Exploiting Differential Flatness for Efficient Learning-based Model Predictive Control of Constrained Multi-Input Control Affine Systems
Learning Systems and Robotics Lab at the Technical University of Munich（慕尼黑技术大学学习系统与机器人实验室）；Learning Systems and Robotics Lab at the University of Toronto Institute for Aerospace Studies (UTIAS) and the Vector Institute for Artificial Intelligence（多伦多航空航天研究所（UTIAS）和向量人工智能研究所的学习系统与机器人实验室）
本文提出利用微分平坦性改进基于学习的模型预测控制，通过系统扩展和块对角成本公式，有效控制多输入非线性仿射系统，并保证概率Lyapunov减小。
2026-04-27 cs.LG cs.RO cs.SY
On the Quadratic Programming Solution for Model Predictive Control with Move Blocking
模型预测控制（MPC）是一种流行的基于优化的控制技术。MPC通常表示为稀疏或密集二次规划（QP）。本文回顾了两种常用的方法，即状态压缩和移动阻塞，并将它们结合在一起。它们的组合导致广义QP，其为具有移动阻塞的MPC提供任意稀疏（或密集）QP。所提出的QP可以通过能够利用问题的稀疏结构的专门求解器来求解。数值算例给出了计算量和内存要求。
2020-02-17 cs.SY eess.SY
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
A Sensitivity-based Data Augmentation Framework for Model Predictive Control Policy Approximation
使用基于专家的监督学习技术近似模型预测控制（MPC）策略需要从MPC策略中采样的标记训练数据集。这通常通过对可行状态空间进行采样并通过对每个样本离线求解数值最优化问题来评估控制律来获得。尽管可以在线廉价地评估所得到的近似策略，但是生成大的训练样本来学习MPC策略可能是耗时的并且昂贵得令人望而却步。这是一个基本的瓶颈，限制MPC政策近似的设计和实施。本技术说明旨在解决这一挑战，并提出了一种新的基于灵敏度的数据增强方案，用于直接政策近似。所提出的方法是基于利用参数的敏感性，廉价地产生额外的训练样本的邻域中现有的样本。
2022-03-15 cs.SY eess.SY math.OC
Model Predictive Control of Thermo-Hydraulic Systems Using Primal Decomposition
Hamburg University of Technology（汉堡工业大学）；Deutsches Elektronen-Synchrotron DESY（德国电子同步加速器研究所）
本文提出了一种自动化框架，通过时间离散化生成热液压系统模型预测控制器，利用对偶分解提高可扩展性，验证了该方法在地下供暖系统中的有效性。
2026-05-21 cs.SY eess.SY
Exploiting Multistage Optimization Structure in Proximal Solvers
本文提出一种利用多阶段优化结构的近端求解算法，通过块三对角-箭头Cholesky分解实现高效求解，在PIQP中实现，相比通用后端最高提速13倍，性能媲美HPIPM，适用于模型预测控制等场景。
2025-09-08 cs.SY eess.SY math.OC
Nonlinear Predictive Control on a Heterogeneous Computing Platform
Imperial College London（帝国理工学院）；Department of Electrical & Electronic Engineering（电气与电子工程系）
本文提出在异构处理器上实现基于内点法的非线性预测控制器，通过在通用CPU和FPGA间分配工作量平衡控制性能与计算资源，利用KKT矩阵结构实现内存节省，并展示与ARM Cortex-A9软件实现相比的36倍加速。
2017-10-24 cs.SY eess.SY math.OC
Robust Learning Model Predictive Control for Linear Systems Performing Iterative Tasks
针对不确定系统的迭代任务，提出了一种鲁棒学习模型预测控制器（LMPC）。在控制任务的每次迭代中，闭环状态、输入和成本被存储并用于控制器设计。本文首先阐述了如何利用历史数据构造鲁棒不变集和安全控制策略。然后，我们提出了一个迭代LMPC的设计过程中，在迭代$j$的鲁棒控制器产生的数据被用来设计一个鲁棒LMPC在下一个$j+1$迭代。我们表明，这个过程允许我们迭代地扩大域的控制策略，它保证递归约束的满足，输入到状态稳定性和性能界的确定性等价的闭环系统。自适应预测范围的使用是所提出的设计的关键要素。所提出的控制方案的有效性示出了线性系统受有界附加干扰。
2021-07-02 cs.SY eess.SY math.OC
A Simple and Fast Coordinate-Descent Augmented-Lagrangian Solver for Model Predictive Control
提出了一种新的坐标下降增广拉格朗日（CDAL）求解器的线性，可能的参数变化，模型预测控制（MPC）问题。在每次迭代中，一个增广拉格朗日（AL）子问题的坐标下降（CD），利用MPC问题的结构来解决。CDAL求解器具有三个主要特性：（i）它是无构造的，因为它避免了显式地构造与MPC相关联的二次规划（QP）问题;（ii）是无矩阵的，因为它避免了矩阵的乘法和因子分解;以及（iii）是无库的，因为它可以简单地编码而没有任何库依赖性，在我们的实现中有90行C代码。为了加快收敛速度，CDAL采用了CD方法的逆循环规则，加速Nesterov的计划更新的对偶变量，一个简单的对角预条件，和CD和AL方法之间的有效耦合计划。我们表明，CDAL竞争与其他国家的最先进的方法，无论是在不稳定的线性时不变和线性参数变化的预测模型。
2022-09-27 cs.SY eess.SY math.OC
Fast Contact-Implicit Model-Predictive Control
Carnegie Mellon University（卡内基梅隆大学）；Stanford University（斯坦福大学）
我们提出了一个通用的方法来控制机器人系统，使和打破接触他们的环境。接触隐式模型预测控制（CI-MPC）通过利用双层规划公式将线性MPC推广到接触丰富的设置，其中下层接触动态被公式化为使用关于参考轨迹的策略泰勒近似计算的时变线性互补问题（LCP）。这些动力学使上层规划问题能够推理接触时间和力，并在线生成全新的接触模式序列。为了实现可靠且快速的数值收敛，我们为这些LCP接触动力学设计了一个结构利用内点求解器，并为跟踪问题设计了一个自定义轨迹优化器。我们展示了实时的解决方案率CI-MPC和生成和跟踪非周期性行为的能力，在硬件实验上的四足机器人。我们还表明，控制器是鲁棒的模型失配，并可以通过发现和利用新的接触模式在各种机器人系统的模拟，包括推式机器人，平面料斗，平面四足动物，平面机器人的干扰。
2023-01-06 cs.RO 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
Structured Hammerstein-Wiener Model Learning for Model Predictive Control
本文的目的是提高最优控制的可靠性，使用机器学习方法构建的模型。基于这类模型的最优控制问题一般是非凸的，难以在线求解。在本文中，我们提出了一个模型，结合了Hammerstein-Wiener模型与输入凸神经网络，这是最近提出的机器学习领域。所提出的模型的一个重要特点是，所产生的最优控制问题是有效地解决利用其凸性和部分线性，同时保持灵活的建模能力。该方法的实际用途是通过其应用程序的建模和控制的发动机气路系统检查。
2021-07-09 cs.SY eess.SY math.OC
The Power of Diversity: Data-Driven Robust Predictive Control for Energy Efficient Buildings and Districts
ETH Zurich（苏黎世联邦理工学院）
本文提出数据驱动的鲁棒预测控制方法，用于优化建筑和区域的能源管理，通过构建分布族提升系统鲁棒性，并在大规模系统中实现节能与约束优化。
2016-07-19 cs.SY eess.SY math.OC
Chance-constrained Model Predictive Control for Near Rectilinear Halo Orbit spacecraft rendezvous
本研究提出一种结合状态转移矩阵与机会约束的鲁棒MPC方法，可在线估计扰动，适用于两类推进器，能概率性保障约束满足，有效解决地月近直线晕轨道下的航天器交会问题。
2025-01-13 cs.SY eess.SY
A Framework for Time-Consistent, Risk-Sensitive Model Predictive Control: Theory and Algorithms
Stanford University（斯坦福大学）；Princeton University（普林斯顿大学）
本文提出了一种针对线性系统随机乘性不确定性的风险敏感模型预测控制框架，通过时间一致的动态风险评估累积成本作为目标函数，实现稳定的风险敏感MPC算法，并将其转化为可实时实现的凸优化问题。
2018-04-25 cs.SY eess.SY math.OC
Robust and Kernelized Data-Enabled Predictive Control for Nonlinear Systems
提出了一种鲁棒核化的数据使能预测控制（RoKDeePC）算法，仅利用输入输出数据对非线性系统进行无模型最优控制。该算法结合了鲁棒预测控制和正则化核方法实现的非线性系统的非参数表示。后者是基于隐式学习系统的非线性行为通过代表定理。而不是寻求一个模型，然后执行控制设计，我们的方法直接从数据到控制。这使我们能够通过考虑最小-最大优化问题来计算最优控制序列，从而使控制输入对数据中的不确定性具有鲁棒性。我们表明，通过将一个适当的不确定性集，这个最小-最大问题可以重新表述为一个非凸的，但结构化的最小化问题。通过利用其结构，我们提出了一个投影梯度下降算法来有效地解决这个问题。最后，我们在两个非线性示例系统上测试了RoKDeePC-一个学术案例研究和一个为非线性负载供电的电网形成转换器-并将其与一些现有的非线性数据驱动预测控制方法进行了比较。
2022-06-04 cs.SY eess.SY
Explicit Distributed MPC: Reducing Computation and Communication Load by Exploiting Facet Properties
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Indian Institute of Technology Gandhinagar（甘地纳加尔印度理工学院）
本文提出一种无迭代分布式MPC方法，通过利用面属性进行关键区域探索，显著降低计算和通信开销，实现实时控制。
2026-04-02 cs.SY eess.SY math.OC
Data-Enabled Predictive Control with Predictive Adaptive Line-of-Sight Guidance for 3-D Path Following of Autonomous Underwater Vehicles
University of Oslo（奥斯陆大学）；Norwegian Defence Research Establishment（挪威国防研究局）
提出一种完全数据驱动的三维路径跟踪框架，利用数据驱动预测控制（DeePC）避免显式水动力学建模，并扩展预测自适应视线导引法（PALOS）以提供滚动时域预测控制器所需的一致参考，在REMUS 100 AUV高保真仿真中显著降低横向跟踪误差。
2026-05-31 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
Model Predictive Building Climate Control for Mitigating Heat Pump Noise Pollution (Extended Version)
本文提出一种基于MILP的模型预测建筑气候控制方法，通过分段线性近似热泵噪声模式并假设线性热动力学，在能源成本几乎不增加的情况下有效缓解了热泵噪声污染。
2025-04-05 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
Fast-DeePC: Fast Data-Enabled Predictive Control using Soft-constrained Scheme
Johns Hopkins University（约翰斯·霍普金斯大学）；Beijing Information Science and Technology University（北京信息科技大学）；Southeast University（东南大学）
针对原始DeePC在线计算成本随数据量增长的问题，提出Fast-DeePC框架，通过软约束方案将坐标向量离线消除，使在线问题为固定规模二次规划，求解速度较通用求解器提升最高两个数量级且精度匹配。
2026-10-12 cs.SY eess.SY
Adaptive Stochastic Predictive Control from Noisy Data: A Sampling-based Approach
提出一种基于采样和集合成员识别的自适应随机预测控制方法，处理含未知参数和扰动的线性系统，保证递归可行性与闭环约束满足。
2024-09-03 cs.SY eess.SY
Online Reduced-Order Data-Enabled Predictive Control
针对时变系统，提出一种在线降阶DeePC框架，通过最小非零奇异值选择性整合实时数据在线更新Hankel矩阵，并利用数值奇异值分解降低计算复杂度，有效提升了控制性能。
2024-07-22 cs.SY eess.SY
A robust adaptive model predictive control framework for nonlinear uncertain systems
针对具有参数不确定性和附加干扰的非线性系统，提出了一种基于管道的鲁棒自适应模型预测控制（RAMPC）框架。集员估计是用来提供准确的界限上的参数不确定性，这是用于建设的管在一个强大的MPC计划。由此产生的RAMPC框架，确保强大的递归可行性和强大的约束满意度，同时允许不太保守的操作相比，强大的MPC计划没有模型/参数自适应。此外，通过在目标函数中使用额外的均方点估计，该框架确保了有限增益$\mathcal{L}_2$稳定性。附加干扰作为第一个贡献，我们得到适当的单调性和非递增性能一般参数估计算法和管/集为基础的RAMPC计划，确保强大的递归可行性和强大的约束条件下的递归模型更新的满意度。然后，作为本文的主要贡献，我们提供了类似的条件，为管为基础的配方，使用增量李雅普诺夫函数，标量收缩率和函数的不确定性的边界参数化。有了这个结果，我们可以提供简单的建设性设计不同的RAMPC计划具有不同的计算复杂度和保守性。作为一个推论，我们可以证明，最先进的非线性RAMPC配方是一个特殊的情况下，所提出的框架。我们提供了一个数值例子，证明了所提出的框架的灵活性，并展示了最先进的方法相比，改进。
2020-10-20 cs.SY eess.SY
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
Uncertainty-aware data-driven predictive control in a stochastic setting
针对随机数据有限样本效应损害DDPC闭环性能的问题，本文基于预测误差统计分析提出两种可在闭环前无额外实验整定超参数的正则化策略。
2025-05-12 cs.SY eess.SY
RRT Guided Model Predictive Path Integral Method
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Mercer University（默瑟大学）
本文提出了一种基于最优采样的方法来解决静态和动态环境下的实时运动规划问题，利用快速探索随机树（RRT）算法和模型预测路径积分（MPPI）算法。RRT算法在MPPI算法中提供随机控制分布的标称平均值，从而在静态和动态环境中获得令人满意的控制性能，而无需进行精细的参数调整。我们还讨论了选择正确的平均值的MPPI算法，平衡探索和最优性差距，给定一个固定的样本量的重要性。特别地，需要足够大的均值来充分探索状态空间，并且需要足够小的均值来保证样本重构最优控制。所提出的方法自动化的过程中，选择正确的意思，将RRT算法。仿真结果表明，该算法可以实时解决静态或动态环境下的运动规划问题。
2023-01-30 cs.RO cs.SY eess.SY
Toward Federated DeePC: borrowing data from similar systems
本文提出联邦式 DeePC 的初步扩展，通过融合多个相似系统的输入/输出轨迹提升预测控制，并借助数值示例分析其收益与风险。
2025-07-23 cs.SY eess.SY
A Heuristic for Dynamic Output Predictive Control Design for Uncertain Nonlinear Systems
University of Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔国立理工学院）；GIPSA-lab（格勒诺布尔自动控制与信号处理实验室）
本文提出了一种简单的启发式方法，用于设计涉及不确定参数的非线性模型的不确定性感知预测控制器。该方法依赖于具有完全已知参数的理想确定性MPC解决方案的基于机器学习的近似。一个有效的建设，从这些离线的解决方案的学习数据集，提出了每个解决方案提供了许多样本的学习数据。这使得所需的非线性规划问题的数量大幅减少离线解决，同时明确利用参数分散的统计。然后，学习数据被用来设计一个快速的在线输出动态反馈，显式地将参数分散的统计信息。一个例子来说明所提出的框架的效率和相关性。特别表明，与名义设计相比，拟议的解决方案恢复了对参数完全了解的预期优势的78%。
2021-02-03 cs.LG cs.SY eess.SY
Structure-Exploiting Newton-Type Method for Optimal Control of Switched Systems
Graduate School of Informatics, Kyoto University（京都大学信息学研究科）
本文提出了一种有效的牛顿型方法，用于给定模式序列下切换系统的最优控制。利用网格加密方法对连续时间最优控制问题进行离散化，并构造非线性规划，保证牛顿型方法的局部收敛.一个专用的结构开发算法（Riccati递归），提出了执行牛顿型方法的NLP有效，因为它的稀疏结构是从一个标准的OCP不同。所提出的方法计算每个牛顿步骤的线性时间复杂度的离散化网格的总数作为标准的Riccati递归算法。另外，如果解足够接近于局部极小值，则计算总是成功的。相反，一般的二次规划（QP）求解器不能实现这一点，因为黑塞矩阵本质上是不确定的。此外，利用Riccati递归算法作为QP子问题的动态规划的性质，对约简黑塞矩阵进行了修正，提高了算法的收敛性.与现成的NLP求解器进行了数值比较，这表明所提出的方法快了两个数量级。四足步态的全身最优控制也证明了所提出的方法可以实现刚性接触机器人系统的全身模型预测控制（MPC）。
2021-12-20 cs.RO cs.SY eess.SY
Model Predictive Control of District Heating Grids Using Stabilizing Terminal Ingredients
本文针对集中供热管网碳中和转型需求，提出基于稳定终端要素的模型预测控制方法，并利用系统结构给出基于拓扑的可镇定性充分条件，通过数值案例验证了其实用性。
2024-04-02 cs.SY eess.SY
Real-Time Nonlinear MPC via Sequential Quadratic Programming with Structure-Exploiting ADMM and Interior-Point Methods for Underactuated Double-Pendulum Swing-Up
University of Patras（帕特雷大学）
针对2026年IJCAI-ECAI竞赛的欠驱动双摆控制任务，提出基于序列二次规划的实时非线性模型预测控制方法，在CloudPendulum硬件上实现可靠的起摆稳定与抗扰性能。
2026-08-11 cs.RO cs.SY eess.SY
Learning to Spend: Model Predictive Control for Budgeting under Non-Stationary Returns
Department of Chemical Engineering, McMaster University（麦斯特大学化学工程系）
本文研究预算分配作为闭环经济控制问题，比较MPC与反应式策略在非平稳回报环境下的表现，发现当回报动态平稳或存在不可预测漂移时，MPC无系统性优势，但当回报效率具有可预测结构时，MPC通过跨时期权衡持续优于反应式预算。
2026-04-29 cs.AI cs.LG cs.SY
Gaussian processes for dynamics learning in model predictive control
本文综述了基于高斯过程的模型预测控制研究，梳理了可扩展性、近似处理和在线更新等理论挑战，并探讨了不确定性量化等未来方向。
2025-02-04 cs.SY eess.SY
Automated Lane Merging via Game Theory and Branch Model Predictive Control
TU Delft（代尔夫特理工大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）
本文提出融合搜索式规划、矩阵博弈与分支模型预测控制的车道汇入框架，可选择汇入间隙并应对周围车辆的 Nash 与 Stackelberg 不确定策略，真实密集交通数据验证了其有效性。
2025-02-17 cs.RO cs.SY eess.SY
Hybrid Gaussian Process Modeling Applied to Economic Stochastic Model Predictive Control of Batch Processes
Norwegian University of Science and Technology（挪威科技大学）；BASF SE（巴斯夫公司）；Imperial College London（帝国理工学院）
非线性模型预测控制（NMPC）是一种有效的控制方法，用于控制具有约束的非线性多变量动态系统，但这需要精确的对象模型。植物模型通常可以从第一原理确定，然而，模型的一部分很难单独使用物理定律导出。在本文中，混合高斯过程（GP）的第一性原理建模方案，提出了克服这个问题，它利用GP模型的动态系统的部分，很难描述使用第一性原理。GPS不仅给出了准确的预测，而且还量化了该模型的剩余不确定性。在控制算法中考虑这种不确定性是至关重要的，以防止违反约束和性能恶化。离线生成GP的Monte Carlo样本，以收紧NMPC的约束，从而在线确保联合概率约束满足。我们的方法的优点包括快速的在线评估时间，在线学习减轻保守性的可能性，并利用GP的灵活性和第一原理模型的数据效率。该算法进行了验证，涉及一个具有挑战性的半分批生物反应器的案例研究。
2021-08-14 cs.LG cs.SY eess.SY
A Gauss-Newton-Induced Structure-Exploiting Algorithm for Differentiable Optimal Control
Jilin University（吉林大学）；Tongji University（同济大学）
本文提出FastDOC算法，利用Gauss-Newton近似和矩阵结构特性，提升可微最优控制的计算效率，实验证明在自动驾驶任务中具有显著优势。
2026-05-11 cs.SY eess.SY
Exploiting Model Sparsity in Adaptive MPC: A Compressed Sensing Viewpoint
针对存在有界扰动的稳定线性定常系统，提出了一种自适应随机模型预测控制（MPC）策略。我们考虑多输入，多输出系统，可以表示为有限脉冲响应（FIR）模型。对应于每个输出的FIR模型的参数是未知的，但假设稀疏。我们使用递归最小二乘算法估计这些参数。然后使用通过解决基追踪去噪[1]问题获得的基于集合的边界来改进估计。我们的方法是能够处理硬输入约束和概率输出约束。使用分布鲁棒优化的工具，我们重新制定的概率输出约束为易处理的凸二阶锥约束，这使我们能够把我们的MPC设计任务作为一个凸优化问题。所开发的算法的有效性突出了一个彻底的数值例子，在那里我们证明了性能增益相对于[2]的算法，它不利用稀疏信息的系统脉冲响应参数在控制设计。
2019-12-09 cs.SY eess.SY stat.ML
Robust and efficient data-driven predictive control
Leibniz University Hannover（汉诺威莱布尼茨大学）
提出一种鲁棒高效的数据驱动预测控制方案，利用浅层Hankel矩阵的核结构实现短噪声数据下的预测，并量化不确定性，保证递归可行性和实际指数稳定性。
2026-06-08 cs.SY eess.SY
Real-Time Optimal Lithium-Ion Battery Charging Based on Explicit Model Predictive Control
锂离子电池在各个行业的快速增长凸显了最佳充电控制的紧迫问题，因为充电对电池的健康，安全和寿命起着至关重要的作用。文献越来越多地采用模型预测控制（MPC）来解决这个问题，利用其在约束条件下执行优化的能力。然而，计算复杂的在线约束优化固有的MPC往往阻碍实时实现。因此，本文提出了开发一个框架，用于实时收费控制的基础上显式MPC（eMPC），利用其优势，在表征一个显式的解决方案的MPC问题，使实时收费控制。研究首先制定MPC充电的非线性等效电路模型的基础上。然后，对原始模型进行多段线性化，并将eMPC设计应用于所获得的线性模型，得到充电控制算法。该算法通过预先计算充电问题的显式解并将充电规律表示为分段仿射函数，将约束优化转移到离线状态。这不仅大大降低了控制运行中的在线计算成本，还降低了编码难度。大量的数值仿真和实验结果验证了所提出的eMPC充电控制框架和算法的有效性。研究结果可以潜在地满足在嵌入式硬件上运行的实时电池管理的需求。
2020-04-29 cs.SY eess.SY
Model Predictive Control for Finite Input Systems using the D-Wave Quantum Annealer
D-Wave量子退火机已经成为一种新的计算架构，引起了人们的极大兴趣，但只有少数实用算法利用了量子退火机的功能。在这里，我们提出了一个模型预测控制（MPC）算法，使用量子退火系统允许有限数量的输入值。这样的MPC问题被归类为非确定性多项式时间困难的组合问题，因此，实时顺序优化是难以获得与传统的计算系统。我们绕过这个困难，通过转换原来的MPC问题转化为二次无约束的二元优化问题，然后解决的D-Wave量子退火。两个实际应用，即稳定的弹簧质量阻尼器系统和动态音频量化，证明。对于这两种情况，D-Wave方法都比经典的模拟退火方法表现出更好的性能。我们的研究结果表明，新的应用量子退火的方向的动态控制问题。
2020-01-27 cond-mat.mes-hall cs.ET cs.SY
ACLM: ADMM-Based Distributed Model Predictive Control for Collaborative Loco-Manipulation
The Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（机器人与智能机器研究所，佐治亚理工学院）
本文提出基于ADMM的分布式模型预测控制框架，用于四足机器人协作移动Manipulation，通过分解控制问题并结合力感知控制器，实现高效、实时的协作运输重物。
2026-03-07 cs.RO cs.SY eess.SY
