Robust Adaptive MPC Using Uncertainty Compensation
本文提出基于不确定性补偿的鲁棒自适应MPC框架(UC-MPC),利用L1自适应控制器补偿匹配不确定性并提供误差界限,据此收紧约束并设计标称系统MPC,保证约束满足且提升性能。
2024-09-25 cs.SY eess.SY
Extremum Seeking-based Iterative Learning Linear MPC
Mitsubishi Electric Research Laboratories(三菱电机研究实验室)
本文研究了线性时不变不确定模型的自适应MPC问题,提出了一种基于多变量极值搜索的迭代学习MPC算法,用于在线学习不确定参数并更新MPC模型,通过直流伺服电机控制示例验证了其有效性。
2014-09-07 cs.SY eess.SY
Policy Gradient Reinforcement Learning for Uncertain Polytopic LPV Systems based on MHE-MPC
针对具有不精确调度参数的多面体线性变参数(LPV)系统,提出了一种基于学习的模型预测控制(MPC)方法。首先,我们提出了采用移动时域估计(MHE)计划,同时估计凸组合向量和不可测状态的基础上的观测和模型匹配误差。为了解决MPC和MHE方案中使用的错误LTI模型,我们采用策略梯度(PG)强化学习(RL)来学习估计器(MHE)和控制器(MPC),以便实现最佳的闭环性能。所提出的基于RL的MHE/MPC设计的有效性证明使用一个说明性的例子。
2022-06-10 cs.SY eess.SY
Computationally Efficient System Level Tube-MPC for Uncertain Systems
本文提出一种基于滤波器的系统级管式MPC(SLTMPC),通过在线优化的扰动集过逼近加性扰动和模型不确定性,并引入异步计算方案降低复杂度,首次提供严格闭环保证,数值实验验证其有效性。
2025-05-26 cs.SY eess.SY
Adaptive Uncertainty-Aware Modeling and Stochastic Radial Basis Function Predictive Control for Personalized Fluid Resuscitation
Kent State University(肯特州立大学)
本文提出融合贝叶斯建模与随机径向基函数MPC的框架,实现不确定性感知的个性化液体复苏,通过在线自适应提升MAP调节的稳定性与风险控制。
2026-09-21 cs.LG cs.SY eess.SY
A Risk-Aware Adaptive Robust MPC with Learned Uncertainty Quantification
针对非平稳不确定性下机会约束控制的保守性与分布未知难题,提出风险感知自适应鲁棒MPC框架,通过双时间尺度学习与调节实现精确风险控制,显著降低成本。
2025-07-15 cs.SY eess.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
Covariance Propagation and Stabilization for Tube-Based Stochastic MPC under Parametric and Additive Uncertainties
Gipsa-Lab(吉普萨实验室)
本文提出了一种针对受随机参数和加性不确定性的线性系统协方差动态的精确表征方法,并展示了其在控制设计中的应用与优势。
2026-08-06 cs.SY eess.SY
A Norm-Bounded based MPC strategy for uncertain systems under partial state availability
本文提出了一种针对具有规范界不确定性的线性离散时间系统的鲁棒MPC方案,利用部分状态测量反馈,通过离线计算设计可接受的线性无记忆控制器,结合在线预测的N步自由控制动作,通过半定规划解决输入速率约束问题。
2018-07-20 cs.SY eess.SY
Robust MPC for Uncertain Linear Systems -- Combining Model Adaptation and Iterative Learning
针对带参数不确定性和加性扰动的迭代任务线性系统,提出融合集员参数估计、终端代价与终端集迭代学习的鲁棒自适应学习MPC框架,保证递归可行性等特性,仿真验证其在效率和性能上优于无终端组件迭代学习的同类方案。
2025-09-01 cs.SY eess.SY math.OC
Adaptive Learning-based Model Predictive Control for Uncertain Interconnected Systems: A Set Membership Identification Approach
针对不确定互联系统,提出一种基于集合隶属辨识的自适应学习MPC方案,通过在线学习耦合不确定性并自适应调整MPC要素,实现递推可行性和闭环稳定性,仿真验证其优于现有鲁棒、自适应和基于学习的MPC方案。
2024-04-25 cs.SY eess.SY
Adaptive Tube MPC: Beyond a Common Quadratically Stabilizing Feedback Gain
Indian Institute of Technology Delhi(印度德里理工学院)
本文提出了一种自适应管框架,用于处理具有参数不确定性和加性扰动的离散时间线性时不变系统的模型预测控制。通过在线参数学习逐步细化参数不确定性集并更新参数估计,从而适应MPC优化问题的各个组件,减少保守的控制动作。
2026-03-16 cs.SY eess.SY math.OC
An Efficient Resilient MPC Scheme via Constraint Tightening against Cyberattacks: Application to Vehicle Cruise Control
提出一种通过约束收紧的弹性MPC框架,应对周期性DoS攻击下的不确定线性系统,利用卡尔曼滤波检测攻击并离线计算不确定性界限,实现在线高效计算,并在ACC问题上验证有效性。
2023-10-12 cs.SY eess.SY math.OC
Offline Uncertainty Sampling in Data-driven Stochastic MPC
本文提出一种基于离线不确定性采样的数据驱动随机MPC策略,无需模型辨识即可实现约束收紧,保证鲁棒递归可行性,并在仿真中表现出优于纯鲁棒方法的控制性能。
2023-04-06 cs.SY eess.SY
Extremum Seeking-based Iterative Learning Model Predictive Control (ESILC-MPC)
University of California at Santa Barbara(加州大学圣塔芭芭拉分校);Mitsubishi Electric Research Laboratories(三菱电机研究实验室)
本文研究了具有模型参数不确定性的线性时不变系统跟踪控制问题,在输入和状态约束下,采用模块化设计思想,提出具有输入到状态稳定性保证的MPC,并结合极值搜索算法迭代学习模型不确定性,形成迭代学习控制-MPC。
2015-12-08 cs.SY eess.SY
Dynamic Tube MPC for Nonlinear Systems
在实际应用中,建模误差或外部干扰会严重影响模型预测控制(MPC)的性能。鲁棒MPC(RMPC)通过优化反馈策略解决了这一问题,但代价是增加了计算复杂度。管MPC是一种近似的解决方案策略,其中离线设计的鲁棒控制器使系统保持在在线生成的期望标称轨迹周围的不变管中。当然,这种分解是次优的,特别是对于具有变化的目标或操作条件的系统。此外,由于计算不变管的复杂性,许多管MPC方法无法捕获状态相关的不确定性,导致过度保守的近似。本文提出了一种适用于非线性系统的动态管MPC(DTMPC)框架,该框架同时优化了管的几何形状和开环轨迹。通过使用边界层滑动控制,管几何形状可以表示为控制参数和不确定性界限之间的简单关系;使得管几何形状动态能够以最小的计算复杂度增加被添加到标称MPC优化。此外,DTMPC能够利用状态相关的不确定性,以减少保守性,提高优化的可行性。DTMPC被证明稳健地执行避障和修改管的几何形状,以响应障碍物的接近。
2019-07-15 cs.SY eess.SY
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
Stochastic MPC with robustness to bounded parametric uncertainty
基于模型的控制技术的性能在很大程度上取决于所采用的动态模型的质量。如果需要强有力的保证,那么通常会稳健地处理所有可能的不确定性来源,例如模型不准确或外部干扰。然而,这可能导致过于保守的控制策略。本文针对具有有界参数不确定性和潜在无界随机加性噪声的离散时间LTI系统,提出了一种随机模型预测控制方法。该方案利用位似管道沿预测水平的参数不确定性的鲁棒处理。随机噪声处理的非保守收紧约束的概念,使用概率可达集(PRS)。为了适应所有可能的参数不确定性,我们提供了一种仅基于噪声序列的一阶和二阶矩生成“鲁棒化”PRS的策略。在二次代价函数的情况下,并且在进一步的i.i.d.在噪声分布的假设下,我们还提供了闭环状态的l2-范数的平均渐近性能界。最后,我们证明了我们的计划上的一个说明性的例子,并在建筑物的温度控制问题。
2022-05-20 cs.SY eess.SY
Robust Koopman MPC with Sets Updates for Time Delayed Systems
National University of Defense Technology(国防科技大学);Tsinghua University(清华大学)
针对非线性时滞系统,提出一种在线更新不确定集的鲁棒自适应Koopman MPC方法,通过数据驱动建模和管式MPC设计,降低保守性并证明闭环鲁棒性。
2026-06-16 cs.SY eess.SY math.OC
Certainty-equivalent adaptive MPC for uncertain nonlinear systems
Imperial College London(帝国理工学院)
本文提出一种结合确定性等价MPC与最小均方参数适应的方法,用于设计非线性系统的自适应控制器,具有强鲁棒性,能有效处理噪声、扰动和参数变化。
2026-07-28 cs.SY eess.SY math.OC
Dual Stochastic MPC for Systems with Parametric and Structural Uncertainty
为受模型不确定性影响的系统设计控制器是一个挑战,特别是在寻求辨识和控制目标之间的最佳折衷时。在对偶控制问题中明确考虑了这种权衡,随机动态规划提供了精确解。由于其计算的棘手性,我们提出了一个基于采样的近似系统的参数和结构模型的不确定性。本文提出的方法将预测范围分为对偶部分和开发部分。对偶部分被制定为一个场景树,积极区分一组潜在的模型,同时学习未知的参数。在开发部分,实现的信息是固定的每个场景,并计算开环控制序列的地平线的其余部分。其结果是,我们解决了一个优化问题的控制序列的整个视野的集合,明确考虑在每个场景中获得的知识,导致双模型预测控制制定。
2019-12-26 cs.SY eess.SY
Model-Agnostic Meta Learning for Differentiable MPC
inspire AG(inspire公司)
研究如何提升模型预测控制(MPC)的适应性,提出结合策略优化与元学习的框架,能快速适应未见任务并保持高性能,还集成系统识别优化超参数和预测模型,在球板系统验证了方法的卓越适应性。
2026-07-22 cs.SY eess.SY math.OC
Auto-Optimization with Active Learning in Uncertain Environment: A Predictive Control Approach
Hubei Normal University(湖北师范大学);Loughborough University(拉夫堡大学);The University of Manchester(曼彻斯特大学);Hong Kong Polytechnic University(香港理工大学);Southeast University(东南大学)
本文提出一种结合主动学习的预测控制方法,用于在不确定环境中自主优化运行条件,通过引入虚拟激励信号和持续激励验证机制,解决参数识别与跟踪的最佳运行条件之间的矛盾。
2025-12-04 cs.SY eess.SY
Data-driven distributionally robust MPC for systems with uncertain dynamics
针对未知离散线性定常系统受未知和可能无界的附加不确定性影响的问题,提出了一种新的数据驱动分布鲁棒模型预测控制方法.我们使用离线收集的数据和动力学的近似模型,制定一个有限时间的最优化问题。为了考虑到与动态和干扰作用于系统的不确定性,我们诉诸于一个分布鲁棒的制定,优化成本预期,同时满足条件风险价值约束的最坏情况下的概率分布的不确定性内的模糊度定义使用Wasserstein度量。利用分布鲁棒优化文献的结果,我们得到了一个易于处理的有限维凸优化问题,有限样本保证类凸分段仿射成本和约束函数。一个简单的数值例子上的闭环仿真证明了所提出的算法的性能。
2022-09-19 cs.SY eess.SY math.OC
Meta Learning MPC using Finite-Dimensional Gaussian Process Approximations
近年来,数据可用性急剧增加,驱动基于模型的控制方法利用学习技术来改善系统描述,从而提高控制性能。阻碍学习方法在控制中的实用性的两个关键因素是它们的高计算复杂性和对未知条件的有限泛化能力。元学习是一个强大的工具,可以在有限的相关任务集上进行有效的学习,从而轻松适应新的未知任务。本文利用自适应模型预测控制的元学习方法,通过学习系统模型,利用以前的相关任务的数据,同时使快速微调到当前的任务在闭环操作。动态建模通过高斯过程回归,并建立在Karhunen-Lo{è}ve展开,可以近似地重新制定为一个有限的线性组合的内核特征函数。使用在一组任务上收集的数据,在元训练阶段通过最大化对数边际似然的变分界限来优化特征函数超参数。在元测试期间,特征函数是固定的,使得只有线性参数通过贝叶斯线性回归以在线自适应方式适应于新的看不见的任务,从而提供简单且有效的推理方案。仿真结果提供了自动赛车与微型赛车适应看不见的道路条件。
2022-11-21 cs.LG cs.SY eess.SY
Certainty-Equivalence Model Predictive Control: Stability, Performance, and Beyond
Delft Center for Systems and Control, TU Delft(代尔夫特系统与控制中心,代尔夫特理工大学);Department of Chemical Engineering, MIT(麻省理工学院化学工程系);TU Delft(代尔夫特理工大学)
本文提出了一种确定性等价模型预测控制方法,通过扰动分析和稳定性分析,解决了不确定非线性系统中的模型不匹配问题,并推导了线性二次控制的竞争比率界。
2026-02-03 cs.SY eess.SY math.OC
Policy Optimization with Differentiable MPC: Convergence Analysis under Uncertainty
本文研究了结合梯度基策略优化与递归系统识别的方法,在不确定性下实现控制器设计的收敛性,并通过多个控制示例验证了该方法的有效性。
2026-04-14 cs.SY eess.SY math.OC
Stochastic Model Predictive Control and Sewer Networks
在这项工作中,机会约束模型预测控制(CC-MPC)在下水道系统中使用经典的确定性模型预测控制(MPC)的评价。本评估的重点是在存在不确定性时避免堰溢流。此外,提出了CC-MPC的设计公式,并与MPC的设计进行了比较。对于评估,巴塞罗那污水管网案例研究的简化模型。我们的比较表明,对于不确定流入的下水道系统,CC-MPC允许更好的统计保证,避免堰溢流,比依赖于一个确定性的MPC。根据分析结果,对于CC-MPC来说,在不可行的优化程序的情况下,一个简单的备份策略也是显而易见的。
2020-10-14 cs.SY eess.SY
Output Feedback MPC with Adaptive Tubes
Indian Institute of Technology Delhi(印度德里理工学院)
提出一种自适应管道的输出反馈模型预测控制框架,通过自适应观测器更新参数和状态估计,动态调整管道几何形状,实现递归可行性和鲁棒指数稳定性。
2026-05-22 cs.SY eess.SY math.OC
Performance Analysis of Adaptive Dynamic Tube MPC
模型预测控制(MPC)是一种有效的约束系统控制方法,但在实际应用中经常会遇到外部干扰和建模误差的影响。为了解决这些问题,诸如管MPC(TMPC)的技术利用辅助离线生成的鲁棒控制器来确保系统保持在在线生成的轨迹周围的不变集(称为管)内。然而,TMPC是无法修改其管和辅助控制器,以响应不断变化的状态相关的不确定性,往往导致过于保守的解决方案。动态管MPC(DTMPC)解决了这些问题,同时优化所需的轨迹和管的几何在线。在此基础上,自适应DTMPC(ADTMPC)通过减少模型的不确定性,产生更好的模型近似,从而产生更准确的控制策略。本文针对一类不确定非线性系统,对TMPC、DTMPC和ADTMPC进行了实验分析和性能评价。特别是,DTMPC被证明优于TMPC,因为它是能够动态地适应不断变化的环境,限制积极的控制和保守的行为,只有当约束和不确定性的情况下,需要it.Apply到一个摆试验台,这使得DTMPC使用高达30%的控制工作,同时实现高达80%的速度更高。ADTMPC进一步提高了这一性能,将反馈控制工作量减少了35%,同时提供了高达34%的轨迹跟踪性能。这种分析建立了DTMPC和ADTMPC框架产生显着更有效的鲁棒控制政策的系统不断变化的不确定性,目标和操作条件。
2020-12-22 cs.SY eess.SY
Multistage Economic MPC for Systems with a Cyclic Steady State: A Gas Network Case Study
本文提出一种直接最小化经济目标的多阶段经济MPC框架,通过引入基于Lyapunov的稳定性约束扩展至循环稳态系统,并在天然气网络案例中验证其能有效应对不确定需求、避免约束违例并保证鲁棒稳定性。
2025-03-06 cs.SY eess.SY
Deep Learning Tubes for Tube MPC
Georgia Institute of Technology(佐治亚理工学院);NASA Jet Propulsion Laboratory, California Institute of Technology(美国国家航空航天局喷气推进实验室,加州理工学院)
基于学习的控制旨在构建用于规划或轨迹优化的系统模型,例如在基于模型的强化学习中。为了在这方面获得安全保证,必须准确地量化不确定性。这种不确定性可能来自学习中的错误(例如,由于缺乏数据),或者可能是系统固有的。在学习的动力学模型中向前消除不确定性是一个困难的问题。在这项工作中,我们使用深度学习来获得轨迹分布如何表现的表达和灵活的模型,然后我们将其用于非线性模型预测控制(MPC)。我们引入了一个深度分位数回归框架,用于控制概率分位数界限和量化认知不确定性。使用我们的方法,我们探索了三种不同的方法来学习管,包含系统的可能轨迹,并演示了如何使用它们中的每一个管MPC计划。我们证明了这些计划是递归可行的,并满足所需的概率裕度的约束。我们目前的非线性四旋翼系统的仿真实验,证明这些想法的实际效果。
2020-06-04 cs.LG cs.RO cs.SY
Fast Online Adaptive Neural MPC via Meta-Learning
Department of Electrical and Computer Engineering(电气与计算机工程系);Department of Computer Science and Engineering(计算机科学与工程系);Engineering, Michigan State University, East Lansing, MI 48824 USA(工程,密歇根州立大学,东兰辛,MI 48824 USA)
本文提出一种结合元学习与神经网络的快速在线自适应MPC框架,通过少样本学习残差动力学,在多个仿真系统中显著提升自适应速度和预测精度。
2025-10-09 cs.RO cs.SY eess.SY
Dynamic Constraint Tightening for Nonlinear MPC for Autonomous Racing via Contraction Analysis
Technical University of Munich(慕尼黑工业大学)
本文提出了一种基于收缩分析的非线性MPC框架,用于自动驾驶赛车在操控极限下的路径跟踪,通过优化CCM实现约束紧缩,提高计算效率并增强鲁棒性。
2026-02-04 cs.SY eess.SY
Optimization of the Model Predictive Control Meta-Parameters Through Reinforcement Learning
SINTEF Digital(SINTEF数字研究院);NTNU(挪威科技大学);Sopra Steria Applications(索拉斯特里亚应用公司)
本文提出基于强化学习联合整定MPC元参数的框架,通过事件触发与双模式控制同时优化性能和功耗,在倒立摆任务上较最佳MPC基线减少36%计算时间并提升18.4%性能。
2021-11-07 cs.LG cs.RO cs.SY
ComTraQ-MPC: Meta-Trained DQN-MPC Integration for Trajectory Tracking with Limited Active Localization Updates
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Coordinated Science Laboratory(协调科学实验室)
本文提出ComTraQ-MPC框架,结合元训练DQN与MPC,在有限主动定位更新下优化轨迹跟踪,通过两者交互提升效率与精度,适用于复杂部分可观测环境。
2024-08-20 cs.AI cs.RO cs.SY
Uncertainty-Aware Digital Twins: Robust Model Predictive Control using Time-Series Deep Quantile Learning
Northwestern University(西北大学)
本文提出一种基于时间序列深度分位数学习的鲁棒模型预测控制方法,用于提升数字孪生系统在不确定性下的实时决策能力。
2025-05-06 cs.SY eess.SY
Chance-constrained Stochastic MPC of Astlingen Urban Drainage Benchmark Network
在城市排水系统(UDS)中,减少合流制污水溢流(CSO)污染的有效方法是基于模型预测控制(MPC)的实时控制(RTC)。MPC方法的RTC在文献中依赖于最优控制策略的计算确定性降雨预报的基础上。然而,在现实中,降雨预报中存在的不确定性严重影响了最优控制策略的计算精度。在此背景下,这项工作的目的是集中在降雨预报及其影响的不确定性。一种选择是在控制器中使用关于降雨事件的随机信息;在使用MPC方法的情况下,可以使用称为随机MPC的类,包括几种方法,例如机会约束MPC方法。在这项研究中,我们应用随机MPC的UDS使用机会约束的方法。此外,我们还比较了经典的MPC与完美的预测和机会约束MPC基于不同的随机情景的降雨预报的业务行为。的应用和比较的基础上使用的SWMM模型的Astlingen城市排水基准网络的模拟。
2020-10-14 cs.SY eess.SY
Output-feedback model predictive control under dynamic uncertainties using integral quadratic constraints
本文提出一种基于IQC的输出反馈管道MPC方案,通过联合设计鲁棒动态控制器与估计器并凸化峰峰值鲁棒估计问题,实现对动态不确定性系统的递推可行控制与稳定性保证。
2025-08-22 cs.SY eess.SY math.OC
RL-Guided MPC for Autonomous Greenhouse Control
提出 RL-Guided MPC 框架,利用训练后的 RL 策略为 MPC 构建终端代价与终端区域约束,在确定性和不确定温室环境中均以更短预测时域优于单独的 RL 与 MPC。
2025-06-16 cs.SY eess.SY
Robust adaptive MPC using control contraction metrics
本文提出一种基于控制收缩度量的鲁棒自适应MPC框架,通过位似管和集员估计在线更新参数不确定性,在保证约束满足与收敛性的同时降低保守性,并在平面四旋翼上验证其优势。
2023-07-11 cs.SY eess.SY math.OC
Generative Model Predictive Control in Manufacturing Processes: A Review
School of Manufacturing Systems and Networks, Arizona State University(制造系统与网络学院,亚利桑那州立大学);Walker Department of Mechanical Engineering, University of Texas at Austin(机械工程系,德克萨斯大学奥斯汀分校)
本文综述了生成ML在制造过程中的应用,探讨了其如何通过学习数据分布和管理不确定性来增强MPC,提出了未来研究方向和实际案例。
2025-11-22 cs.LG cs.SY eess.SY
Dropout MPC: An Ensemble Neural MPC Approach for Systems with Learned Dynamics
University of Ioannina(约阿尼纳大学)
针对神经网络模型在不确定系统中可靠性不足的问题,提出Dropout MPC算法,利用Monte-Carlo dropout构建集成预测控制器并通过加权投票优化轨迹,提升了控制可靠性并实现不确定性估计。
2024-06-04 cs.AI cs.LG cs.RO
Model predictive control for linear uncertain systems using integral quadratic constraints
在这项工作中,我们提出了一个基于管MPC计划的状态和输入约束线性系的动态不确定性的特点是动态积分二次约束(IQCs)。特别是,我们扩展的框架$ρ$硬IQC指数稳定性分析的外部输入。结果表明,真实不确定性系统与标称预测模型之间的误差由一个指数稳定的标量系统所约束。在建议的基于管的MPC计划,该误差边界系统的状态与标称模型一起预测,并用作管尺寸的缩放参数。我们证明了该方法实现了鲁棒约束满足和输入状态稳定,尽管动态不确定性和添加剂有界干扰。一个数值例子表明,减少保守性的IQC方法相比,国家的最先进的鲁棒MPC方法的动态不确定性。
2022-04-27 cs.SY eess.SY math.OC
Chance-Constrained Sampling-Based MPC for Collision Avoidance in Uncertain Dynamic Environments
Luddy School of Informatics, Computing, and Engineering, Indiana University, Bloomington, IN 47408 USA(信息学院、计算与工程学院,印第安纳大学,布卢明顿,IN 47408 USA)
本文提出C2U-MPPI框架,一种鲁棒的采样-based MPC算法,通过直接应用非凸非线性机会约束和分层障碍物表示,解决不确定动态环境中的安全导航问题,实现实时多障碍物避障。
2025-05-27 cs.RO cs.SY eess.SY
Performance bounds of adaptive MPC with bounded parameter uncertainties
模型预测控制是基于系统的模型在预测的系统轨迹上最小化阶段成本并且能够处理状态和输入约束的控制方法。对于不确定的模型,可以使用鲁棒或自适应方法。因为系统模型用于计算控制律,所以系统的闭环行为以及由级成本之和测量的其性能与所使用的模型相关。如果它是适应在线,性能界限是难以获得的,因此模型适应的影响是大多未知的。这项工作提供了一个(最坏情况下)的线性自适应预测控制方案与特定的模型参数估计的性能界。所提出的界限表示的数量,如初始系统参数误差和约束集,除其他外,可以计算的先验。最后通过数值算例对结果进行了讨论。
2022-06-28 cs.SY eess.SY math.OC
Infusing model predictive control into meta-reinforcement learning for mobile robots in dynamic environments
Seoul National University(首尔国立大学);Automation and Systems Research Institute(自动化与系统研究所)
移动机器人的成功运行要求它们能够快速适应环境变化。为了开发移动机器人的自适应决策工具,我们提出了一种新的算法,结合Meta强化学习(meta-RL)和模型预测控制(MPC)。我们的方法采用了一个关闭的政策元RL算法作为基线训练的政策,使用MPC产生的过渡样本时,机器人检测到某些事件,可以有效地处理MPC,其明确使用机器人动力学。我们的方法的关键思想是以随机和事件触发的方式在元学习策略和MPC控制器之间切换,以弥补由有限的预测范围引起的次优MPC动作。在元测试期间,MPC模块被停用以显著减少运动控制中的计算时间。我们进一步提出了一个在线适应方案,使机器人推断和适应一个新的任务在一个单一的轨迹。我们的方法的性能已经通过使用非线性汽车模型与(i)障碍物的合成运动,和(ii)真实世界的行人运动数据的模拟得到了证明。仿真结果表明,该方法在学习效率和导航质量方面优于其他算法。
2022-07-07 cs.RO cs.SY eess.SY
Experimental Validation of Safe MPC for Autonomous Driving in Uncertain Environments
Chalmers University of Technology(查尔姆斯理工大学);Zenseact AB(Zenseact公司);IMT School for Advanced Studies Lucca(卢卡IMT高等研究院);Università di Modena e Reggio Emilia(摩德纳-雷焦艾米利亚大学)
针对自动驾驶需可证明安全的需求,提出基于MPC的安全框架,可在满足约束下跟踪参考轨迹,经仿真和实车实验验证了其有效性与实时性。
2023-05-05 cs.RO cs.SY eess.SY
Robust Model Predictive Control with Polytopic Model Uncertainty through System Level Synthesis
针对多面体模型不确定性与加性扰动下的离散线性系统,提出基于System Level Synthesis的鲁棒MPC方法,联合在线优化LTV控制器与不确定性影响界,显著降低保守性且计算量相当。
2023-09-26 cs.SY eess.SY math.OC
A robust and adaptive MPC formulation for Gaussian process models
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)
本文提出了一种针对受有界扰动和未建模非线性影响的不确定非线性系统的鲁棒且自适应MPC框架,利用高斯过程学习不确定动态,并通过收缩度量进行鲁棒预测,保证递归可行性、鲁棒约束满足和参考状态收敛。
2026-09-09 cs.LG cs.SY eess.SY
Stability Analysis of Piecewise Affine Systems with Multi-model Model Predictive Control
The University of Manchester(曼彻斯特大学)
本文研究了多模型线性MPC与观测器结合的分段仿射系统稳定性问题,通过IQCs和耗散不等式分析不确定性对稳定性的影响,提出静态乘子以降低保守性,通过工程案例验证方法有效性。
2018-08-01 cs.SY eess.SY
MPC-Based Hierarchical Control of a Multi-Zone Commercial HVAC System
提出了一种基于模型预测控制(MPC)的多区域建筑物室内气候控制的新架构,以提供能源效率。与以前的作品不同,我们不假设高分辨率多区域建筑模型的可用性,这是具有挑战性的。相反,该架构使用低分辨率的建筑模型,该模型被划分为少量的“元区域”,可以使用现有的数据驱动建模技术轻松识别。所提出的架构是分层的。在更高级别,MPC控制器使用低分辨率模型来为空气处理单元(AHU)和元区域做出决策。由于元区域是虚构的,较低级别的控制器通过解决在两个潜在冲突的目标之间进行权衡的投影问题,将高级MPC决策转换为用于各个区域的命令:由MPC做出的AHU级别决策得到尊重,而各个区域的气候保持在舒适范围内。所提出的控制器的性能进行评估,通过模拟在高保真仿真试验台和相比,在实践中使用的基于规则的控制器。在多种天气条件下的仿真结果表明,所提出的控制器在节能,气候控制和计算易处理性方面的有效性。
2021-02-11 cs.SY eess.SY
Moving Obstacle Collision Avoidance via Chance-Constrained MPC with CBF
本文提出一种用于随机场景的广义CC-MPC-CBF方法,通过概率CBF确保碰撞避免概率,并采用顺序实现与迭代凸优化方案提升可行性与求解效率。
2025-05-27 cs.SY eess.SY
Hierarchical Control Strategy for Moving A Robot Manipulator Between Small Containers
University of Washington(华盛顿大学)
在本文中,我们研究了在高度不确定的环境中(例如,从密集包装的箱的半柔性阵列中拾取物体)。作为一种实时的感知驱动反馈控制器,MPC对这种环境中的不确定性具有鲁棒性。然而,我们的实验表明,MPC不能控制机器人完成一系列的运动在严重闭塞的环境中,由于其近视的性质。它将受益于添加自适应地调整MPC的优化问题的高级策略。
2022-11-28 cs.RO cs.SY eess.SY