Designing a Nonlinear Model Predictive Controller for Fault Tolerant Flight Control
介绍了一种用于容错飞行控制的非线性模型预测控制器的设计过程。在检查和实施了一些数值技术,本文确定伪谱离散最适合这种设计。应用控制器的2D机器人模型表明,非线性控制器的性能比线性控制器,特别是在闭环的情况下。假设故障检测信息,应用该技术的纵向运动的一个通用的飞机模型显示的设计是非常适合于飞行控制。
2016-10-07 math.OC
Approximate explicit model predictive control via piecewise nonlinear system identification
本文提出了一种识别方法来捕捉一般的关系,应用于分段非线性逼近的模型预测控制的约束(非)线性系。在每次迭代中,数学公式采用数学上可行且数值上易于处理的约束线性(或二次)最优化问题的形式。所设计的方法的效率通过两个工业应用程序证明。结果表明,实现高近似精度与有限数量的区域的可能性,导致显着减少计算时间相比,最先进的隐式模型预测控制求解器。
2017-01-05 math.OC
Distributed model predictive control for continuous-time nonlinear systems based on suboptimal ADMM
针对连续时间非线性系统,提出了一种基于乘子交替方向法的分布式模型预测控制(DMPC)方案。ADMM算法中的停止准则限制了迭代,因此以次优解为代价限制了分布式MPC解期间所需的通信工作。在两种不同的ADMM收敛假设下,给出了次优DMPC格式的稳定性结果。特别是,它表明,在每个ADMM步骤所需的迭代是有界的,这也证实了在仿真研究。
2017-06-29 math.OC
Nonlinear Dual control based on Fast Moving Horizon estimation and Model Predictive Control with an observability constraint
本文提出了一种结合快速滚动时域参数估计和模型预测控制的算法,该算法受可观测性约束,以确保参数估计器性能的下界。在小噪声和初始误差的假设下,通过状态/误差系统的输入-状态稳定性证明了输出反馈稳定性。数值实验已经进行了积极的同时定位和映射(SLAM)的情况下。
2023-03-24 math.OC
Convergence of stochastic nonlinear systems and implications for Stochastic Model Predictive Control
随机模型预测控制(MPC)在附加扰动下的稳定性通常通过构造类Lyapunov不等式来证明,该不等式确保了闭环性能界和状态的有界性,但通常不能确定状态的严格极限界和非保守性能界。在这项工作中,我们使用的输入到状态的稳定性找到的条件,这意味着收敛概率为1的扰动非线性系统的最小鲁棒正不变集。我们讨论了随机MPC配方的状态和控制律的收敛性的影响,我们证明了几个现有的线性和非线性系统的随机MPC配方的收敛结果。
2020-04-06 math.OC
Self-triggered Model Predictive Control for Nonlinear Input-Affine Dynamical Systems via Adaptive Control Samples Selection
针对连续时间非线性仿射网络控制系统,提出了一种自触发的模型预测控制方法。该控制方法不仅规定了何时执行控制任务,而且提供了一种将最优控制轨迹离散为多个控制样本的方法,从而减少了通信负载。在采样保持实现下的稳定性分析也给出了,这保证了状态收敛到一个终端区域,系统可以通过一个本地状态反馈控制器稳定。一些仿真例子验证了我们提出的框架。
2016-03-11 math.OC
A General Framework for Nonlinear Model Predictive Control with Abstract Updates
考虑到非线性过程受到未知但可测的干扰,我们提供了稳定性和可行性证明的非线性模型预测控制器的抽象更新,而不使用稳定终端约束或成本。结果利用了放松的李雅普诺夫不等式的名义系统和合理的仿射利普希茨条件的开环变化的最优值函数和阶段的成本。对于这种方法,我们提供的证据表明,已知的MPC更新技术的基础上的灵敏度,实时迭代和层次结构的MPC更新满足我们的假设,揭示了一个共同的稳定性框架。为了说明我们的方法,我们提出了一个四分之一的例子,并显示更新后的解决方案的舒适性和处理性能的改进。
2013-09-06 math.OC
Online Learning-Based Predictive Control for Nonlinear System
针对无显式动力学的非线性系统,提出融合强化学习与OCP优化框架的在线LPC方法,保证在线稳定性并证明超线性收敛,仿真验证了其可行性与有效性。
2025-03-14 math.OC
Data-Enabled Predictive Control for Nonlinear Systems Based on a Koopman Bilinear Realization
本文通过Koopman双线性实现将Willems基本引理推广至非线性控制仿射系统,绕过EDMD系统辨识步骤,提出直接基于数据的DeePC框架,在最优性和对有限Koopman逼近误差的鲁棒性上优于现有方法。
2025-05-06 math.OC
A dual-control effect preserving formulation for nonlinear output-feedback stochastic model predictive control with constraints
提出了一种近似约束非线性输出反馈随机模型预测控制的设计方法。从理想的,但棘手的随机最优控制问题(OCP),其中涉及输出依赖的政策的优化,我们使用线性化的不确定性,得到一个易于处理的近似,其中包括知识的输出模型。这使我们能够精确地计算OCP外部函数的期望值。至关重要的是,这种近似保留了双重控制效应。因此,所得到的控制器知道输入的选择如何影响未来可用的信息,这反过来又影响随后的控制。
2023-01-09 math.OC
Particle Model Predictive Control: Tractable Stochastic Nonlinear Output-Feedback MPC
我们将条件状态密度构造与随机模型预测控制的场景方法扩展到非线性系统,得到一种新的基于粒子的随机非线性输出反馈模型预测控制。给定噪声测量数据的条件密度通过粒子滤波器传播,作为贝叶斯滤波器的近似实现。这使得条件状态密度或信息状态的基于粒子的表示能够自然地与从当前系统状态生成的场景合并。这种方法试图解决一般非线性随机最优控制的计算易处理性问题。粒子滤波器和方案的方法被证明是完全兼容的,并-基于时间和测量更新阶段的粒子滤波器-纳入未来的控制序列的优化。一个数值例子,并检查的依赖性的解决方案和计算负担的采样配置的密度,场景生成和优化视野。
2017-04-25 math.OC
Accelerated Nonlinear Model Predictive Control by Exploiting Saturation
提出了一种加速非线性模型预测控制的方法。如果当前最优输入信号饱和,则随后的时间步长中的最优信号通常也饱和。我们建议使用开环的最佳输入信号时,第一个和一些后续的输入信号饱和。我们只解决下一个最优控制问题,当遇到非饱和信号,或达到地平线的尽头。通过这种方式,我们可以节省大量的NLP待解决,而另一方面保持性能损失很小。此外,NMPC在将系统安全地控制到其参考时被及时重新激活。
2020-09-14 math.OC
Error Bounds in Nonlinear Model Predictive Control with Linear Differential Inclusions of Parametric-Varying Embeddings
本文提出基于线性微分包含的多面体管方法,为LPV嵌入的非线性MPC系统推导确定性误差界,并通过不平衡圆盘基准验证其精确性与低保守性。
2023-10-02 math.OC
A Hamilton-Jacobi Approach for Nonlinear Model Predictive Control in Applications with Navigational Uncertainty
本文提出利用Hamilton-Jacobi解增强非线性模型预测控制(MPC),在标称轨迹附近求解以克服实时计算挑战,并在三体问题混沌系统中验证了其提高轨迹跟踪精度的有效性。
2025-03-30 math.OC
Nonlinear Reachable Set Computation and Model Predictive Control for Safe Hypersonic Re-entry of Atmospheric Vehicles
本文针对高超声速再入安全问题,提出基于zonotopes的可达集计算方法,并结合模型预测控制进行轨迹规划,通过仿真验证了方法的有效性。
2024-03-29 math.OC
Stochastic Nonlinear Model Predictive Control with State Estimation by Incorporation of the Unscented Kalman Filter
非线性模型预测控制已成为一种流行的方法来处理高度非线性和不稳定的状态系统,但其性能会恶化,由于未考虑的不确定性。模型预测控制通常使用来自状态估计器的状态来代替精确状态,而不考虑误差。在本文中,提出了一种方法,通过将无迹卡尔曼滤波到NMPC问题,传播的不确定性引入的状态估计和加性噪声的干扰向前的时间。通过基于状态分布的高斯近似的概率约束来保持可行性。鲁棒时域的概念被引入到限制开环协方差,否则增长太大,导致保守性和MPC问题的不可行性。该方法的有效性进行了测试,一个具有挑战性的半间歇式反应器的案例研究与经济目标。
2017-09-05 math.OC
Integral-Type Event-Triggered Model Predictive Control of Nonlinear Systems with Additive Disturbance
研究了连续时间非线性系统的积分型事件触发模型预测控制。提出了一种积分型事件触发机制,通过将实际和预测状态序列之间的误差积分,从而降低平均采样频率。此外,一个新的和改进的鲁棒性约束被引入到处理的附加干扰,使MPC问题的潜在扩大的初始可行域。此外,所设计的MPC的可行性和闭环系统的稳定性进行了严格的研究。建立了保证这些性质的几个充分条件,这些条件与预测时域、扰动界、触发水平和鲁棒约束收缩率等因素有关。数值算例和比较表明了该算法的有效性。
2020-02-18 math.OC
A Kernelized Operator Approach to Nonlinear Data-Enabled Predictive Control
本文提出一种基于算子的非线性 DeePC 方法,利用乘积 RKHS 学习系统轨迹并构建乘积 Gram 矩阵,在相同数据规模下显著提升计算效率,支持更大规模数据集并增强控制性能。
2025-01-29 math.OC
Robust Model Predictive Control for Nonlinear Systems Using Convex Restriction
提出了一种考虑不确定性和安全约束的鲁棒模型预测控制算法。我们的框架考虑了一个非线性动力系统的干扰,从一个未知的,但有界的不确定集。通过将系统看作一个作用于轨迹上的算子的不动点,我们提出了一个关于控制动作的凸条件,保证了对不确定集的安全性。所提出的条件保证所有实现的状态轨迹满足安全约束。我们的算法解决了一系列的凸二次约束最优化问题的大小为n*N,其中n是状态的数量,N是预测时域的模型预测控制问题。与现有的方法相比,我们的方法解决凸问题,同时保证不确定集的所有实现不违反安全约束。此外,我们考虑系统动力学的隐式时间离散化,以增加预测范围和提高计算精度。车辆导航的数值模拟证明了我们的方法的有效性。
2021-04-22 math.OC
Stochastic Error Bounds in Nonlinear Model Predictive Control with Gaussian Processes via Parameter-Varying Embeddings
本研究利用高斯过程回归框架建立嵌入线性参数变分公式的非线性系统状态演化随机误差界,量化调度信号失配导致的LPVMPC前向误差不确定性,相比确定性方法提升了保守性与鲁棒性,并通过非平衡圆盘调节器问题验证了方法有效性。
2024-05-15 math.OC
Aerial navigation in obstructed environments with embedded nonlinear model predictive control
提出了一种基于非线性模型预测控制(NMPC)的微型飞行器(MAV)自主导航避障方法,并通过实验验证了该方法的有效性。所提出的方法可以容纳任意的,潜在的非凸,几何形状的障碍。使用PANOC解决NMPC问题:一种快速数值最优化方法,它完全无矩阵,对病态不敏感,只涉及简单的代数运算,适合于嵌入式NMPC。PANOC的C89实现在实验室规模的MAV上以20Hz的速率解决了NMPC问题。MAV在障碍物周围进行平滑机动。为了提高自主性,我们提出了一种简单的方法来补偿随着时间的推移,这来自于MAV的电池耗尽,通过估计推力常数的推力减少。
2018-12-12 math.OC
Model Predictive Regulation
我们展示了如何最佳的非线性调节可以实现模型预测控制的方式。
2013-10-26 math.OC
Sensitivity-based Warmstarting for Nonlinear Model Predictive Control with Polyhedral State and Control Constraints
模型预测控制在多变量系统的约束控制中的应用越来越受到人们的关注。然而,其更广泛的使用的主要障碍之一是计算时间和努力需要解决一个可能的非凸最优控制问题(OCP)在线。针对具有非线性动力学和多面体约束的系统,提出了一种基于灵敏度的热启动策略,其目标是减少MPC控制器的计算量。它预测的参数化OCP的解决方案的变化,作为参数的变化,通过计算的解决方案映射的半导数。本文的主要新颖之处在于,多面体的约束,使我们能够避免施加任何约束规格条件或严格的互补性假设。一个具有MPC应用于无人机的数值研究说明了所提出的方法。
2019-09-27 math.OC
Fast Trajectory Planning for Automated Vehicles using Gradient-based Nonlinear Model Predictive Control
运动轨迹规划是自动驾驶汽车的一个关键方面,因为它控制着自己在动态变化环境中的未来行为。为了更好地利用车辆的特性,需要在待解决的最优化问题中考虑非线性系统动力学。特别是,实时可行性对于自动驾驶至关重要,以便考虑快速变化的环境,例如移动物体。本文的主要贡献是提出了一种包含非线性系统模型的轨迹规划快速优化算法。此外,一个新的并发操作计划的两个优化算法的推导和研究。该算法在标准PC上的亚毫秒范围内运行。作为示例性场景,演示了沿着具有挑战性的参考路线驾驶的任务。
2018-07-29 math.OC
Sensitivity-Based Distributed Model Predictive Control for Nonlinear Systems under Inexact Optimization
本文提出一种非线性连续时间系统的分布式模型预测控制方案,采用基于灵敏度的算法并行协同求解,仅需邻居间通信和本地计算,并证明了在非精确优化下的稳定性和实时实现能力。
2024-06-05 math.OC
Event-Triggered Intermittent Sampling for Nonlinear Model Predictive Control
针对非线性连续时间系统,提出了一种新的非周期模型预测控制方法。与以前的方法不同,我们提供了事件触发的条件,而不使用最佳成本作为李雅普诺夫函数的候选人。相反,我们评估的时间间隔时,最佳状态轨迹进入一个本地集周围的原点。所得到的事件触发策略在两个方面都比以前的方法更适合于实际应用。首先,它不包括参数(例如,阶段及终端成本的Lipschitz常数参数),其可能为事件触发条件的保守性的潜在来源。第二,事件触发的条件需要仅在某些采样时刻而不是连续地被检查。这导致传感成本的减轻,并变得更适合于在数字平台下的实际实现。通过数值模拟验证了该方案的有效性。
2017-03-15 math.OC
Embedded nonlinear model predictive control for obstacle avoidance using PANOC
我们采用近似平均牛顿型最优控制方法(PANOC)来解决实时避障问题。我们引入了一种新的建模框架,避障,使我们能够很容易地占通用的,可能是非凸的,涉及多面体,椭球,半代数集和通用集的一组非线性不等式描述的障碍。PANOC特别适合嵌入式应用,因为它涉及简单的步骤,其实现具有低内存占用,其快速收敛满足现代机电一体化和机器人技术中遇到的快速动力系统的严格运行时间要求。在实验室规模的自主车辆上对所提出的避障方案进行了测试。
2019-04-23 math.OC
A whole-year simulation study on nonlinear mixed-integer model predictive control for a thermal energy supply system with multi-use components
本文针对一个由热泵、分层储水器、自然冷却装置和大型地下储热器组成的复杂供热系统,进行了非线性混合整数模型预测控制(MPC)的全年仿真研究。对于所产生的混合非线性规划(MINLP)的解决方案,我们应用现有的一般和最优控制适合的分解方法。为了补偿预测输入与测量干扰的偏差,我们在MPC策略中引入了滚动时域估计步骤。本研究的MPC性能,其中包括超过50,000个实时合适的MINLP解决方案,相比一个精心设计的传统控制策略的系统。结果表明,MPC可以显着降低每年的能源消耗,同时提供了类似程度的约束满足,并自主识别以前未知的,有益的操作模式。
2019-05-22 math.OC
Gain-Scheduled Data-Enabled Predictive Control: A DeePC Approach for Nonlinear Systems
KTH Royal Institute of Technology(瑞典皇家理工学院)
针对非线性、工况变化系统难以建模且依赖工作点的问题,提出增益调度扩展 DeePC-GS,通过调度变量在线切换局部 Hankel 矩阵,并在船舶操舵基准上验证其优于现有数据驱动 MPC。
2025-09-30 math.OC
Self-Triggered Adaptive Model Predictive Control of Constrained Nonlinear Systems: A Min-Max Approach
针对具有参数不确定性和附加干扰的约束离散非线性系统,提出了一种自触发自适应模型预测控制(MPC)算法。为了约束参数的不确定性,减少高估,一个zonotope-based集员参数估计器,这也是兼容的非周期性采样导致的自触发机制。通过对不确定性的估计,将最小-最大MPC控制中的最优化问题转化为一个新的数学模型,以降低其保守性。通过在费用函数中设计时变惩罚,在自触发调度器中隐式地考虑了不确定性的估计,从而使触发间隔得到进一步优化。由此产生的自触发自适应MPC算法保证了递归的可行性,同时提供更少的保守性能相比,自触发鲁棒MPC方法。此外,我们从理论上证明了闭环系统在触发时刻是输入-状态实用稳定的。数值算例和比较研究表明,所提出的方法的有效性。
2019-12-15 math.OC
Dictionary-free Koopman model predictive control with nonlinear input transformation
本文提出一种无字典库普曼模型预测控制方法,通过非线性输入变换、输入量化和对称性利用,在保持优化问题凸性的同时提升预测精度并降低计算成本。
2023-09-21 math.DS math.OC
Combining Gaussian processes and polynomial chaos expansions for stochastic nonlinear model predictive control
模型预测控制是一种适用于具有约束条件的多变量系统的先进控制方法,它依赖于精确的动态模型。然而,大多数真实的动态模型受到不确定性的影响,这可能导致闭环性能恶化和约束违反。在本文中,我们引入了一个新的算法显式考虑时不变的随机不确定性的最优控制问题。将高斯过程与多项式混沌展开相结合,解决了随机变量通过非线性函数传播的困难。本文的主要新颖之处是使用这种组合在一个有效的方式来获得非线性变换的均值和方差估计。使用该算法,它是如何制定的机会约束和概率目标的最优控制问题。在一个间歇反应器的案例研究中,我们首先验证了新方法的能力,以准确地近似所需的概率分布。其次,一个易于处理的随机非线性模型预测控制方法制定了一个经济的目标,证明了该方法的闭环性能,通过蒙特卡洛模拟。
2021-03-09 math.OC stat.ML
Practical exponential stability of a robust data-driven nonlinear predictive control scheme
我们提供了一个反馈线性化非线性系统的闭环系统的递归可行性和实际指数稳定性的理论保证时,由一个强大的数据驱动的非线性预测控制方案。本技术报告作为我们最近论文“反馈线性化系统的数据驱动非线性预测控制”的补充材料。本报告中所示的参数遵循与LTI情况类似的步骤,因为反馈线性化系统在变换坐标中是线性的。然而,证明被适当地调整以匹配考虑中的非线性设置,并且在整个证明中强调了差异。
2023-03-27 cs.SY eess.SY math.OC
A Constraint-Tightening Approach to Nonlinear Stochastic Model Predictive Control for Systems under General Disturbances
本文提出了一种随机系统的非线性模型预测控制策略,该系统具有一般的(状态和输入相关的)扰动和机会约束。我们的方法使用一个在线计算的随机管,以确保在随机不确定性的存在下的稳定性,约束满足和递归的可行性。管的形状和约束回退是基于离线计算的增量李雅普诺夫函数。
2019-12-04 cs.SY eess.SY math.OC
Primal-Dual iLQR
Apple(苹果公司);Polytechnique Montréal(蒙特利尔理工学院)
本文提出原始-对偶 iLQR 算法,将 SQP 与增广拉格朗日原始-对偶评价函数结合,利用 LQR 求解牛顿-KKT 系统,实现全局收敛且高度可并行化的非线性离散时间最优控制求解。
2024-07-01 cs.RO math.OC
On the Practical Design of Tube-Enhanced Multi-Stage Nonlinear Model Predictive Control
管增强多阶段非线性模型预测控制是一种鲁棒控制方案,可以处理大范围的不确定性,降低保守性和可管理的计算复杂度。在本文中,我们从应用的角度阐述了该方法的灵活性。我们讨论的路径,使设计决策系统地实施新的计划。我们说明了一个工业实例的计划的设计和实施的关键步骤。
2022-04-20 cs.SY eess.SY math.OC
Distributed Nonlinear Model Predictive Control for District Heating Networks
Politecnico di Milano(米兰理工大学);ETH Zurich(苏黎世联邦理工学院)
提出一种基于交替方向乘子法的分布式非线性模型预测控制方法,利用图模型优化建筑质量流量吸收,在集中式控制性能和分散式隐私保护之间取得平衡。
2026-05-28 cs.SY eess.SY math.OC
Data-driven approximation for feasible regions in nonlinear model predictive control
针对非线性模型预测控制(MPC)方案,提出了一种数据驱动的学习框架,用于逼近非线性系统的可行域和不变集。所开发的方法是基于一个点的数据集,使用低差异序列的可行性信息。利用基于核的支持向量机(SVM)学习,构造可行域边界的外近似和内近似,从而获得系统MPC的可行域。此外,我们还利用集合论的方法,将我们的方法推广到受扰动的非线性系统。最后,一个说明性的数值例子来说明所提出的方法的有效性。
2020-12-15 cs.SY eess.SY math.OC
Immersion-based model predictive control of constrained nonlinear systems: Polyflow approximation
在模型预测控制(MPC)框架中,控制输入通常通过在线反复求解最优化问题来计算。对于一般的非线性系统,在线最优化问题是非凸的,计算量大,甚至难以处理。在本文中,我们提出通过计算离散时间非线性系统的高维线性嵌入来规避这个问题。计算依赖于与非线性系统的浸入性有关的代数条件,并且可以离线实现。在高维线性模型的基础上,我们定义并求解了一个凸的在线MPC问题。我们还提供了一个解释我们的方法下的Koopman运营商的框架。
2021-03-30 cs.SY eess.SY math.OC
Sparse Identification of Nonlinear Dynamics-based Model Predictive Control for Multirotor Collision Avoidance
Korea Advanced Institute of Science and Technology(韩国科学技术院);Dongguk University(东国大学)
针对多旋翼避撞中存在的不确定性与载荷模型未知问题,提出结合SINDy稀疏辨识与带避障约束MPC的数据驱动控制方法,经仿真验证可实现精准轨迹跟踪与避障。
2024-12-09 cs.RO math.OC
Horizon Adaptation for Nonlinear Model Predictive Controllers with guaranteed Degree of Suboptimality
Curtin University of Technology(科廷科技大学)
提出自适应策略修改标准约束模型预测控制器方案,以保证次优度的下界,并开发了缩短和延长优化地平线的有效实现方法。
2011-05-16 cs.SY eess.SY math.OC
A barrier function approach to constrained Pontryagin-based Nonlinear Model Predictive Control
针对一类有约束的非线性模型预测控制问题,提出了一种基于Pontryagin的方法,该方法采用障碍函数法处理状态约束。与文献中的现有作品不同,该方法能够处理非线性输入和状态约束,而无需对优化算法进行任何重大修改。利用预测状态跟踪误差的L-2范数作为李雅普诺夫函数,对闭环系统进行了稳定性分析。理论结果通过Lotka-Volterra食饵/捕食系统的数值模拟得到验证。
2022-03-30 cs.SY eess.SY math.OC
Stability of Observer Based Predictive Control for Nonlinear Sampled-data Systems
University of Bayreuth(拜罗伊特大学)
提出一种完全基于状态观测器的模型预测控制方法,证明闭环系统的半全局实际渐近稳定性,并通过数值示例验证。
2011-05-17 cs.SY eess.SY math.FA
Differentiable-by-design Nonlinear Optimization for Model Predictive Control
inspire AG
本文提出了一种为模型预测控制设计的可微非线性优化方法,通过正则化解决非线性优化问题的不可微问题,提升基于梯度的优化性能。
2026-11-18 cs.SY eess.SY math.OC
Approximate Dynamic Programming based Model Predictive Control of Nonlinear systems
针对离散时间非线性系统最优控制,提出基于近似动态规划的MPC,通过切换系统近似计算二次值函数,并用多阶段方案提升精度、纳入状态约束,多水箱实验表明其在线计算量显著低于非线性MPC。
2023-12-10 cs.SY eess.SY math.OC
An Efficient Real-Time NMPC for Quadrotor Position Control under Communication Time-Delay
Sapienza Università di Roma(罗马一大(萨皮恩扎大学));KU Leuven(鲁汶大学);University of Freiburg(弗莱堡大学)
计算机处理器技术的进步使得非线性模型预测控制(NMPC)能够应用于敏捷系统,例如四旋翼。这些系统的特点是欠驱动,非线性,有界输入,和时间延迟。传统的控制解决方案无法克服这些困难,并充分利用这些平台提供的功能。提出了一种基于实时的【形】NMPC的四旋翼位置控制器的设计与实现方法,该控制器具有时滞补偿和执行机构边界约束。针对星上有限的计算资源,提出了一种星外控制结构。它是使用高性能软件包acados,解决最优控制问题,并实现了一个实时的【形】迭代(RTI)变量的序列二次规划(SQP)计划与高斯-牛顿海森近似。SQP方案中的二次子问题(QP)使用HPIPM解决,HPIPM是一种基于线性代数库BLASFEO的边界点方法求解器,可针对多个CPU架构进行微调。通过使用HPIPM中实现的高效部分压缩算法重新制定QP,进一步减少了求解时间。我们展示了我们的架构使用Crazyflie 2.1纳米四旋翼的能力。
2020-10-23 cs.RO cs.SY eess.SY
A Contraction-constrained Model Predictive Control for Multi-timescale Nonlinear Processes
许多化学过程表现出不同的时间尺度动力学与时间尺度敏感变量之间的强耦合。具有非均匀间隔优化时域的模型预测控制是一种有效的多时间尺度控制方法,并提供了降低计算复杂度的机会。在这样的方法中,快速、适度和慢速动态可以通过在预测范围中较早地实现较小的时间间隔并且在预测结束时实现越来越大的间隔而被包括在优化问题中。本文基于收缩理论,提出了一个参考柔性条件,为非一致预测时域下的非线性系统提供了稳定性保证。
2022-05-09 cs.SY eess.SY math.OC
Nonlinear Covariance Steering using Variational Gaussian Process Predictive Models
本文研究了未知离散随机非线性系统的不确定状态的前两阶矩在有限时间内指向给定终端分布的问题。为了实现这一目标,首先,使用随机变分高斯过程回归从一组可用的训练数据点中学习非参数预测模型:这是一种强大且可扩展的机器学习工具,用于学习任意非线性函数的分布。其次,我们制定了一个易于处理的非线性协方差转向算法,利用高斯过程预测模型来计算反馈策略,将驱动系统的状态分布接近目标分布。特别是,我们实现了一个贪婪的协方差转向控制策略,在每个时间步线性化的高斯过程模型的最新预测的均值和协方差,解决了线性协方差转向控制问题,并只适用于第一控制律。最新的反馈控制策略下的状态不确定性,然后使用无迹变换与学习的高斯过程预测模型和算法进行到下一个时间步。数值模拟说明本文的主要思想。
2021-04-02 cs.SY eess.SY math.OC
Computationally Tractable Robust Nonlinear Model Predictive Control using DC Programming
University of Oxford(牛津大学)
本文提出一种基于DC编程的鲁棒非线性MPC框架,通过数据驱动方法构建DC模型并实现递归可行性与鲁棒稳定性。
2026-10-01 cs.SY eess.SY math.OC
Safe-by-Design: Approximate Nonlinear Model Predictive Control with Real Time Feasibility
University of Stuttgart(斯图加特大学);Northeastern University(东北大学)
本文提出一种计算轻量、预测时域无穷小的连续时间滚动时域非线性MPC方法,通过小规模凸QP实现反馈,兼具准无限时域MPC的理论保证与实时可行性,并在非线性约束航天器控制中验证了有效性。
2026-09-09 cs.SY eess.SY math.OC
Physics-informed Gaussian Processes for Model Predictive Control of Nonlinear Systems
本文将基于物理信息高斯过程的线性模型预测控制方法扩展至非线性系统,通过在平衡点附近线性化获得局部近似,并利用贝叶斯推断保证收敛性,数值示例验证了该方法的有效性。
2025-04-30 cs.SY eess.SY math.OC
A Contraction-constrained Model Predictive Control for Nonlinear Processes using Disturbance Forecasts
模型预测控制(MPC)已成为过程工业中应用最广泛的先进控制方法。在许多情况下,扰动的预报是可用的,例如,根据天气预报预测可再生能源发电量。虽然扰动的预测可能不准确,但利用这些信息可以显著提高响应于扰动的控制性能。通过利用过程和干扰模型,可以预测未来的系统行为,并用于通过最小化包含这些预测的经济代价函数来优化控制动作。然而,当过程是非线性的时,在这种方法中得到的闭环系统的稳定性保证通常是困难的。在下面的文章中提出的是一个收缩约束的预测控制器,优化过程的经济性,同时确保稳定的运行目标受到干扰的测量和预测。
2022-06-07 cs.SY eess.SY math.OC
Learning the cost-to-go for mixed-integer nonlinear model predictive control
本文针对混合整数非线性模型预测控制实时求解困难的问题,提出基于值函数近似的方法,将预测时域分为两部分并离线近似后段最优值函数,从而缩短在线预测时域、降低计算成本,并通过离散控制倒立摆示例验证。
2024-01-23 cs.SY eess.SY math.OC
Implementation of Nonlinear Model Predictive Path-Following Control for an Industrial Robot
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院);Otto-von-Guericke University Magdeburg(奥托·冯·古里克马格德堡大学)
本文研究了工业机器人实时可行的模型预测路径跟随控制实现,探讨了有无参考速度分配的约束输出路径跟随问题,并在KUKA LWR IV机器人上验证了所提控制器的效果。
2016-08-18 cs.SY eess.SY math.OC