Safe Navigation with Zonotopic Tubes: An Elastic Tube-based MPC Framework
Michigan State University（密歇根州立大学）
本文提出了一种基于弹性管的MPC框架，通过自适应设计确保鲁棒正不变性，提高系统鲁棒性和安全性。
2025-12-24 cs.SY eess.SY
System Level Disturbance Reachable Sets and their Application to Tube-based MPC
基于管的模型预测控制（MPC）方法利用管来约束由于不确定性而导致的与标称轨迹的偏差，以便确保约束满足。提出了一种基于系统级扰动可达集（SL-DRS）的模型预测控制方法，该方法利用仿射系统级参数化（SLP）。我们表明，施加有限脉冲响应（FIR）约束的仿射SLP保证包含所有未来的偏差在有限序列的SL-DRS。这使我们能够制定一个系统级管MPC（SLTMPC）方法使用的SL-DRS管，这使得并发优化的标称轨迹和管，同时使用一个正不变的终端集。最后，我们表明，SL-DRS管也可以离线计算。
2021-11-05 cs.SY eess.SY math.OC
A Stochastic Tube-Based MPC Framework with Hard Input Constraints
Univ. Grenoble Alpes, Grenoble INP, CNRS, GIPSA-lab（格勒诺布尔阿尔卑斯大学、格勒诺布尔理工学院、法国国家科学研究中心、GIPSA实验室）
本文提出一种随机管式MPC框架，通过概率可达集设计保证线性系统在扰动下的硬输入约束和状态机会约束，同时保持计算效率和稳定性。
2026-02-23 cs.SY eess.SY
Collective Tube Model Predictive Control With Distribution-Free Joint Safety Certificates
Politecnico di Torino（都灵理工大学）
本文提出集体管模型预测控制（CT-MPC），通过校准预测误差轨迹管并离线构建确定性收紧，实现线性系统联合状态-输入安全与递归可行性，相比传统方法减少收紧并保持安全性。
2026-09-23 cs.SY eess.SY
Data-driven Koopman MPC using Mixed Stochastic-Deterministic Tubes
本文提出一种数据驱动的随机MPC方法，利用Koopman算子与分布鲁棒优化，通过混合随机-确定性管道处理建模误差和扰动，确保非线性系统在约束下的调节，并给出有限样本误差界。
2025-10-24 cs.SY eess.SY
Distributed MPC: Guaranteeing Global Stabilizability from Locally Designed Tubes
University of Sheffield（谢菲尔德大学）
本文研究了分布式模型预测控制中常用的稳定性假设与控制器隐含不变性之间的基本关系，提出定理给出全局稳定性的充分条件，证明局部鲁棒控制器的约束可接受性足以保证闭环系统稳定，并探讨其与管式分布式MPC等复杂控制形式的关系。
2016-11-02 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
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
Robust tube-based LPV-MPC for autonomous lane keeping
提出了一种车辆自主车道保持的控制结构。本文将汽车动力学分为横向动力学和纵向动力学两部分。因此，控制架构包括两个相继的控制器。纵向模型预测控制（MPC）使车辆跟踪假定由速度规划器生成的期望纵向速度。然后，纵向速度被传递到横向MPC以保持车道。由于横向动力学对纵向速度的依赖性，它们以线性参数变化（LPV）形式表示，其中其调度参数是车辆的纵向速度。为了处理未来纵向速度（调度参数）的不精确信息，考虑了未来纵向速度的标称轨迹周围的不确定性的界限。然后，采用基于管道的LPV-MPC来控制横向动力学，以实现车道保持目标。最后，通过仿真实验验证了所提方法的有效性。
2022-10-06 cs.SY eess.SY
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
A Simple and Efficient Tube-based Robust Output Feedback Model Predictive Control Scheme
当无法获得完整的状态信息以及标称系统模型和测量值被噪声破坏时，使用模型预测控制（MPC）对受约束系统进行控制变得更具挑战性。由于这些情况在实际场景中经常出现，因此已经开发了诸如鲁棒输出反馈MPC的技术来解决这些问题。然而，现有的鲁棒输出反馈MPC方法受到在线优化问题的复杂性增加、控制器合成的计算需求增加或两者的挑战。在这项工作中，我们提出了一个简单而有效的方法来合成一个基于管的鲁棒输出反馈MPC计划的线性，离散，时不变系统的有界，添加剂干扰。具体来说，我们首先制定了一个计划，在线MPC优化问题具有相同的复杂性，在标称全状态反馈MPC通过使用一个单一的管具有恒定的横截面。这使得我们提出的方法更简单的实现和计算要求比以前的方法在线实现和离线控制器合成。其次，我们提出了一种新的和简单的程序计算的强大的正不变（RPI）集的近似的最小RPI集，它可以用来定义在所提出的控制方案的管。
2020-02-18 cs.SY eess.SY
Rollout scheduling and control for disturbed systems via tube MPC: extended version
滚动控制是一种基于MPC的控制方法，其中控制器被周期性地激活以调度传感器或致动器数据的传输。其中，预先分配的业务规范充当对调度的传输的约束，确保它们以底层通信网络的容许速率被触发。在本文中，我们扩展的理论推出控制考虑有界干扰的受控对象存在的状态和输入约束。我们使用的方法从管MPC，其中的标称（未受干扰）的系统，用作预测模型，和真实的系统之间的误差保持在一个鲁棒控制不变集。该方法需要满足闭环中的\emph{maximum}传输间间隔，这是在铺开控制中不能直接获得的保证。我们的主要贡献是引入一种新的管MPC计划适用于推出控制，其中包含一个额外的约束条件的预测传输时间表。我们表明，凭借这个时间表的约束，传输间隔是有界的闭环。我们还建立了这种新的MPC计划的递归可行性，并显示系统的收敛性。
2020-08-18 cs.SY eess.SY
Learning-based Homothetic Tube MPC
Imperial College London（帝国理工学院）；University of Stuttgart（斯图加特大学）；Linköping University（林雪平大学）；University of Oxford（牛津大学）
本文提出一种基于学习的同态管MPC方法，通过在线学习近似未知扰动集，实现对线性系统在有界扰动和混合约束下的有效控制。
2025-05-06 cs.SY eess.SY math.OC
Asynchronous Computation of Tube-based Model Predictive Control
针对在线tube-MPC计算复杂度高的问题，本文为SLTMPC提出主辅进程异步计算机制，在持续更新tube的同时保证主进程递归可行性。
2023-04-20 cs.SY eess.SY
Configuration-Constrained Tube MPC for Tracking
本文提出一种配置约束管式MPC框架，用于在加性和乘性不确定性下跟踪变化参考，保证递归可行性和鲁棒渐近稳定性，并通过自动驾驶换道案例验证其有效性。
2024-05-06 cs.SY eess.SY math.OC
Fast Zonotope-Tube-based LPV-MPC for Autonomous Vehicles
在本文中，我们提出了一个有效的在线管为基础的模型预测控制（T-MPC）解决方案的自动驾驶，旨在提高计算负荷，同时确保鲁棒稳定性和性能在快速和干扰的情况下。通过将非线性车辆方程转化为线性变参数（LPV）形式，将非线性原问题转化为伪线性问题。提出了一种由标称控制器和校正局部控制器组成的控制方案。首先，局部控制器被设计为能够抑制外部干扰的多面体LPV-H $_{\infty}$控制器。此外，有限数量的精确可达集，也称为管，计算在线使用zonotopes考虑到系统的动态，本地控制器和diturbance不确定性的界限。其次，名义控制器被设计为MPC，其中LPV车辆模型用于加快计算时间，同时保持准确的车辆表示。该模型采用带拓扑的可达性理论，在线改变状态和输入约束，保证了模型在外生扰动下的鲁棒可行性和稳定性。最后，我们测试了所提出的方案，并将局部控制器性能与最先进的LQR设计进行了比较。我们证明了它的有效性，在一个受干扰的快速驾驶的情况下，能够拒绝强烈的外源性干扰，并以非常低的计算成本实现强加的约束。
2020-09-04 cs.SY eess.SY
A System Level Approach to Tube-based Model Predictive Control
鲁棒的基于管的模型预测控制（MPC）方法通过在预测中利用先验确定的管控制器来收紧约束来解决约束满足。提出了一种基于系统级参数化（SLP）的系统级管道MPC（SLTMPC）方法，该方法在求解MPC问题时可以对管道控制器进行在线优化，从而大大降低了算法的保守性。通过建立一类鲁棒MPC方法与SLP之间的等价关系，得到了SLTMPC方法。最后，我们表明，SLTMPC制定自然产生的扩展SLP制定，并显示其优点，在一个数值例子。
2021-04-30 cs.SY eess.SY math.OC
Efficient Configuration-Constrained Tube MPC via Variables Restriction and Template Selection
IMT School for Advanced Studies Lucca（卢卡高等研究学院）；ShanghaiTech University（上海科技大学）
本文提出基于变量限制和模板选择的高效配置约束管MPC方法，通过减少计算开销实现稳健性能，验证了CCTMPC在实时应用中的可行性。
2025-05-20 cs.SY eess.SY
Experimental Application of Predictive Cost Adaptive Control to Thermoacoustic Oscillations in a Rijke Tube
针对Rijke管热声振荡高精度建模难导致MPC实施依赖领域知识且耗力的问题，提出用PCAC基于反向传播Riccati方程做在线闭环线性模型辨识实现滚动优化，用开环实验建仿真模型选超参数，完成多场景实验应用。
2024-02-01 cs.SY eess.SY
Transient Performance of Tube-based Robust Economic Model Predictive Control
在本文中，我们提供了非平均和瞬态性能保证最近开发的，基于管的鲁棒经济模型预测控制（MPC）计划。特别是，我们认为这两个基于管的MPC计划与终端条件。我们表明，通过应用这种MPC计划获得的闭环性能是近似最优的评估时，在有限和无限的时间范围。这些性能界限是类似的名义经济MPC以前得出的。理论结果进行了讨论的数值例子。
2022-05-16 cs.SY eess.SY math.OC
Physics-informed sparse identification-based tube model predictive control for aerial vehicles
Zhongyuan University of Technology（中原工学院）；Beijing Institute of Technology（北京理工大学）
提出一种结合物理信息机器学习与稀疏辨识的管模型预测控制框架，通过嵌入先验知识并学习残差不确定性，在保证鲁棒性的同时显著降低计算负载。
2026-06-26 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
Adaptive Output Feedback MPC with Guaranteed Stability and Robustness
本文提出一种自适应输出反馈MPC框架，利用鲁棒自适应观测器的估计构造两层同伦管以应对参数未知、外部扰动和状态不可测，并保证递推可行性与鲁棒指数稳定性。
2025-02-06 cs.SY eess.SY math.OC
Data-driven robust MPC of tiltwing VTOL aircraft
本文针对倾转翼VTOL飞行器在风扰和模型不确定性下的控制问题，提出基于凸差函数分解的鲁棒管式MPC方法，并通过数据定义空气动力学的阵风案例验证其有效性。
2023-08-07 cs.SY eess.SY
Dual adaptive MPC using an exact set-membership reformulation
自适应模型预测控制（MPC）的方法，使用集员身份识别，以减少参数的不确定性被认为是在这项工作中。强对偶是用来重新制定集员方程精确MPC优化。然后，使用预测的最坏情况成本来实现面向性能的探索。该方法保证了鲁棒约束满足和递归可行性。结果表明，该方法可以实现使用位似管和柔性管参数化的状态管，和仿真研究表明，性能改善的最先进的控制器。
2022-11-29 cs.SY eess.SY math.OC
Design and Experimental Validation of Tube-based MPC for Timed-constrained Robot Planning
School of Electrical Engineering and Computer Science, KTH Royal Institute of Technology（电气工程和计算机科学学院，皇家理工学院）
本文针对时间约束任务设计并验证了先进的管基模型预测控制MPC，通过处理机器人不确定非线性动力学和以度量区间时序逻辑MITL编写的目标，设计反馈控制律以确保任务满足，利用感兴趣区域RoI和包含不安全区域的工件空间，通过有限时间最优控制FHOCP和状态反馈律保证轨迹在管内受限，实验表明该框架能有效处理MITL的丰富表达性，并在实验室Nexus移动机器人上验证，展示了其在实际机器人和工业问题中的应用潜力。
2019-09-03 cs.SY eess.SY
A Robust Tube-Based Smooth-MPC for Robot Manipulator Planning
Tsinghua University（清华大学）；Beijing National Research Center for Information Science and Technology (BNRist)（北京信息科学与技术国家研究中心）
模型预测控制（MPC）在目标优化和约束满足方面表现出了很好的性能。然而，最优控制问题（OCP）在每个触发时刻的计算量大，导致状态采样到控制信号的严重延迟，限制了MPC在资源有限的机器人操作系统中复杂任务的应用。在本文中，我们提出了一种新的鲁棒管平滑MPC策略的非线性机器人机械手规划系统的干扰和约束。基于分段线性化和状态预测的控制策略，提高了控制过程的平滑性，优化了控制过程的延迟。通过推导系统真实状态与标称状态的偏差，可以预测当前时刻的下一个真实状态集。并以此状态集为初始条件，提前求解下一个最优控制问题，存储基于标称系统状态的最优控制，消除了时滞。此外，我们线性化的非线性系统与一个给定的上界的误差，减少了复杂的OCP和提高响应速度。基于管道MPC的理论框架，我们证明了控制策略是递归可行的，闭环稳定的约束和干扰。数值仿真结果验证了所设计的方法与传统MPC相比的有效性。
2021-03-17 cs.RO cs.SY eess.SY
Persistently Exciting Tube MPC
The University of Sheffield（谢菲尔德大学）
本文提出一种新方法解决系统辨识与调节的双重问题，通过将控制输入分为调节部分和持续激励部分，利用鲁棒MPC实现调节，并用递归最小二乘算法进行辨识，同时通过非凸约束保证激励充分性。
2017-03-27 cs.SY eess.SY math.OC
Real-time Operation Optimization of Microgrids with Battery Energy Storage System: A Tube-based Model Predictive Control Approach
电池储能系统（ESS）广泛应用于微电网，以补充高可再生能源。然而，含电池储能系统的微电网实时能量管理面临两个方面的挑战：1）电池能量水平的演化过程是跨时间耦合的; 2）可再生能源发电量预测过程中不可避免地会出现不确定性。针对含电池储能系统的微电网实时能量管理问题，提出了一种基于管模型的模型预测控制（MPC）方法。首先，针对电池储能系统，建立了包含电池退化代价和时间感知SoC范围的电池实时运行模型，描述了电池的“浅廉价”特性，满足终端SoC需求。其次，在所提出的基于管道的MPC中设计了两个级联的MPC控制器，其中名义MPC在不存在不确定性的情况下生成参考轨迹，辅助MPC在实现不确定性时将实际轨迹引导到名义轨迹。具体而言，在本文中，电池SoC被视为系统的状态变量，而发电机的功率输出和与公用事业交换功率被视为控制变量。最后，许多案例研究表明，所提出的方法，包括低和高渗透水平的可再生能源的有效性。连续365天的Monte Carlo模拟结果表明，该方法的竞争比优于1.10。
2021-04-10 cs.SY eess.SY
Configuration-Constrained Tube MPC for Difference-of-Convex Nonlinear Systems
IMT School for Advanced Studies Lucca（卢卡高等研究所）；University of Seville（塞维利亚大学）
本文提出一种针对差凸非线性系统的凸管模型预测控制方法，利用配置约束多胞形管和凸方向界，在单个凸规划中联合优化管几何与控制律，保证鲁棒性和收敛性。
2026-09-09 cs.SY eess.SY math.OC
Heterogeneously parameterized tube model predictive control for LPV systems
提出了一种适用于线性变参数（LPV）系统的非均匀参数化管基模型预测控制（MPC）设计方法。在非均质管中，管截面的参数化和相关的控制律允许沿预测范围变化。在这个框架中可以描述的两种极端情况是场景MPC（高复杂性，较大的吸引域）和具有简单的时不变控制参数化的位似管MPC（低复杂性，较小的吸引域）。在建议的框架中，这些极端的参数化，以及其他参数化的中间复杂性，可以结合在一个单一的管。通过在参数化设计中允许更多的灵活性，可以影响计算成本和吸引域的大小之间的权衡。参数化结构的充分条件下，递归的可行性和闭环稳定性得到保证。一个具体的参数化方案和位似管MPC的原则相结合的建议，它是满足所需的条件。该方法的属性，包括其实现改进的复杂性/性能权衡的能力，证明使用两个数值例子。
2019-10-18 cs.SY eess.SY math.OC
Robust Platoon Control in Mixed Traffic Flow Based on Tube Model Predictive Control
协同自适应巡航控制系统的设计在混合交通流中至关重要，其中互联自动驾驶车辆（CAV）和人类驾驶车辆（HDV）共存。与纯CAV相比，主要的挑战是如何处理HDV的预测不确定性，这可能会导致CAV的状态偏离规划轨迹。在现有的研究中，模型预测控制（MPC）被用来重新规划CAV的轨迹，以减轻在每个时间步的偏差。然而，由于重规划过程通常是通过利用车辆间通信的信息来解决优化问题来进行的，因此MPC方法遭受沉重的计算和通信负担。为了解决这一问题，本文提出了一种基于管道MPC的鲁棒队列控制框架。预测的不确定性是动态缓解的反馈控制，并限制在一个集内的高概率。当不确定性超过设定值或出现额外的外部干扰时，前馈控制被触发以规划“管”（设定值的序列），其可以约束CAV的实际轨迹。由于该方法不需要重新规划过程，因此与MPC方法相比，该方法在计算和通信方面更加有效。提供了全面的模拟，以验证所提出的框架的有效性。
2020-07-20 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
Robust Tube-based Model Predictive Control with Koopman Operators--Extended Version
Koopman算子是无限维的，以提升的全局线性方式捕捉非线性动力学的特征。Koopman算子的有限数据驱动近似得到一类线性预测器，可用于非线性动力系统的线性模型预测控制（MPC），降低了计算复杂度.然而，在建模近似误差和可能的外部干扰下，闭环Koopman MPC的鲁棒性仍然是一个有待解决的关键问题。针对上述问题，本文提出了一种基于Koopman算子的管模型预测控制方法，r-KMPC，用于具有附加干扰的非线性离散时间动力系统。所提出的控制器是由一个名义MPC使用提升Koopman模型和离线非线性反馈政策。所提出的方法不假设近似Koopman算子的收敛性，这允许使用有限阶的Koopman模型进行控制器设计。基本属性，例如，在标准假设下，导出了Koopman模型的可镇定性、可观测性，证明了闭环鲁棒性和标称逐点收敛性。仿真实例验证了该方法的有效性。
2022-03-21 cs.SY eess.SY
Dynamic Tube MPC: Learning Tube Dynamics with Massively Parallel Simulation for Robust Safety in Practice
California Institute of Technology（加州理工学院）；Georgia Institute of Technology（佐治亚理工学院）
本文提出动态管道MPC方法，利用大规模并行仿真学习跟踪性能与规划动作的关系，在实时优化中权衡性能与安全，并在3D跳跃机器人ARCHER上验证了敏捷安全导航能力。
2024-11-22 cs.LG cs.RO cs.SY
A Tube-based Robust MPC for a Fixed-wing UAV: an Application for Precision Farming
Politecnico di Torino（都灵理工大学）；CNR-IEIIT（意大利国家研究委员会信息技术与工程研究所）
本文提出一种基于管状的鲁棒MPC方法，用于固定翼无人机在精准农业中的应用，通过结合引导算法和鲁棒控制系统，提升系统对风扰和模型参数变化的鲁棒性，降低监控成本并提高稳定性。
2018-05-11 cs.SY eess.SY
Robust MPC for tracking of nonholonomic robots with additive disturbances
Beijing Institute of Technology（北京理工大学）；KTH Royal Institute of Technology（皇家理工学院）
本文提出两种鲁棒MPC方案用于非完整系统在有界扰动下的轨迹跟踪：管MPC和名义鲁棒MPC。管MPC通过控制信号和非线性反馈律使实际轨迹保持在最优轨迹的管内，而NRMPC通过求解优化问题获取最优控制序列并反馈修正状态，仿真验证了两种策略的有效性。
2017-03-09 cs.SY eess.SY
Configuration-Constrained Tube MPC for Periodic Operation
IMT School for Advanced Studies Lucca（意大利卢卡高等研究学院）；University of Seville（塞维利亚大学）
本文提出了一种具有配置约束的管MPC框架，用于在不确定系统中实现周期性操作，通过凸优化和二次规划提升计算效率并保证鲁棒性。
2025-12-22 cs.SY eess.SY math.OC
Stabilizing Tube-Based Model Predictive Control: Terminal Set and Cost Construction for LPV Systems (extended version)
Eindhoven University of Technology（埃因霍温理工大学）
本文提出了一种用于LPV系统的稳定管状MPC合成方法，通过周期性终端约束集保证递归可行性，并基于新Lyapunov-like度量构造终端成本以保证渐近稳定性。
2017-06-24 cs.SY eess.SY
Adaptive Tube-based Nonlinear MPC for Ecological Autonomous Cruise Control of Plug-in Hybrid Electric Vehicles
本文提出了一种自适应管状非线性模型预测控制（AT-NMPC）方法，用于设计自主跟车控制系统。该方法利用两个独立模型来定义约束递推最优控制问题，通过固定名义模型和自适应模型分别处理约束和目标函数，以提高控制性能和鲁棒性。
2018-03-15 cs.SY eess.SY
Scalable tube model predictive control of uncertain linear systems using ellipsoidal sets
针对受动态模型不确定性和外部扰动影响的线性系统，提出了一种新的鲁棒模型预测控制（MPC）算法。的不确定性建模使用一个线性分数扰动结构与时变扰动矩阵，使算法被应用到一个大的模型类。MPC控制器构造一个状态管作为一个参数化的椭球集的序列来约束系统的状态轨迹。所提出的方法的结果在一个半定的计划在线求解，其规模与系统的顺序线性。状态管的设计被配制成一个离线优化问题，它提供了灵活性，施加所需的功能，如强大的不变性的终端集。这与大多数现有的管MPC策略相比，在状态管中使用多面体集，这是难以设计的，其复杂性随着系统阶数的组合而增长。该算法保证约束满足，递归的可行性，和闭环的稳定性。使用两个仿真研究证明了该算法的优点。
2022-06-09 cs.SY eess.SY math.OC
Distributionally Robust Stochastic MPC under Disturbance-Affine Feedback Policies
RWTH Aachen University（亚琛工业大学）
本文提出一种分布鲁棒随机MPC方法，利用扰动数据构建Wasserstein球内的分布集，以应对最坏情况下的约束满足问题。通过引入扰动仿射控制策略，提升控制自由度，证明了所提方法的递归可行性与稳定性，并通过理论分析和仿真验证其在初始可行集、平均性能和状态方差控制方面的优越性。
2026-04-14 cs.SY eess.SY math.OC
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
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
Learning-based Rigid Tube Model Predictive Control
针对真实扰动集未知的约束离散线性系统，提出融合在线学习的刚性管式MPC算法，用参数化量化扰动集在线逼近真实扰动集，可高效更新刚性管，具备概率递归可行性，效果优于传统鲁棒MPC。
2024-05-21 cs.SY eess.SY math.OC
Adaptive Output Feedback Model Predictive Control
状态和输入存在硬约束的不确定系统的模型预测控制（MPC）是一个非平凡的问题，在缺乏状态测量的情况下，其挑战性成倍增加。本文针对单输入单输出离散线性定常系统，提出了一种基于自适应观测器和鲁棒预测控制相结合的自适应输出反馈预测控制方法。在每个时刻，自适应观测器提供状态和系统参数的估计，然后在MPC优化例程中利用这些估计，同时鲁棒地考虑估计误差。对优化问题的解决方案导致状态估计轨迹所在的位似管。真实状态在较大的外管内演化，该外管通过在相似管部分周围增加一组不变的状态估计误差而获得。递归的可行性证明所提出的“位似和不变的”双管方法，以及在一个学术系统上的仿真结果。
2022-11-22 cs.SY eess.SY math.OC
Nested Distributed Model Predictive Control
University of Sheffield（谢菲尔德大学）
本文提出一种针对线性时不变系统耦合动态的分布式模型预测控制方法，通过替换传统线性扰动抵消控制器为第二个MPC控制器，提升鲁棒性并去除对显式鲁棒不变集的依赖。
2016-10-28 cs.SY eess.SY
Modeling and Control of AWOISV: A Filtered Tube-Based MPC Approach for Simultaneous Tracking of Lateral Position and Heading Angle
School of Mechanical Engineering, Beijing Institute of Technology（机械工程学院，北京理工大学）
本文针对全轮全向独立转向车辆，提出基于θ_R-β_R表示的广义v-β-r动力学模型和滤波管式LTVMPC策略，实现横向位置与任意航向角的同时高精度跟踪，并通过仿真与硬件在环实验验证了其鲁棒性和实时性。
2025-08-19 cs.RO cs.SY eess.SY
Horizon-Dependent Tube MPC for Spacecraft Rendezvous on Elliptical Orbits with Conditional Robust Constraint Satisfaction
Nanyang Technological University（南洋理工大学）
本文针对椭圆轨道航天器交会问题，开发了依赖预测时域的Tube MPC，可在相当燃料成本下大幅降低走廊违规次数，且在超出设计包络时能明确保证的丧失。
2026-08-11 astro-ph.IM cs.SY eess.SY
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
Homothetic tube model predictive control with multi-step predictors
针对有界不确定线性系统，提出集成多步预测器的同伦管MPC框架，利用更小误差界减轻保守性，采用多速率公式解决不兼容问题，理论保证鲁棒递归可行性与稳定性，仿真验证了保守性与计算复杂度优势。
2023-11-20 cs.SY eess.SY math.OC
Zonotope-Based Elastic Tube Model Predictive Control
Nat. Univ. of Science and Technology Politehnica Bucharest（布加勒斯特理工大学）
本文提出了一种基于Zonotope的弹性管模型预测控制方法，通过引入新的缩放Zonotope包含条件，减少了传统管参数化带来的数值复杂度，同时通过全面的复杂度分析展示了在吸引域扩大与计算成本之间的权衡。
2026-11-02 cs.SY eess.SY
Tube-based Distributionally Robust Model Predictive Control for Nonlinear Process Systems via Linearization
模型预测控制（MPC）是一种有效的控制多变量动态系统的约束。然而，大多数真实的动态模型受到工厂模型失配和过程不确定性的影响，这可能导致闭环性能恶化和约束违反。已经提出了诸如随机MPC（SMPC）的方法来缓解这些问题;然而，如果实际系统偏离在控制器设计期间做出的假设干扰分布，则所得到的闭环状态轨迹仍然可能显著违反规定的约束。在这项工作中，我们提出了一种新的数据驱动的分布鲁棒预测控制方案的非线性系统。不同于SMPC，这需要确切的知识的干扰分布，我们的计划决定的控制行动相对于最坏的分布从分布模糊集。该模糊集被定义为以经验分布为中心的Wasserstein球。由于潜在的模型误差，导致偏移，该计划还扩展了利用无偏移的方法。通过非线性质量弹簧系统和非线性CSTR反应器的实例研究，验证了该控制方案的有效性。
2022-11-26 cs.SY eess.SY math.OC
Sub-linear Regret in Adaptive Model Predictive Control
KTH Royal Institute of Technology（KTH皇家理工学院）
针对带约束和扰动的不确定线性系统自适应MPC问题，提出结合确定性等价原理与多面体管的STT-MPC算法，证明其期望遗憾为$O(T^{1/2 + ε})$，为该场景下首个次线性遗憾结果。
2023-10-07 cs.AI cs.SY eess.SY
