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
Data-Driven Model Predictive Control for Linear Time-Periodic Systems
研究了周期已知的离散线性时间周期（LTP）系统的数据驱动预测控制问题。我们提出的策略推广了数据支持预测控制（DeePC）和子空间预测控制（SPC），这是线性时不变（LTI）系统的数据驱动控制技术。该方法是支持广泛的理论发展的行为系统理论的LTP系统，最终概括的基本引理。我们的算法产生的结果相同的标准模型预测控制（MPC）的确定性LTP系统。该算法对噪声数据的鲁棒性是通过将该算法应用于随机多输入多输出LTP系统的正则化版本的仿真来说明的。
2022-09-12 cs.SY eess.SY
Tube-Based Zonotopic Data-Driven Predictive Control
针对受有界附加扰动影响的线性系统，提出了一种基于管的数据驱动预测控制方法。我们的方法利用最近的结果在未知的线性系统的可达性分析，制定和解决一个强大的基于管的预测控制问题。更确切地说，我们的方法包括从收集的数据中导出一个包括真实状态误差集的zonotope。我们展示了如何保证所产生的错误zonotope，这可以被利用来增加现有zonotopic数据驱动的MPC配方的计算效率的稳定性。双积分器的强对抗性噪声的影响下的结果表明，所提出的控制方法的有效性。
2022-11-24 cs.SY eess.SY
Kernelized offset-free data-driven predictive control for nonlinear systems
针对非线性系统中传统预测控制器因预测器不准确或持续干扰导致的跟踪偏置与稳定性问题，本文提出核化无偏置数据驱动预测控制方案，通过核方法参数化速度模型非线性项并以最小二乘法学习参数，经仿真验证有效且提供了可行性与稳定性分析框架。
2024-11-27 cs.SY eess.SY
Data-driven Nonlinear Predictive Control for Feedback Linearizable Systems
针对一类离散多输入多输出反馈线性化非线性系统，提出了一种数据驱动的非线性预测控制方法。该方案使用了一个非参数预测模型，仅基于输入和噪声输出数据以及一组基函数，近似未知的非线性。尽管有噪声输出数据以及使用基函数所造成的失配，我们表明，所提出的多步鲁棒数据驱动的非线性预测控制方案是递归可行的，并使闭环系统实际指数稳定。我们说明了我们的结果上的一个完全驱动的二级倒立摆模型。
2023-03-27 cs.SY eess.SY
Optimal Data-Driven Prediction and Predictive Control using Signal Matrix Models
本文提出一种更简洁的Willems引理表述，将模型分离为初始条件匹配与预测控制设计，避免了正则化，并给出未来输出轨迹的最优无偏预测器闭式表达式，仿真验证了其优异控制性能。
2024-03-22 cs.SY eess.SY
Noise-Tolerant Hybrid Approach for Data-Driven Predictive Control
University of Southern Denmark（南丹麦大学）
本文提出一种容错混合数据驱动预测控制方法，通过奇异值分解分离系统动态与噪声，提升预测精度和计算效率。
2026-01-08 cs.SY eess.SY
MM-LMPC: Multi-Modal Learning Model Predictive Control via Bandit-Based Mode Selection
针对传统LMPC依赖初始轨迹易陷入局部最优的问题，提出多模态MM-LMPC方法，通过轨迹聚类分模式维护终端集与价值函数，结合老虎机LCB策略平衡探索利用，可逃离局部最优并保证稳定性与收敛性，仿真验证了性能提升。
2025-10-01 cs.SY eess.SY
Scalable Multi-modal Model Predictive Control via Duality-based Interaction Predictions
Model Predictive Control Laboratory, UC Berkeley（模型预测控制实验室，伯克利大学）
提出一种用于复杂多模态交通场景的分层实时MPC架构，结合RAID-Net预测车辆交互并简化随机MPC问题以消除无关约束，在模拟路口实现12倍求解加速。
2025-03-31 cs.LG cs.RO cs.SY
Online Poisoning Attacks Against Data-Driven Predictive Control
数据驱动预测控制（DPC）是一种针对动态未知系统的反馈控制方法。它根据过去的输入输出数据反复优化系统的未来轨迹。我们开发了一种计算中毒攻击的数值方法，该方法将添加剂扰动注入在线输出数据，以改变DPC优化的轨迹。该方法是基于隐式微分的DPC轨迹优化的解决方案的地图。我们证明，由此产生的攻击可能会导致输出跟踪误差一个数量级高于随机扰动的数值实验。
2022-11-23 cs.SY eess.SY
Data-driven Distributed and Localized Model Predictive Control
受大规模但计算受限的设置的启发，例如，物联网，我们提出了一种新的数据驱动的分布式控制算法，直接从轨迹数据合成。我们的方法，数据驱动的分布式和本地化模型预测控制（D $^3$ LMPC），建立在数据驱动的系统级综合（SLS）框架，它允许一个参数化\emph{closed-loop}系统响应直接从收集的开环轨迹。所得到的模型预测控制器可以实现分布式计算，只有本地信息共享。通过对系统响应施加局部约束，我们证明了我们的合成问题所需的数据量与全局系统的大小无关。此外，我们表明，我们的算法享有理论保证的递归可行性和渐近稳定性。最后，我们还证明了我们的算法的最优性和可扩展性在模拟实验。
2021-12-22 cs.SY eess.SY
Robust Data-Driven Tube-Based Zonotopic Predictive Control with Closed-Loop Guarantees
本文提出一种针对离散时间线性系统的鲁棒数据驱动TZPC方法，通过两阶段设计在有界噪声下保证递归可行性与闭环鲁棒指数稳定性，数值仿真验证了其有效性与优越性能。
2025-09-16 cs.SY eess.SY
Data-Driven Robust Predictive Control with Interval Matrix Uncertainty Propagation
Uninettuno University（英内图诺大学）；Università di Siena（锡耶纳大学）；Mercatorum University（美卡托鲁姆大学）
本文提出一种数据驱动的鲁棒预测控制方法，通过区间矩阵构建不确定性表示，并利用矩阵扎诺托pe运算约束预测时间内的不确定性，保证状态和输入约束的鲁棒满足。
2026-03-18 cs.SY eess.SY
Design and Implementation of Data-driven Predictive Cloud Control System
随着被控对象规模和复杂性的快速增长，传统的控制系统在计算能力和存储空间等方面面临着新的挑战。云计算被认为是利用足够的计算资源来处理复杂的大规模控制任务的强大解决方案。然而，随着计算能力的提高，涉及的设备越来越复杂，数据量越来越大，模型算法的应用受到了限制。基于上述原因，我们提出了一种原始的数据驱动的预测云控制系统。为了实现所提出的系统，建立了一个实用的数据驱动的预测云控制平台，而不仅仅是一个数值模拟器，并共同开发了云边缘通信方案。最后通过仿真、实验和讨论验证了该系统的有效性。
2021-12-29 cs.SY eess.SY
Autonomous path following using data-driven predictive control
University of Zagreb, Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程和计算学院）
该研究针对自主路径跟踪问题，提出基于误差空间的线性化数据驱动预测控制算法，结合纵向车速调度，经高保真仿真测试验证了其用于车辆控制的潜力。
2026-08-26 cs.SY eess.SY
Set-Theoretic Direct Data-driven Predictive Control
针对带未知时滞的受约束LTI系统，提出集合论式直接数据驱动预测控制方法，通过构建N步输入输出后向可达集推导控制律，无需终端代价、状态估计与显式预测模型，可保证有限时间收敛与递归可行性，镇定效果优于无终端成分的同类方法。
2024-11-01 cs.SY eess.SY
Maximum Likelihood Signal Matrix Model for Data-Driven Predictive Control
本文提出了一种数据驱动的预测控制框架的基础上直接从收集的数据的信号矩阵导出的隐式输入输出映射。这个信号矩阵模型是由最大似然估计与噪声污染的数据。通过在线线性化，隐式模型可以作为线性约束来描述滚动时域控制中系统可能的轨迹。信号矩阵也可以用新的测量值在线更新。该算法可以应用于大数据集和慢时变系统，可能具有高噪声水平。可以引入关于预测误差的附加正则化项以增强可预测性，从而增强控制性能。数值结果表明，所提出的信号矩阵模型预测控制算法在多种应用场合都是有效的，并且性能优于现有的数据驱动预测控制算法。
2021-11-08 cs.SY eess.SY
Data-driven tube-based stochastic predictive control
行为系统理论的一个强有力的结果，称为基本引理，允许预测控制类似于线性时不变（LTI）系统的模型预测控制（MPC），具有纯粹来自数据的未知动态。虽然大多数的数据驱动的预测控制文献的重点是相对于测量噪声的鲁棒性，只有少数作品考虑利用概率信息的干扰性能为导向的控制，在随机MPC。在这项工作中，我们提出了一种新的数据驱动的随机预测控制方案的机会约束LTI系统的测量噪声和附加的随机干扰。为了使其他随机和棘手的最优控制问题的确定性，我们的方法利用基于管的MPC的想法，通过将状态分解成由输入驱动的确定性标称状态和受干扰影响的随机误差状态。通过收紧约束的概率相对于加性干扰和鲁棒性相对于测量噪声，原始的机会约束的满意度得到保证。由此产生的数据驱动的滚动时域最优控制问题是轻量级的，递归可行的，并呈现闭环输入状态稳定的附加干扰和测量噪声。我们证明了所提出的方法的有效性，在一个仿真例子。
2023-03-27 cs.SY eess.SY
Data-driven Predictive Control for Unlocking Building Energy Flexibility: A Review
由于可变可再生能源的渗透率不断提高，电网的供需管理变得越来越具有挑战性。作为重要的终端用户，通过更好的电网集成，建筑物有望在未来的智能电网中发挥越来越大的作用。预测控制允许建筑物更好地利用来自建筑物被动热质量的可用能量灵活性。然而，由于建筑物的异质性，开发计算上易于处理的面向控制的模型，它充分代表了单个建筑物的复杂和非线性的热动力学，被证明是一个主要的障碍。数据驱动的预测控制与“物联网”相结合，有望实现可扩展和可转移的方法，数据驱动的模型将取代传统的基于物理的模型。本文回顾了最近的工作，利用数据驱动的预测控制需求侧管理的应用，特别关注模型开发和控制集成的关系，到目前为止，以前的评论还没有解决。研究的进一步主题包括利用被动热质量的实际要求和功能选择的问题。概述了目前的研究差距，并提出了未来的研究途径，以确定最有前途的数据驱动的预测控制技术的网格集成的建筑物。
2020-07-29 cs.SY eess.SY
On data usage and predictive behavior of data-driven predictive control with 1-norm regularization
该研究分析了带1-范数正则化的数据驱动预测控制的数据使用与预测行为，支持离线移除未使用数据并可与真实系统先验知识比较对称结构及数据使用情况，以评估方案对有效控制的适用性。
2025-07-08 cs.SY eess.SY math.OC
On the impact of regularization in data-driven predictive control
本文研究两种正则化惩罚对新型数据驱动预测控制方法$γ$-DDPC闭环性能的影响，并探讨不同数据与噪声场景下的系数调优，为终端用户提供实用指导。
2024-03-23 cs.SY eess.SY
Robust Data-Driven Predictive Control of Unknown Nonlinear Systems using Reachability Analysis
针对有界噪声下的未知非线性系统，提出基于数据驱动可达集过近似的鲁棒预测控制方法，可从含噪数据生成安全控制策略，并取得与基于模型方法相当的性能。
2023-07-16 cs.SY eess.SY
Stochastic Data-Driven Predictive Control: Regularization, Estimation, and Constraint Tightening
本文针对无界随机不确定性下的数据驱动预测控制，提出免调参正则化器、基于一步超前预测的初始条件估计器以及基于二阶锥约束的约束收紧方法，以实现高概率约束满足并提升控制性能。
2023-12-05 cs.SY eess.SY
Distributionally Robust Stochastic Data-Driven Predictive Control with Optimized Feedback Gain
针对部分观测未知随机LTI系统，提出可优化仿射反馈增益、用CVaR处理安全约束的分布鲁棒数据驱动预测控制，并证明其与模型基随机预测控制等价。
2024-09-11 cs.SY eess.SY
Data-Driven Predictive Control for Wide-Area Power Oscillation Damping
ETH Zurich（苏黎世联邦理工学院）；Hitachi Energy Research（日立能源研究院）；The University of Melbourne（墨尔本大学）
本文提出数据驱动预测控制用于阻尼广域电力系统振荡，通过对比ARX、TPC与DeePC等方法，验证了其在抑制区域间和局部振荡中的有效性。
2026-01-27 cs.SY eess.SY
Data-driven Output-feedback Predictive Control: Unknown Plant's Order and Measurement Noise
针对系统模型完全未知的多输入多输出线性定常系统，提出了一种新的数据驱动控制方案。通过非最小输入输出实现，该方法可以应用于系统阶数未知的情况，只要其上界已知。针对测量噪声提出了一种解决方案，并通过仿真研究表明，所提出的方法是优于传统的方法时，处理由测量噪声损坏的输入/输出数据。
2022-01-10 cs.SY eess.SY
Data-Driven Predictive Control for Stochastic Descriptor Systems: An Innovation-Based Approach Handling Non-Causal Dependencies
Tsinghua University（清华大学）；East China University of Science and Technology（华东理工大学）
针对随机描述系统中非因果依赖性问题，提出一种基于创新驱动的数据驱动预测控制框架，通过将快子系统分解为噪声驱动和输入驱动部分，并结合慢子系统定义创新卡尔曼滤波器，实现无需系统矩阵的预测控制。
2026-05-24 cs.SY eess.SY
MM-LMPC: Multi-Modal Learning Model Predictive Control via Mode-Specific Terminal Design and Bandit-Based Exploration
Graduate School of Engineering, The University of Osaka（大阪大学大学院工学研究科）；Institute of Systems and Information Engineering, University of Tsukuba（筑波大学系统信息工程学研究所）
提出多模态LMPC（MM-LMPC），通过聚类轨迹为运动模式并构建模态特定终端设计，结合LCB元控制器选择模式，以增强探索并降低代价，理论保证稳定性与收敛性。
2026-09-15 cs.SY eess.SY
Interactive multi-modal motion planning with Branch Model Predictive Control
California Institute of Technology（加州理工学院）
自主机器人和车辆的运动规划存在的不受控制的代理仍然是一个具有挑战性的问题，因为反应行为的不受控制的代理必须考虑。由于不受控制的智能体通常表现出多模态反应行为，运动规划器需要解决这些行为下的连续运动规划问题，其中包含离散元素。我们提出了一个分支模型预测控制（MPC）框架，计划反馈策略，利用不受控制的代理的反应行为。特别是，一个场景树是从一个有限的一组不受控制的代理的政策，和分支MPC解决了反馈策略的轨迹树的形式，共享相同的拓扑结构的场景树。此外，一致的风险度量，如条件风险价值（CVaR）被用作调整旋钮，以调整性能和鲁棒性之间的权衡。建议的分支MPC框架进行测试的超车和变道任务和合并任务的自动驾驶车辆的模拟，并在实验中的一个自主四足机器人旁边的不受控制的四足动物的运动规划。结果展示了有趣的人类行为，实现了安全和性能之间的平衡。
2021-09-18 cs.RO cs.SY eess.SY
Distributionally Robust Data-Driven Predictive Control for Stochastic LTI Systems
Aalborg University（奥尔堡大学）
本文提出面向随机线性时不变系统的分布鲁棒数据驱动预测控制框架，通过最小二乘法构建预测残差经验分布作为扰动分布代理，利用Wasserstein模糊集最小化最坏情况下的期望成本并满足概率输出约束，有效验证了该方法在不同扰动条件下的性能。
2026-05-08 cs.SY eess.SY
Local Sensitivity Analysis for Kernel-Regularized ARX Predictors in Data-Driven Predictive Control
KTH Royal Institute of Technology（瑞典皇家理工学院）
本文研究了结构ARX预测器在数据驱动预测控制中的局部敏感性，推导了隐式预测器映射的一阶线性化，用于生成控制相关预测不确定性项和任务依赖的敏感性度量，以优化核正则化。
2026-04-07 cs.SY eess.SY
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
Data-driven Model Predictive and Reinforcement Learning Based Control for Building Energy Management: a Survey
建筑能源管理是现代电网的核心问题之一，以降低能耗，同时确保居住者的舒适性。然而，随着可再生能源的日益普及和人与建筑物之间复杂的相互作用，建筑能源管理系统（BEMS）正面临更多的挑战和不确定性。经典的模型预测控制（MPC）已显示出其降低建筑能耗的能力，但它受到劳动密集型建模和复杂的在线控制优化。近年来，随着楼宇控制和自动化数据的可访问性越来越高，数据驱动的解决方案吸引了更多的研究兴趣。本文介绍了一个紧凑的审查的最新进展，数据驱动的MPC和强化学习为基础的控制方法的BEMS。在这些方法和见解的控制方法的选择的主要挑战进行了讨论。
2021-06-28 cs.SY eess.SY
Data-driven design of explicit predictive controllers using model-based priors
在本文中，我们提出了一种数据驱动的方法来获得显式预测控制律，而不需要任何中间识别步骤。所提出的策略的重点是利用现有的控制律的先验知识，来自基于模型的分析。具体来说，通过利用最优预测控制器表示为分段仿射（PWA）法的知识，我们直接从数据中优化这种分析控制器的参数，而不是运行在线优化问题。由于所提出的方法允许我们自动检索的闭环系统的模型，我们表明，我们可以应用基于模型的技术来执行稳定性检查之前的控制器部署。所提出的策略的有效性进行评估的两个基准模拟的例子，通过它，我们还讨论了使用正则化和平均技术相结合，以处理噪声的存在。
2022-07-04 cs.SY eess.SY
The Bias of Subspace-based Data-Driven Predictive Control
本文量化了闭环数据下基于子空间的DDPC偏差，将其分解为子空间偏差与乐观偏差，并证明瞬态预测控制不受这两种偏差影响，实验验证了偏差对跟踪性能的损害。
2025-07-03 cs.SY eess.SY
Semi-Data-Driven Model Predictive Control: A Physics-Informed Data-Driven Control Approach
本文提出半数据驱动模型预测控制（SD-MPC）框架，融合有限模型信息与数据驱动预测控制（DeePC），解决其对噪声敏感和缺乏鲁棒性的问题，仿真验证了其增强的鲁棒性。
2025-08-05 cs.SY eess.SY
Data-Driven Distributed Stochastic Model Predictive Control with Closed-Loop Chance Constraint Satisfaction
不确定系统的分布式模型预测控制方法通常具有相当大的保守性，并且由于使用了服从分布式设计和优化方法的鲁棒公式，因此只能容忍很小的不确定性。在这项工作中，我们提出了一个分布式随机模型预测控制（DSMPC）计划的动态耦合线性离散时间系统的无界附加干扰，潜在的时间相关。一个间接的反馈公式，确保递归的可行性的DSMPC问题，和数据驱动的，分布式的和无优化的约束收紧方法允许在闭环控制过程中的机会约束的精确满足，解决典型的保守性来源。所提出的控制器的计算复杂度是类似的名义分布式MPC。该方法被证明在模拟的温度控制的一个大型数据中心随机变化的计算负载。
2022-03-02 cs.SY eess.SY
Data-Driven Predictive Control for Continuous-Time Industrial Processes with Completely Unknown Dynamics
研究了一类动态完全未知的连续工业过程的数据驱动预测控制问题。所提出的方法采用数据驱动技术，得到系统矩阵在线，使用输入输出测量。然后，设计了一种无模型预测控制方法来实现滚动优化和参考跟踪。分析了该算法的可行性和闭环控制系统的稳定性。最后，通过仿真实例验证了该方法的有效性.
2020-12-07 cs.SY eess.SY math.OC
Data-driven model predictive control of battery storage units
针对电池储能动态显式建模困难的问题，本文提出基于输入/输出数据的线性与输入非线性经济 MPC 方案，后者通过提升预测精度取得更优控制效果。
2024-07-06 cs.SY eess.SY
Data-driven predictive control of nonlinear systems using weighted regularization
Delft University of Technology（代尔夫特理工大学）；University of Oslo（奥斯陆大学）
针对非线性系统数据驱动预测控制问题，提出通过加权范数正则化纳入数据列偏好的框架，使预测器局部化且不丢数据，在保留数据矩阵及其秩时匹配或优于硬数据选择方案，保证了可行性。
2026-07-13 cs.SY eess.SY
An Innovations-Based Data-Driven Kalman Predictor for Predictive Control
针对现有数据驱动卡尔曼滤波器需离线测量过程扰动的局限，提出基于新息形式的参数化方案，通过输入输出数据直接估计新息过程，实现仅用实测数据的卡尔曼预测器，并经基准仿真验证性能。
2025-11-11 cs.SY eess.SY
Predictive Control for Autonomous Driving with Uncertain, Multi-modal Predictions
UC Berkeley（加州大学伯克利分校）；Ford Research and Advanced Engineering（福特研究与高级工程）
本文提出一种凸随机模型预测控制方法，通过优化参数化反馈策略并为多模态预测的每个模式分配风险水平，实现自动驾驶车辆在多智能体不确定场景下的实时可行路径规划。
2023-10-31 cs.RO cs.SY eess.SY
Data-Driven Predictive Control for Linear Parameter-Varying Systems
基于行为理论和线性变参数系统基本引理的推广，本文介绍了一种数据驱动的预测控制（DPC）方案，该方案能够在（i）系统可以用LPV形式表示和（ii）有信息数据的条件下，确保未知系统的参考跟踪和满足输入输出（IO）约束。包含系统的测量IO和调度轨迹的集合可用。它示出，如果数据集满足激励条件的持久性，然后可以从IO数据集和在线测量数据构造系统的未来轨迹的数据驱动的LPV预测器。该方法代表的第一步，由于潜在的LPV框架来表示它们的非线性和时变系统的DPC解决方案。两个说明性的例子，包括参考跟踪控制的非线性系统，提供证明基于数据的LPV-DPC计划，实现类似的性能LPV基于模型的预测控制。
2022-01-24 cs.SY eess.SY
Sampling-based Stochastic Data-driven Predictive Control under Data Uncertainty - Extended Version
针对受有界加性扰动的线性时不变系统，提出基于Willems引理扩展的随机约束输出反馈数据驱动预测控制方案，通过新型未知扰动参数化以采样方式近似机会约束，保证递归可行性等特性，经数值算例验证有效。
2025-10-06 cs.SY eess.SY
Safe Data-Driven Predictive Control
本文提出安全数据驱动预测控制框架，通过STF并发学习、RCBF和NMPC策略逼近消除精确模型依赖并降低计算负担，仿真表明其性能与现有基准相当且计算成本显著降低。
2025-04-11 cs.SY eess.SY
Data-Driven Koopman Predictive Control for Frequency Regulation of Power Systems using Black-Box IBRs
Johns Hopkins University（约翰斯·霍普金斯大学）
本文提出基于数据的Koopman预测控制方法，用于电力系统频率调节，通过将非线性系统动态提升到高维空间并近似为线性，直接从提升后的输入输出数据构建行为模型，无需参数模型即可满足控制输入和系统输出的显式约束。
2026-04-02 cs.SY eess.SY
Data-Driven Resilient Predictive Control under Denial-of-Service
线性时不变系统抗拒绝服务攻击的弹性控制研究在新兴的网络物理应用中越来越受欢迎。在以前的工作中，显式的系统模型需要设计一个基于预测的弹性控制器。这些模型可以是先验给定的，或者通过先验系统辨识步骤获得。最近的研究工作集中在基于预先收集的输入-输出轨迹（即，没有明确的系统模型）。在本文中，我们采取了第一步的数据驱动的稳定的随机LTI系统下的DoS攻击，并开发了一个弹性的模型预测控制（MPC）计划纯粹由数据相关的条件驱动。所提出的数据驱动控制方法实现了与基于模型的控制方法相同的弹性水平。例如，局部输入到状态稳定性（ISS）的噪声和DoS攻击的温和的假设下实现。为了恢复全局ISS，进一步提出了两种修改，其代价是降低了对拒绝服务攻击的弹性或增加了计算复杂度。最后通过数值算例验证了所提控制方法的有效性。
2021-10-25 cs.SY eess.SY
Data-Driven Model Predictive Control with Stability and Robustness Guarantees
提出了一种鲁棒的数据驱动模型预测控制（MPC）方案来控制线性时不变（LTI）系统。该计划使用了一个隐式的模型描述的基础上的行为系统理论和过去测量的轨迹。特别是，它不需要任何事先识别步骤，但只有一个初始测量的输入-输出轨迹，以及上界的顺序未知系统。首先，我们证明了一个标称的数据驱动MPC计划的终端等式约束的情况下，没有测量噪声的指数稳定性。对于有界加性输出测量噪声，我们提出了一个强大的修改方案，包括松弛变量与正则化的成本。我们证明，这种强大的MPC计划的应用程序中的多步方式导致实际指数稳定的闭环w.r.t.噪音水平。所提出的结果提供了第一个（理论）分析的闭环性能，从一个简单的，纯粹的数据驱动的MPC计划。
2021-04-16 cs.SY eess.SY
Robust Offset-free Kernelized Data-Driven Predictive Control for Nonlinear Systems
University of Southern Denmark（南丹麦大学）
本文提出一种基于核岭回归和解析线性化的数据驱动预测控制方法，用于非线性系统的鲁棒无偏跟踪，通过二次规划实现高效实时控制，并在Van der Pol振荡器上验证了其优于传统模型驱动控制器的性能。
2026-01-22 cs.SY eess.SY
Distributed Data-driven Predictive Control via Dissipative Behavior Synthesis
本文提出一种基于行为框架的分布式数据驱动预测控制方法，利用二次差分形式耗散性作为虚拟动态系统集成到控制设计中，通过分布式优化实现互联系统的全局成本最小化与期望控制性能。
2023-03-01 cs.SY eess.SY
Towards data-driven stochastic predictive control
本文针对受无界加性过程扰动影响的LTI系统，基于基本引理的随机扩展和多项式混沌展开，提出了一种数据驱动的随机预测控制方案，并提供了递归可行性与稳定性的充分条件。
2022-12-20 cs.SY eess.SY math.OC
Mixed Platoon Control under Noise and Attacks: Robust Data-Driven Predictive Control and Human-in-the-Loop Validation
School of Vehicle and Mobility, Tsinghua University（清华大学车辆与运载学院）
针对含CAVs和HDVs的混合车队因人工驾驶不确定性及噪声、攻击导致的控制挑战，提出RDeeP-LCC框架，基于数据驱动可达性分析过近似系统动力学，通过解耦系统和管控制提升鲁棒性与多方面性能，并经人机闭环验证。
2025-11-13 cs.SY eess.SY
Data-driven Model Predictive Control Method for DFIG-based Wind Farm to Provide Primary Frequency Regulation Service
随着风电渗透率的增加，新发布的电网规范要求风电场提供频率调节服务。由于风电场本质上是非线性的，并且有大量的参数需要频繁维护，因此如何建立风电场的动态模型进行动态控制是最关键的挑战。提出了一种数据驱动的模型预测控制（data-driven MPC）方法，使风电场参与一次调频。在该方法中，基于Koopman算子理论，提出了一种专门的动态模态分解（SDMD）算法，该算法能够线性地近似风电场的动态特性，与现有的扩展动态模态分解（EDMD）方法相比，该算法具有两个优点：1）能够在较宽的工况范围内准确地捕捉风电机组动态特性的非线性瞬态过程; 2）模型降维后计算量小。基于递归更新的线性动态模型，实现了模型预测控制解决方案。仿真结果表明，该无模型方法能够动态优化风电机组的有功功率，跟踪系统运行商的频率响应要求，并使转速畸变最小。
2020-12-07 cs.SY eess.SY
Data-driven feedback stabilization of nonlinear systems: Koopman-based model predictive control
针对非线性系统的反馈镇定问题，提出了一种预测控制框架。为了实现这一目标，我们将Koopman算子理论与基于Lyapunov的模型预测控制（LMPC）相结合。其主要思想是使用Koopman特征函数将非线性动力学从状态空间转换到函数空间-对于控制仿射系统，这导致在（提升的）函数空间中的双线性模型。然后，在Koopman特征函数坐标系中构造预测控制器，该控制器使用基于辅助控制李雅普诺夫函数（CLF）的有界控制器作为约束，以保证Koopman系统在函数空间中的稳定性.在原状态空间与提升函数空间之间存在连续可微逆映射的条件下，证明了所设计的控制器能够将Koopman双线性系统的反馈镇定转化为原非线性系统的反馈镇定.值得注意的是，在这项工作中提出的反馈控制设计仍然是完全数据驱动的，不需要任何显式的原始系统的知识。此外，由于Koopman模型的双线性结构，寻求CLF不再是LMPC的瓶颈。基准数值例子证明了建议的反馈控制设计的实用性。
2020-05-24 cs.SY eess.SY
