的测量，未知输入观测器的综合是基于李雅普诺夫方法和凸优化。数值模拟支持和证实了理论研究结果，说明了所提出的非线性未知输入观测器的鲁棒估计性能。
2022-11-30 cs.SY eess.SY math.DS
Safe Control Synthesis with Uncertain Dynamics and Constraints
University of California San Diego（加州大学圣地亚哥分校）；University of Maine（缅因大学）
本文研究了动力系统的安全控制综合问题，该系统的动力学模型和安全约束都具有概率或最坏情况的不确定性。我们制定新的概率和鲁棒（最坏情况下）控制李雅普诺夫函数（CLF）和控制障碍函数（CBF）的限制，考虑到在任何情况下的不确定性的影响。我们表明，无论是概率或强大的（最坏情况下）制定导致二阶锥程序（SOCP），这使得有效的安全和稳定的控制合成。我们评估我们的方法在PyBullet模拟的自主机器人在未知环境中导航，并比较性能与基线CLF-CBF二次规划方法。
2022-09-30 cs.RO math.OC
Reach-Stabilize Control of Control-Affine Systems with Unknown Affine Parameters
University of Maryland, Baltimore County（马里兰大学巴尔的摩分校）；Arizona State University（亚利桑那州立大学）
本文针对具有未知仿射参数的控制仿射系统，设计了一种结合估计器与二次规划的控制策略，实现了安全集的可达性及目标点的指数稳定，数值示例验证了其有效性
2026-10-09 cs.SY eess.SY math.OC
Finite-Sample-Based Reachability for Safe Control with Gaussian Process Dynamics
ETH AI Center, ETH Zurich（苏黎世联邦理工学院人工智能中心）；Institute for Dynamic Systems and Control, ETH Zurich（苏黎世联邦理工学院动态系统与控制研究所）；Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系）
针对现有GP-MPC缺乏保证或过于保守的问题，提出基于有限后验动力学样本传播不确定性的可达集构造与安全MPPC框架，并以高概率保证递归可行性、闭环安全与稳定。
2025-05-12 cs.LG cs.SY eess.SY
Online Adversarial Stabilization of Unknown Networked Systems
研究了在通信约束和对抗干扰下的未知网络化线性系统的镇定问题。我们提出了第一个可证明稳定的算法的问题。该算法使用一个分布式版本的嵌套凸体追逐保持一致的估计的网络动态和应用系统级综合，以确定一个分布式控制器的基础上，这个估计模型。我们的方法避免了系统辨识的需要，并容纳了广泛的通信延迟，同时被完全分布和缩放有利的子系统的数量。
2023-01-22 cs.SY eess.SY math.OC
Linear tracking MPC for nonlinear systems Part II: The data-driven case
提出了一种新的数据驱动的模型预测控制（MPC）方法来控制未知的非线性系统仅使用测量的输入输出数据与闭环稳定性保证。我们的计划依赖于数据驱动的系统参数化提供的基本引理Willems等人。我们使用新的输入输出测量在线更新数据，利用本地线性逼近的底层系统。我们证明，我们的MPC计划，这只需要解决严格凸二次规划在线，确保闭环（实际）收敛到（未知）的最佳可达平衡，跟踪所需的输出参考，同时满足多面体输入约束。作为中间结果的独立利益，我们扩展的基本引理仿射系统，我们得到新的鲁棒性界w.r.t.噪声数据的开环最优控制问题，这是直接转移到其他数据驱动的MPC计划在文献中。我们的方法的适用性示出了一个连续搅拌釜式反应器的数值应用。
2022-04-14 cs.SY eess.SY math.OC
Verification and Synthesis of Discrete-Time Control Barrier Functions
本文针对离散时间非线性系统，提出基于分支定界的DTCBF验证方法和基于双层优化的DTCBF与控制策略综合方法，并给出有限时间收敛性保证。
2025-09-23 cs.SY eess.SY math.OC
On the control of recurrent neural networks using constant inputs
Washington University in St. Louis（华盛顿大学圣路易斯分校）
本文研究了广泛用于理论神经科学的递归神经网络的可控性，提出利用常数和分段常数输入进行控制合成，通过特定解表示法得出显式代数条件，用于求解状态空间中的两点边值问题，验证系统矩阵条件，展示了在脑刺激协议设计中的有效性。
2025-09-26 math.DS math.OC q-bio.NC
Data-driven Control of Unknown Linear Systems via Quantized Feedback
利用量化反馈的控制是通信容量有限的系统综合的基本方法。在本文中，我们解决了未知的线性系的量化反馈镇定问题，通过直接的数据驱动控制方法。利用最近开发的矩阵S-引理，我们证明了一个充分和必要条件存在一个共同的稳定控制器的所有可能的动态数据一致，在线性矩阵不等式的形式。此外，我们制定了半定规划来解决粗量化密度。通过建立它与状态矩阵不稳定特征值的联系，我们进一步证明了量化反馈镇定的数据的必要秩条件。最后，我们通过数值例子验证了我们的理论结果。
2022-03-10 cs.SY eess.SY math.OC
Duality-Based Stochastic Policy Optimization for Estimation with Unknown Noise Covariances
控制和估计的双重性允许将数据引导控制的最新进展映射到估计设置。本文形式化，并利用这样的映射，考虑学习的最佳（稳态）卡尔曼增益过程和测量噪声统计是未知的。具体而言，建立在合成最优控制和估计增益之间的对偶性，滤波器设计问题被形式化为直接策略学习。在这个方向上，对偶性是用来扩展现有的理论保证的直接政策更新线性二次型调节器（LQR）建立全局收敛的梯度下降（GD）算法的估计问题-同时解决两个合成问题之间的细微差别。随后，采用随机梯度下降（SGD）方法来学习最优卡尔曼增益，而无需噪声协方差的知识。通过几个数值例子说明了结果。
2023-03-06 cs.SY eess.SP eess.SY
