The Customer is Always Right: Customer-Centered Pooling for Ride-Hailing Systems
今天的乘车系统经历了显着的增长和乘车池承诺，以实现高效和可持续的按需运输。然而，有效的拼车需要大量的参与客户。为了提高客户的参与意愿，我们研究了一种新的以客户为中心的联营机制（CCP），考虑到个人客户的联营利益。我们从客户，车队运营商和系统的角度研究了这种机制的好处，并将其与现有的以供应商为中心的池（PCP）机制进行比较。我们证明了顾客参与CCP是个体理性的，是弱优势的，但对于PCP则不是。我们用补充的数值研究来证实这一分析，基于真实世界的数据实现了一个模拟环境，使我们能够评估这两种机制的好处。为此，我们提出了两个汇集机制的结果，并表明汇集可以使按需运输的所有利益相关者受益。此外，我们分析了在哪些情况下，CCP机制帕累托占主导地位的PCP机制，并表明，移动服务运营商将更喜欢CCP机制PCP机制的所有价格段。与此同时，CCP机制将系统中的总行驶距离减少了32%，而不是将客户集中起来。我们的研究结果提供了决策支持的移动服务运营商，希望实施和改进池机制，因为它们使我们能够从整体的角度分析CCP和PCP机制的影响。其中，我们表明，CCP机制可以导致运营商和客户的双赢局面，同时提高系统性能和减少排放。
2021-07-02 cs.SY eess.SY
Model Predictive Optimized Path Integral Strategies
Stanford University（斯坦福大学）
我们推广的模型预测路径积分控制（MPPI）的推导，允许一个单一的联合分布控制序列中的控制。这种改造允许将自适应重要性采样（AIS）算法实施到原始重要性采样步骤中，同时仍然保持MPPI的优点，例如与任意系统动态和代价函数一起工作。通过在每个控制步骤中集成AIS来优化建议分布的好处在模拟环境中得到了证明，包括控制轨道周围的多辆车。新算法比MPPI算法具有更高的采样效率，在更少的采样数下获得了更好的性能。这种性能差异随着动作空间的维度增加而增加。仿真结果表明，新算法可以作为一个随时算法，增加控制值在每次迭代依赖于一个大的样本集。
2023-03-01 cs.RO cs.SY eess.SY
Stability Analysis of Hypersampled Model Predictive Control
本文提出超采样模型预测控制稳定性分析框架，区分离散化与采样时间，证明二者独立并论证采样时间更小的优势，破解传统离散时间MPC采样时间选择中性能与计算复杂度的权衡难题。
2023-10-04 cs.SY eess.SY
Safe Stochastic Model Predictive Control
对安全关键型系统进行有效和安全的控制是一项挑战。鲁棒方法可能过于保守，而概率控制器需要在效率和安全之间进行权衡。在这项工作中，我们提出了一个安全的算法，是兼容的任何随机模型预测控制方法的线性系统添加剂的不确定性和多面体约束。该安全算法允许使用随机模型预测控制的乐观控制输入，只要安全的备用计划器可以确保安全性，以满足受有界不确定性的硬约束。除了保证安全的行为，所提出的随机模型预测控制算法保证递归的可行性和输入到状态稳定性的系统起源。安全的随机模型预测控制算法的好处是在数值模拟中证明，突出的优点相比，纯粹的鲁棒或随机预测控制器。
2022-09-15 cs.SY eess.SY
Real-Time Stochastic Predictive Control for Hybrid Vehicle Energy Management
Purdue University（普渡大学）
本文提出三种实时能量管理方法，用于在未知驾驶员行为和车辆路线的情况下优化混合液压车辆的能量管理，通过递推预测控制框架实现，考虑状态和输入约束，并利用马尔可夫链的稳态分布进行规划，通过仿真验证了方法的有效性。
2018-04-23 cs.SY eess.SY
Predictive control barrier functions: Enhanced safety mechanisms for learning-based control
虽然基于学习的控制技术通常优于经典控制器设计，但安全要求限制了许多应用中对此类方法的接受。最近的发展通过所谓的预测安全过滤器来解决这个问题，该过滤器评估拟议的基于学习的控制输入是否会导致违反约束，并在必要时对其进行修改，以确保未来所有时间步长的安全性。这种预测性安全滤波器的理论保证依赖于模型假设，微小的偏差可能导致滤波器故障，使系统处于危险之中。本文介绍了一种辅助软约束预测控制问题，总是可行的，在每个时间步长和渐近稳定的可行集的原始安全过滤器，从而提供了一个恢复机制，在安全关键的情况下。这是通过结合终端控制障碍函数的简单约束收紧来实现的。通过扩展离散时间控制障碍函数理论，我们建立了所提出的辅助问题提供了一个“预测”的控制障碍函数。所得到的算法证明使用数值例子。
2022-05-13 cs.SY eess.SY
Frequency-Domain Data-Driven Predictive Control
本文提出频域数据驱动预测控制（FreePC）方案，通过引入基于频域数据的Willems基本引理新版本，使直接数据驱动控制能够利用非参数频域辨识技术，并证明其在适当条件下与DeePC等价。
2024-06-18 cs.SY eess.SY
Minimal Constraint Violation Probability in Model Predictive Control for Linear Systems
本文针对线性系统在加性不确定性下的状态约束问题，提出一种最小化约束违反概率的模型预测控制方法，并证明了递归可行性与输入到状态稳定性。
2024-02-16 cs.SY eess.SY
From a Frequency-Domain Willems' Lemma to Data-Driven Predictive Control
Eindhoven University of Technology（埃因霍温理工大学）
本文提出一种基于频率域数据的预测控制方法，通过频率域数据与非参数识别技术结合，实现与时域数据驱动控制方案的等效性，并展示其在多个案例中的优势。
2026-02-06 cs.SY eess.SY math.OC
Differential Predictive Control of Residential Building HVACs for Maximizing Renewable Local Consumption and Supporting Fast Voltage Control
本文提出住宅HVAC分布式差分预测控制方案以最大化可再生能源本地消纳，并通过联合仿真验证其可减少电网取电12%、电压波动20%和分接头变化14%。
2024-10-18 cs.SY eess.SY
Predictive Optimal Control with Data-Based Disturbance Scenario Tree Approximation
如何有效地计算具有随机干扰的复杂未来的最优控制策略一直是一个挑战。预测的随机未来干扰可以用情景树表示，但用情景树求解最优控制问题通常需要大量的计算。在本文中，我们提出了一种基于数据的聚类近似方法的情景树表示。该方法与传统的马尔可夫链近似方法不同，在保持状态空间较小的同时，能够保留前几步的信息。然后，预测最优控制问题可以近似解决，减少计算量，使用动态规划。通过数值算例对所提出的方法进行了评估，并与将扰动视为非平稳马尔可夫链的方法进行了比较。结果表明，该方法可以获得比马尔可夫链方法更好的控制性能。
2021-03-15 cs.SY eess.SY
Recursively Feasible Stochastic Model Predictive Control using Indirect Feedback
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）
本文提出了一种适用于线性离散时间系统且能处理可能无界和相关加性随机扰动序列的随机模型预测控制方法。通过概率可达集的概念，将机会约束类比于鲁棒MPC进行约束紧缩。引入一种初始化方法，保证递归可行性，从而可轻易证明闭环系统的机会约束满足。在加性扰动假设为独立同分布零均值的情况下，还提供了平均渐近性能界。两个示例展示了该方法，突显了新初始化方案的反馈特性以及在建筑控制设置中包含时变相关扰动。
2019-01-21 cs.SY eess.SY
Iterative Learning Predictive Control for Constrained Uncertain Systems
提出一种结合二进制混合整数ILC与凸MPC的方案，用于不确定非线性系统，确保鲁棒约束满足、非递增名义成本及最优性能收敛，并在仿真中验证其有效性。
2025-03-25 cs.SY eess.SY
Adaptive Economic Model Predictive Control for linear systems with performance guarantees
针对受扰动和参数不确定性影响的线性约束系统，提出结合确定性等价经济MPC与最小二乘在线参数自适应的控制方案，并给出渐近与瞬态性能保证，建筑温控数值示例验证了其性能收益。
2024-09-10 cs.SY eess.SY math.OC
Data-Driven Predictive Control for Connected and Autonomous Vehicles in Mixed Traffic
互联和自动驾驶车辆（CAV）的协同控制为混合交通带来了巨大的好处。大多数现有的研究集中在基于模型的控制策略，假设人驾驶车辆的跟车动力学是明确已知的。在本文中，而不是依赖于一个参数的汽车跟驰模型，我们引入了一个数据驱动的预测控制策略，以实现安全和最佳的混合交通中的CAV控制。首先，我们提出了一个线性化的混合交通系统的动力学模型，并研究其可控性和可观性。基于这些控制理论特性，我们提出了一种新的DeeP-LCC（数据驱动的预测领先巡航控制）策略的CAV的基础上可测量的驾驶数据，以平滑混合交通。我们的方法是实现在一个滚动的地平线的方式，其中输入/输出约束被纳入实现无碰撞的保证。非线性交通模拟显示，在城市外驾驶循环的制动情况下，它可以节省高达24.96%的燃油消耗，同时确保安全。
2022-03-25 cs.SY eess.SY
Model Predictive Control Strategies for Electric Endurance Race Cars Accounting for Competitors Interactions
针对电动耐力赛车的比赛策略优化问题，提出考虑对手交互的模型预测控制框架，综合优化进站、充电与驾驶风格，模拟验证显示其较始终超车策略有21秒优势，证明电动赛车的竞争力。
2024-03-11 cs.SY eess.SY
Harmonic model predictive control for tracking sinusoidal references and its application to trajectory tracking
本文扩展了谐波模型预测控制（HMPC）以跟踪周期性正弦参考和任意轨迹，该方法保留了小预测时域下性能好、吸引域大且优化复杂度与参考周期无关的优势。
2025-04-01 cs.SY eess.SY
Nonlinear Model Predictive Control for Preview-Based Traction Control
本研究提出一种基于预瞄的牵引力控制非线性模型预测控制（NMPC）方法，利用前方轮胎-路面摩擦系数信息提升网联车辆车轮滑移控制性能，并通过实验和仿真验证了其实时能力及对不同动力总成动态特性的性能收益。
2024-06-04 cs.SY eess.SY
When Persistency is not Exciting in Data-Driven Predictive Control
Eindhoven University of Technology（埃因霍温理工大学）；TU Dortmund University（多特蒙德工业大学）
研究数据驱动预测控制中数据收集问题，指出仅满足秩条件不足以实现满意闭环性能，聚焦特定场景，通过频域分析为控制导向实验设计奠定基础，数值结果显示忽视控制目标会使闭环系统无法跟踪参考。
2026-09-21 cs.SY eess.SY
Stochastic Model Predictive Control for Linear Systems using Probabilistic Reachable Sets
Institute for Dynamic Systems and Control, ETH Zürich（苏黎世联邦理工学院动态系统与控制研究所）
本文提出了一种用于受可能无限加性扰动影响的线性离散时间系统的随机模型预测控制（MPC）算法，通过概率可达集的概念来处理约束，基于单峰扰动分布假设，保证闭环机会约束的满足，并在不可行时采用回退到先前时间步的控制方案，同时给出了渐近平均性能界。
2018-09-20 cs.SY eess.SY
State space models vs. multi-step predictors in predictive control: Are state space models complicating safe data-driven designs?
该研究对比线性预测控制中的状态空间模型与多步预测器，梳理两类模型在随机最优控制、系统辨识等问题中的应用优劣，还提出了带参数不确定性的多步预测器随机预测控制的新约束收紧方法。
2023-10-06 cs.SY eess.SY math.OC
Robust Decentralized Navigation of Multi-Agent Systems with Collision Avoidance and Connectivity Maintenance Using Model Predictive Controllers
KTH Royal Institute of Technology（瑞典皇家理工学院）
本文研究了在有界工作空间中不确定非线性多智能体系统的导航控制问题，提出分布式控制协议以实现智能体预设位置，同时通过局部信息保持连通性并避免碰撞。
2018-04-22 cs.SY eess.SY
A Safe Control Architecture Based on a Model Predictive Control Supervisor for Autonomous Driving
本文提出了一种新的，安全的控制体系结构（SCA）控制一类重要的系统：安全关键系统。确保控制决策的安全性一直是自动控制中的一个挑战。所提出的SCA旨在通过使用模型预测控制器（MPC）来应对这一挑战，该模型预测控制器（MPC）充当操作控制器的监督者，在这个意义上，MPC不断地检查由操作控制器生成的控制输入的安全性，并且如果控制输入被预测为在可预见的未来总是导致危险情况，则进行干预。则可以激活适当的备份方案，例如，降级的控制机制、系统向安全状态的转换或向人类监督员发出的警告信号。为了验证概念，建议SCA应用于自动驾驶场景，在不同的避障场景中进行说明和比较。SCA的一个主要挑战在于MPC预测模型与实际系统之间的不匹配，对此可能的补救措施进行了探索。
2022-01-31 cs.SY eess.SY
Set-Estimation based Networked Model Predictive Control for Energy Management of Faulty Microgrids
本文讨论了部分故障微电网的潮流控制问题。在微电网控制系统中，电气层和通信层都可能发生故障。这可能对微电网的运行产生严重影响。此外，扰动总是与微电网中的故障共存，这可能进一步恶化系统性能。为了同时解决故障和干扰问题，提出了一种基于集员估计（SME）的模型预测控制（MPC）方法，该方法通过通信网络传输信息。当电气设备不工作或发生通信故障时，相应的系统状态将变得不可用。为此，SME方法被用来估计未知但有界的过程和测量干扰存在的状态。利用光伏发电量和负荷需求的预测，设计了网络化预测控制方法来调度电力调度。通过这两种方法，可以实现容错控制。此外，提出了一种偏差补偿方法来补偿预测误差。所提出的控制策略的有效性证明通过无线通信测试使用树莓派。
2021-06-07 cs.SY eess.SY
Model Predictive Control for Coupled Adoption-Opinion Dynamics
Institute of Electronics, Computer and Telecommunication Engineering, National Research Council of Italy（意大利国家研究委员会电子、计算机和通信工程研究所）；Politecnico di Torino（都灵理工大学）；Department of Computer Science, Institute of Science Tokyo（东京科学大学计算机科学系）；Department of Information Physics and Computing, The University of Tokyo（东京大学信息物理与计算学系）
本文提出基于模型预测控制的策略，通过塑造意见间接促进可持续行为的扩散，提升干预效果和可扩展性。
2026-01-23 cs.SY eess.SY
Recurrent Neural Network-based Model Predictive Control for Continuous Pharmaceutical Manufacturing
National University of Singapore（新加坡国立大学）
本文探讨了循环神经网络在连续制药制造中模型预测控制的应用，证明其在建模动态系统和闭环控制性能方面的有效性。
2018-07-25 cs.SY eess.SY
Cognitive-Flexible Control via Latent Model Reorganization with Predictive Safety Guarantees
King Mongkut’s University of Technology Thonburi（泰国孔敬理工大学）
本文提出认知灵活控制框架，通过动态重组潜在表示并结合贝叶斯MPC，实现安全且高效的非平稳网络物理系统控制。
2026-03-07 cs.SY eess.SY
Learning References with Gaussian Processes in Model Predictive Control applied to Robot Assisted Surgery
Otto-von-Guericke Univ. Magdeburg（马格德堡奥托·冯·格里克大学）；Fraunhofer-Institute for Factory Operation and Automation（弗劳恩霍夫工厂运营与自动化研究所）
模型预测控制的主要优点之一是能够主动控制系统，考虑到未来的系统演化。然而，往往外部干扰或参考是不是一个先验已知的，这使得预测控制器短视或不知情。自适应预测模型可以用来克服这个问题，并为控制器提供这些信号的预测。在这项工作中，我们建议通过高斯过程学习参考模型预测控制器。为了说明这种方法，我们考虑机器人辅助手术，其中机器人操纵器需要根据光学跟踪测量来跟随学习的参考位置。
2019-11-25 cs.RO cs.SY eess.SY
A hierarchical distributed predictive control approach for microgrids energy management
本文讨论了典型微电网中能源资源的管理和协调问题，包括智能建筑作为灵活负载、储能和可再生能源。总体目标是提供一个全面和创新的框架，以最大限度地提高整体效益，仍然考虑到可能的请求，以改变来自电网的负载配置文件，并让每个建筑物或用户在服务这些请求和满足自己的舒适度之间取得平衡。决策过程中的用户参与是由一个管理和控制解决方案，利用创新的分布式模型预测控制方法与协调授予。此外，还提出了一种分层结构，将分布式MPC用户侧与微电网控制集成，也是用MPC技术实现的。所提出的整体方法已实施和测试的实验室设施的分布式能源系统（智能RUE）在NTUA，雅典，希腊的几个实验。仿真分析和结果补充了测试，显示了该方法的准确性和潜力，也从实施的角度。
2020-06-01 cs.SY eess.SY
Minimizing Pumping Energy Cost in Real-time Operations of Water Distribution Systems using Economic Model Predictive Control
优化水泵运行是配水系统实时管理的一项具有挑战性的任务。通过适当的泵调度，可以显著降低泵送成本。在这项研究中，提出了一种新的经济模型预测控制（EMPC）的实时管理的WDS框架。最佳的泵操作是基于预测的系统行为在一个后退的时间范围内选择，目的是最小化总泵送能量成本。在满足所有所需用水需求的同时，考虑了随时间变化的电价。该框架的新颖之处在于选择在每个泵站中运行的泵的数量作为决策变量，以优化总的泵送能量成本。通过使用整数规划，所提出的EMPC适用于一个基准的案例研究，里士满修剪网络。在EPANET液压仿真平台上进行了仿真。此外，使用所提出的EMPC所获得的结果与那些获得的比较，使用所提出的EMPC显示出显着的经济效益。
2021-05-05 cs.SY eess.SY
Grocery Store Flexibility Management Using Model Predictive Control With Neural Networks
随着越来越多的能源由可再生能源（RES）生产，平衡生产和消费的挑战正在转移到消费者而不是电网。这就需要在个别建筑物和地区层面上采用新的、智能的灵活性管理方法。为此，本文提出了一种嵌入深度神经网络的基于模型的最优控制（MPC）算法，用于日前的消费和生产预测。该算法用于优化位于芬兰的一个中型杂货店的能源消耗。系统在模拟工具中进行了测试，利用现实生活中的电力测量从杂货店。我们报告了一个$8.4\%$减少日常峰值负荷的灵活性提供了一个$20$千瓦时电池。另一方面，在试图优化能源现货价格方面没有看到明显的好处。我们的结论是，我们的方法是能够显着降低在杂货店的峰值负荷，而无需额外的运营成本。
2020-01-21 cs.SY eess.SY
Traffic Predictive Control from Low-Rank Structure
University of California, Los Angeles（加州大学洛杉矶分校）；Sensys Networks, Inc.（Sensys Networks公司）；University of California, Berkeley（加州大学伯克利分校）
本文提出基于交通流量预测的信号控制方法，利用历史数据中的低秩结构预测未来交通流，并据此优化信号计划时间。
2016-12-07 cs.SY eess.SY
Stochastic Data-Driven Predictive Control with Equivalence to Stochastic MPC
University of Waterloo（滑铁卢大学）；University of Toronto（多伦多大学）
针对部分状态观测下未知随机LTI系统的机会约束输出跟踪问题，提出一种不依赖参数化模型、遵循SMPC框架的数据驱动滚动时域控制方法，生成闭环控制策略序列，在特定条件下与基于模型的SMPC等价且经仿真验证性能优势。
2025-11-12 cs.SY eess.SY
GMPC: Geometric Model Predictive Control for Wheeled Mobile Robot Trajectory Tracking
针对移动机器人轨迹跟踪中现有方法未考虑构型流形约束的问题，提出基于李群李代数的几何MPC框架，通过凸化问题实现高效求解，跟踪平滑度优于现有非线性MPC，且公开了纯Python仿真平台。
2024-03-12 cs.SY eess.SY
Datamodel-Based Data Selection for Nonlinear Data-Enabled Predictive Control
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出基于数据模型的方法，通过学习上下文依赖的影响函数，根据当前初始轨迹和参考轨迹映射到列重要性评分，以提高非线性系统控制性能。
2026-03-25 cs.SY eess.SY
Koopman NMPC: Koopman-based Learning and Nonlinear Model Predictive Control of Control-affine Systems
California Institute of Technology（加州理工学院）
基于Koopman的学习方法可能是动态机器人系统的实用和强大的工具。然而，构建Koopman表示的常用方法寻求学习提升的线性模型，这些模型无法捕获许多机器人系统中固有的非线性致动效应。本文提出了一种学习和控制方法，是克服这一限制的第一步。利用Koopman正则变换，控制仿射动力学可以表示为提升双线性模型。学习的模型用于非线性模型预测控制（NMPC）的设计，其中的双线性结构可以被利用，以提高计算效率。控制仿射动力学相比，现有的Koopman为基础的方法的好处突出通过一个例子的模拟平面四旋翼。预测误差大大减少，闭环性能类似于NMPC与全模型知识。
2021-05-17 cs.RO cs.SY eess.SY
Stochastic Model Predictive Control with Dynamic Chance Constraints
针对受无界随机扰动的线性离散系统，提出通过概率可达管与约束紧缩求解两阶段随机优化的动态机会约束SMPC方案，保证递推可行性与闭环约束满足。
2023-07-25 cs.SY eess.SY math.OC
Predictive Control with Learning-Based Terminal Costs Using Approximate Value Iteration
模型预测控制（MPC）方案下的稳定性通常由终端成分来确保。采用（控制）李雅普诺夫函数作为终端成本构成了一个共同的选择。基于学习的方法可以用于通过将终端成本与例如无限时域最优控制问题相关联来构造终端成本，其中最优成本是李雅普诺夫函数。值迭代是一种近似动态规划（ADP）方法，是一种特殊的成本近似技术。在这项工作中，我们合并终端无约束预测控制和近似值迭代的结果，从这两个领域的利益。一个预测范围是根据不同的因素，如近似相关的错误，使闭环渐近稳定，进一步允许一个次优估计相比，一个无限的地平线上的最佳成本。结果扩展了最近的研究预测控制与ADP为基础的终端成本，不需要一个本地的初始稳定控制器。我们比较这个控制器在模拟与其他终端成本选项，表明所提出的方法导致一个较短的最小地平线相比，以前的结果。
2022-12-01 cs.SY eess.SY math.OC
An Error-State Model Predictive Control on Connected Matrix Lie Groups for Legged Robot Control
University of Michigan（密歇根大学）；Cornell University（康奈尔大学）
本文提出了一种新的误差状态模型预测控制（MPC）方法，用于机器人控制的连接矩阵李群。线性化跟踪误差动力学和线性化的运动方程推导的李代数。此外，给定一个初始条件，线性化的跟踪误差动力学和运动方程是全局有效的，并独立于系统轨迹的演变。通过利用问题的对称性，所提出的方法显示出更快的收敛速度的旋转和位置同时比最先进的几何变分MPC基于变分线性化。对全驱动三维刚体动力学跟踪控制的数值仿真证实了所提出的方法相比基线的好处。此外，提出的MPC也验证了四足机器人MIT迷你猎豹的姿态控制和运动实验。
2023-01-23 cs.RO cs.SY eess.SY
Distributed Model Predictive Control of Spatially Interconnected Systems Using Switched Cost Functions
The Ohio State University（俄亥俄州立大学）
本文提出了一种适用于具有通信限制的空间互联系统的分布式模型预测控制方案，通过切换成本函数确保控制器在单次信息交换步骤中完成输入更新，同时通过终端控制律保证原点稳定性。
2017-06-03 cs.SY eess.SY math.OC
On the improvement of model-predictive controllers
Think Tank JUMO GmbH & Co. KG（智库久茂有限两合公司）；Fulda University of Applied Sciences（富尔达应用科学大学）
本文通过合成MPC问题证明，提高内部预测模型精度可自动改善控制器整体性能，并与最优基线PM在三个控制问题上比较验证。
2023-08-29 cs.LG cs.NE cs.SY
Regularization in Data-driven Predictive Control: A Convex Relaxation Perspective
University of California San Diego（加利福尼亚大学圣地亚哥分校）
本文通过凸松弛视角探讨数据驱动预测控制中正则化的作用，提出A-DDPC方法，通过迭代算法解决内层问题，实验表明其在减少偏差和方差误差方面优于现有方法。
2026-10-19 cs.SY eess.SY math.OC
Exploring Attack Resilience in Distributed Platoon Controllers with Model Predictive Control
University of Florida（佛罗里达大学）
本文研究分布式车辆车队控制器的网络攻击弹性，利用MPC模拟MITM和FDI攻击识别漏洞，并提出基于机器学习检测的强化通信协议等对策，以构建安全弹性的系统。
2024-01-08 cs.AI cs.SY eess.SY
Adaptive Economic Model Predictive Control: Performance Guarantees for Nonlinear Systems
ETH Zürich（苏黎世联邦理工学院）
本文提出了一种自适应经济模型预测控制方法，通过在线模型适应和管状方法，在非线性系统中实现鲁棒性和性能保证。
2026-01-15 cs.SY eess.SY math.OC
Decentralized Robust Data-driven Predictive Control for Smoothing Mixed Traffic Flow
针对混合交通中集中式CAV控制的可扩展性、隐私性与鲁棒性问题，提出去中心化鲁棒DeeP-LCC方法，通过本地数据计算与邻域交互扰动建模，在保障隐私与安全的同时提升计算效率与交通流平滑效果。
2024-10-06 cs.SY eess.SY math.OC
Linear model predictive control based on polyhedral control Lyapunov functions: theory and applications
Univ. of Pisa（比萨大学）
利用多面体控制Lyapunov函数（PCLF）在有限时域线性模型预测控制中保证最大吸引域，并提出了两种变体，所有方案均可转化为二次规划问题。
2012-08-12 cs.SY eess.SY math.OC
Model predictive quantum control: A modular approach for efficient and robust quantum optimal control
该研究提出基于模型预测控制（MPC）的模块化量子最优控制（QOC）框架，介绍MPC基础概念并给出多类带稳定性保证的方案，可提升开环QOC效率与闭环量子控制鲁棒性，数值实验验证了其性能优势。
2025-09-05 cs.SY eess.SY math.OC
Soft projections for robust data-driven control
ETH Zürich（苏黎世联邦理工学院）；University of Groningen（格罗宁根大学）
本文提出软投影方法，用于数据驱动控制中的鲁棒性提升，通过投影交集来优化约束集，提供误差界并支持流数据适应。
2026-04-01 cs.SY eess.SY math.OC
Data-driven predictive control in a stochastic setting: a unified framework
数据驱动预测控制（DDPC）以其时间效率高、相对于预言解无偏的特点，成为传统模型预测控制（MPC）的有效替代方案。尽管如此，它也被观察到，噪声可能会严重危害最终的闭环性能，因为它影响基于数据的系统表示和控制更新计算的在线测量。最近的研究表明，正则化可能是抵消噪声影响的成功工具。同时，正则化需要调整一组惩罚项，如果没有闭环实验，选择惩罚项实际上可能很困难。本文利用子空间辨识工具，实现了三个目标：$(i)$，为现有的随机系统的正则化数据驱动预测控制方案建立了一个统一的框架; $(ii)$，我们引入了$γ$ -DDPC，一个有效的两阶段方案，它将优化问题分为两部分：初始条件拟合和未来性能优化，同时保证约束满足; $(iii)$讨论了正则化在数据驱动预测控制中的作用，为$when$和$how$提供了新的见解。基准数值算例研究最后说明了性能的$γ$ -DDPC，显示如何控制器的设计可以简化的调整工作和计算复杂性时，受益于来自子空间识别领域的见解。
2022-11-21 cs.SY eess.SY math.OC
Nonprehensile Riemannian Motion Predictive Control
University of Washington（华盛顿大学）
非线性操纵涉及到长时间的欠驱动对象相互作用和与不同对象的物理接触，这可能会固有地引入高度的不确定性。在这项工作中，我们引入了一种新的Real-to-Sim奖励分析技术，称为黎曼运动预测控制（RMPC），以可靠地想象和预测为真实机器人平台采取可能行动的结果。我们提出的RMPC受益于黎曼运动策略和二阶动力学模型来计算加速度命令和控制机器人在表面上的每个位置。我们的方法创建了一个真实场景的3D对象级重组模型，在那里我们可以模拟不同轨迹的效果。我们产生了一个闭环控制器，在一个连续的动作空间反应性地推动对象。我们评估我们的RMPC方法的性能进行实验，在一个真正的机器人平台上，以及模拟和比较几个基线。我们观察到，RMPC是强大的，以及在混乱和闭塞的环境，优于基线。
2021-11-15 cs.LG cs.RO cs.SY
Reservoir computing for system identification and predictive control with limited data
University of Washington（华盛顿大学）
本文评估递归神经网络变体在有限数据下学习系统动力学并作为模型预测控制替代模型的能力，发现回声状态网络在计算复杂度、预测时长和控制成本上均具优势。
2024-10-23 cs.LG cs.SY eess.SY
Combining model-predictive control and predictive reinforcement learning for stable quadrupedal robot locomotion
针对四足机器人稳定步态生成问题，提出MPC与预测RL结合的混合控制器，以神经网络Q函数作为末端代价降低短时域计算负担，并实现无需预训练的实时稳定运动。
2023-07-15 cs.AI cs.RO cs.SY
