Distributionally Robust Safety Under Arbitrary Uncertainties: A Safety Filtering Approach
本文研究如何在分布模糊性下确保非线性系统的概率安全，提出了一种基于备份的安全过滤框架，通过在高性能名义策略和认证备份策略之间切换来保证安全，并采用分布鲁棒方法处理任意不确定性，通过采样方法验证了方法的有效性。
2026-08-14 cs.RO cs.SY eess.SY
Distributionally Robust CVaR-Based Safety Filtering for Motion Planning in Uncertain Environments
The University of Texas at Dallas（德克萨斯大学达拉斯分校）
本文针对不确定动态障碍物环境下的机器人运动规划安全问题，提出一种基于分布鲁棒优化计算安全半空间并结合类MPC安全滤波器的方案，以降低碰撞风险，并通过数值仿真验证其有效性与计算效率。
2023-09-16 cs.RO cs.SY eess.SY
Distributionally Robust Safety Filter for Learning-Based Control in Active Distribution Systems
Chung-Ang University（中央大学）
针对 DRL 智能体在主动配电系统训练中可能违反运行约束的问题，提出通用 DRSF，将其构建为含机会约束的分布鲁棒优化问题，以最小动作修正实现近优控制与概率安全保证，并在 IEEE 33/123 节点系统中验证。
2023-07-31 cs.AI cs.SY eess.SY
Data-driven optimal control under safety constraints using sparse Koopman approximation
本文利用Koopman算子的稀疏结构提出高效最小二乘逼近方法，并将其用于安全约束下的数据驱动最优可达-安全控制，显著降低计算时间并保持高精度。
2023-06-01 cs.SY eess.SY math.OC
Data-to-Certificates (D2C): Koopman Supereigenfunctions for Stability, Safety, and Control
Clemson University（克莱姆森大学）
本文提出数据到证书（D2C）范式，直接学习Koopman超特征函数作为不等式证书，用于稳定性、安全性和控制，并通过几何与预解式方法实现数据驱动认证。
2026-10-02 cs.SY eess.SY math.OC
A dynamic game approach to distributionally robust safety specifications for stochastic systems
University of Southern California（南加州大学）
本文提出了一种新的安全规范方法，该方法对扰动概率分布的误差具有鲁棒性。通过动态博弈方法构建安全策略，识别非随机化马尔可夫策略最优的条件，并开发了一种在对扰动分布了解有限的情况下设计安全导向的随机控制器的方法，同时在概率意义上确保安全。
2017-01-31 cs.SY eess.SY math.OC
Distributionally Robust Cascading Risk in Multi-Agent Rendezvous: Extended Analysis of Parameter-Induced Ambiguity
Lehigh University（理海大学）
本文提出了一种分析多智能体会合中分布鲁棒级联风险的理论框架，通过引入条件分布鲁棒函数和闭合形式风险表达式，揭示了参数不确定性对集体安全的影响，并通过模拟验证了方法的有效性。
2025-11-25 cs.SY eess.SY
Distributionally Robust Safety Verification of Neural Networks via Worst-Case CVaR
National Institute of Informatics（国立信息研究所）
本文将最坏情况CVaR整合到基于二次约束和半定规划的神经网络验证框架中，提出一种分布鲁棒且关注尾部风险的安全性验证方法，并通过数值实验验证其在控制系统可达性和分类任务中的有效性。
2025-09-22 cs.AI cs.LG cs.SY
Robust Koopman Control Barrier Filters for Safe Actor-Critic Reinforcement Learning
University of California, Berkeley（加州大学伯克利分校）
提出鲁棒Koopman-CBF SAC框架，通过数据驱动学习Koopman预测器、构建提升空间中的仿射CBF约束并利用二次规划安全层实施，同时通过投影残差裕度处理近似误差，实现零约束违反或减少违规。
2026-06-05 cs.LG cs.RO cs.SY
Distributionally Robust and Safe Imitation Learning
University of California Berkeley（加利福尼亚大学伯克利分校）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
研究针对模仿学习对分布变化敏感及安全风险问题，提出分布鲁棒且安全的模仿学习框架，利用泰勒级数模仿学习和分布鲁棒自适应控制应对不同诱导变化，在无人机案例中验证了方法有效性。
2026-07-16 cs.LG cs.SY eess.SY
Safety-Filtered Distributed Koopman-MPC
Hubei University（湖北大学）；Shenzhen Institute of Artificial Intelligence and Robotics for Society (AIRS)（深圳市人工智能与机器人研究院）；The Chinese University of Hong Kong, Shenzhen (CUHK-Shenzhen)（香港中文大学（深圳））；Manchester Metropolitan Joint Institute, Hubei University（湖北大学曼城联合学院）
本文提出一种安全过滤的分布式Koopman-MPC方法，通过分离预测与安全约束，利用局部感知和硬约束QP投影保证碰撞安全，在仓库模拟中实现20/20无碰撞并达到全部目标。
2026-09-24 cs.RO cs.SY eess.SY
Distributionally Safe Reinforcement Learning under Model Uncertainty: A Single-Level Approach by Differentiable Convex Programming
Mississippi State University（密西西比州立大学）
针对Wasserstein分布偏移下的安全强化学习双层优化难题，提出基于对偶转换与可微凸规划的单层端到端框架，显著提升一阶和二阶系统的安全保证。
2023-10-03 cs.LG cs.RO cs.SY
Data-Driven Reachability of Nonlinear Lipschitz Systems via Koopman Operator Embeddings
TUM School of Computation, Information, and Technology (CIT), Technical University of Munich (TUM)（慕尼黑工业大学计算、信息与技术学院）
本文提出基于Koopman算子和zonotopic集合表示的数据驱动可达性框架，通过将非线性系统提升为有限维线性模型，减少保守性并保持形式安全保证，实验证明其在长预测范围内的可达集近似更精确。
2026-08-12 cs.SY eess.SY
Distributionally Robust Cascading Risk Quantification in Multi-Agent Rendezvous: Effects of Time Delay and Network Connectivity
针对多智能体会合任务的安全挑战，提出分布鲁棒级联风险分析框架，用时延网络模型结合双变量正态分布推导闭式风险表达式，揭示多因素对风险的影响，为弹性网络设计提供依据并经仿真验证有效。
2025-07-31 cs.SY eess.SY
Conformal Koopman for Embedded Nonlinear Control with Statistical Robustness: Theory and Real-World Validation
Department of Aerospace Engineering, The Grainger College of Engineering, University of Illinois Urbana-Champaign（航空航天工程系，格拉inger工程学院，伊利诺伊大学厄巴纳-香槟分校）
本文提出一种基于Koopman的全数据驱动框架，用于具有线性嵌入的离散时间非线性系统的统计鲁棒控制，通过共形预测提供分布无关的概率界限，确保安全性和鲁棒性。
2026-03-23 cs.RO cs.SY eess.SY
Sensor-Based Distributionally Robust Control for Safe Robot Navigation in Dynamic Environments
Contextual Robotics Institute, University of California San Diego（情境机器人研究所，加州大学圣地亚哥分校）
本文提出一种基于机载传感与分布鲁棒优化的DR-CBF方法，结合CLF实现动态未知环境中移动机器人的安全高效导航，并通过仿真与差速驱动机器人实验验证其有效性和鲁棒性。
2025-05-06 cs.RO cs.SY eess.SY
Data-Driven Distributionally Robust Safety Verification Using Barrier Certificates and Conditional Mean Embeddings
School of Computing, Newcastle University（纽卡斯尔大学计算机学院）；Imperial College London（帝国理工学院）；Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所）
本文提出一种数据驱动的分布鲁棒安全性验证方法，利用屏障证书和条件均值嵌入，无需精确模型，通过平方和优化高效求解，降低样本复杂度。
2024-03-15 cs.LG cs.SY eess.SY
Quantification of Distributionally Robust Risk of Cascade of Failures in Platoon of Vehicles
本文提出分布鲁棒风险框架研究车辆队列中的级联故障，基于时延网络模型和双变量正态分布建立闭式风险公式，量化时延、噪声和通信图等影响，为设计安全鲁棒队列提供依据。
2023-09-10 cs.SY eess.SY
Safety Screening for Voltage Control in Active Distribution Grids via Distributionally Robust Conformal Screening
RWTH Aachen University（亚琛工业大学）；Technical University of Denmark（丹麦技术大学）
针对主动配电网新电压控制策略预部署的安全评估难点，提出DR-CSS框架，经IEEE标准节点系统实验验证可识别所有不安全场景，支持更安全的策略部署决策。
2026-09-01 cs.AI cs.LG cs.SY
Distributionally robust risk map for learning-based motion planning and control: A semidefinite programming approach
Seoul National University（首尔国立大学）；Automation and Systems Research Institute（自动化与系统研究所）
本文提出了一种新的安全规范工具，称为分布式鲁棒风险地图（DR风险地图），在学习环境中运行的移动机器人。给定机器人的位置，该地图旨在可靠地评估与障碍物碰撞的条件风险值（CVaR），障碍物的运动由高斯过程回归（GPR）推断。不幸的是，推断的分布是受误差，使得难以准确地评估碰撞的CVaR。为了克服这一挑战，该工具在所谓的模糊性集合中测量最坏情况分布下的风险，该模糊性集合表征了允许的分布误差。为了解决无限维问题固有的DR-风险图的建设，我们推导出一个易于处理的半定规划公式，提供了一个上限的风险，利用现代分布鲁棒优化技术。作为运动规划的一个具体应用，一个分布式鲁棒RRT* 算法被认为是使用的风险地图，解决由GPR造成的分布错误。此外，运动控制方法的设计使用DR风险图在基于学习的模型预测控制（MPC）制定。特别地，提出了风险图的神经网络近似，以减少求解MPC问题的计算成本。建议的风险地图的性能和实用性证明，通过模拟研究，显示其能力，以确保移动机器人的安全，尽管学习错误。
2021-05-03 cs.RO cs.SY eess.SY
Safe, Learning-Based MPC for Highway Driving under Lane-Change Uncertainty: A Distributionally Robust Approach
我们提出了一个案例研究应用基于学习的分布式鲁棒模型预测控制的高速公路运动规划下的随机不确定性的车道变化行为的周围道路使用者。道路使用者的动态建模使用马尔可夫跳跃系统，其中的切换变量描述所需的车道的车辆正在考虑和连续状态描述的姿态和速度的车辆。我们假设底层马尔可夫链的切换概率是未知的。当观察到车辆时，从马尔可夫链中提取样本，估计转移概率以及模糊集，该模糊集解释了这些概率的错误估计。相应地，一个分布鲁棒最优控制问题被制定在一个场景树，并在滚动时域求解。结果，获得了运动规划过程，其通过对目标车辆的观察逐渐变得不那么保守，同时避免了从小样本大小获得的估计中的过度自信。我们提出了一个广泛的数值案例研究，比较几个不同的设计方面的控制器的性能和安全的影响。
2022-11-07 cs.SY eess.SY
Residual-Aware Distributionally Robust EKF: Absorbing Linearization Mismatch via Wasserstein Ambiguity
Department of Mechanical Science and Engineering, Grainger College of Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校格雷格工程学院机械科学与工程系）；Department of Electrical and Computer Engineering and Automation and Systems Research Institute, Seoul National University（首尔国立大学电气与计算机工程系及自动化与系统研究所）；Center for Scientific Innovation and Education and the National Polytechnic University of Armenia（亚美尼亚国立理工大学科学创新与教育中心）
本文提出一种残差感知的分布鲁棒扩展卡尔曼滤波，通过瓦瑟斯坦模糊性框架同时解决噪声模型不匹配和线性化误差问题，提供可计算的有效半径和确定性误差界。
2026-04-03 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
Distributionally Robust Acceleration Control Barrier Filter for Efficient UAV Obstacle Avoidance
University of Klagenfurt（克拉根福大学）
本文提出分布鲁棒加速控制屏障函数（DR-ACBF）用于高效无人机避障，通过考虑动态和延迟的清晰度处理延迟、执行器限制和障碍物加速度，利用Cantelli紧缩和DR-CVaR提前触发提高安全性，实现实时执行。
2026-03-26 cs.SY eess.SY
Distributionally Robust Infinite-horizon Control: from a pool of samples to the design of dependable controllers
针对仅具备不确定性部分统计信息的受约束线性系统，提出基于Wasserstein歧义集的分布鲁棒无限时域控制方法，结合凸规划新结果与系统级参数化将问题转化为半定规划，验证了方法有效性与经验分布的价值。
2024-07-11 cs.SY eess.SY math.OC
Distributionally Robust Planning with $\mathcal{L}_1$ Adaptive Control
National Polytechnic University of Armenia（亚美尼亚国立理工大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；American University of Armenia（亚美尼亚美国大学）；University of Michigan（密歇根大学）
本文提出DRP-$\mathcal{L}_1$AC框架，结合分布鲁棒模型预测控制与$\mathcal{L}_1$自适应控制，通过在线分布证书保证安全性和鲁棒性，无需分布样本即可处理系统和环境不确定性。
2026-04-22 cs.SY eess.SY
Enhancement for Robustness of Koopman Operator-based Data-driven Mobile Robotic Systems
University of California, Riverside（加州大学河滨分校）
Koopman算子理论已经成为非线性系统建模和跨环境控制（包括非完整移动机器人控制）的动力学提取基础。有越来越多的兴趣在研究中获得鲁棒性（和/或安全性）的保证系统的动态提取通过Koopman运营商。在本文中，我们提出了一种方法来量化的预测误差，因为噪声测量时，Koopman算子近似通过扩展动态模式分解。我们进一步开发了一种增强的机器人控制策略，赋予鲁棒性的一类数据驱动（机器人）系统，依赖于Koopman算子理论，我们展示了如何部分的策略可以发生离线的努力，使我们的算法能够实时实现。我们进行了参数研究，以评估（理论）的性能的算法，使用范德波尔振荡器和进行一系列的模拟实验，在凉亭使用非完整轮式机器人。
2021-04-09 cs.RO cs.SY eess.SY
Distributionally robust minimization in meta-learning for system identification
IDSIA Dalle Molle Institute for Artificial Intelligence USI-SUPSI（IDSIA达摩斯人工智能研究所USI-SUPSI）
本文提出在系统辨识的元学习中使用分布鲁棒优化，优先处理高损失任务以增强最坏情况性能，减少安全关键应用中的失败。
2025-06-22 cs.AI cs.LG cs.SY
Wasserstein Distributionally Robust Control Barrier Function using Conditional Value-at-Risk with Differentiable Convex Programming
Mississippi State University（密西西比州立大学）
本文提出分布鲁棒控制屏障函数DR-CBF，通过单层凸重构估计Wasserstein分布偏移下的CVaR，并利用可微凸规划实现前向不变性，在保持计算效率的同时提升安全控制器对分布偏移的鲁棒性。
2023-09-15 cs.LG cs.RO cs.SY
Risk-Sensitive Orbital Debris Collision Avoidance using Distributionally Robust Chance Constraints
University of California Berkeley（加州大学伯克利分校）
针对非线性轨道动力学下非高斯分布碰撞概率难以准确评估和计算的问题，提出一种基于条件风险价值（CVaR）近似的分布鲁棒机会约束避碰算法，在有限分布信息下保证安全并实现计算可处理。
2024-12-23 cs.RO cs.SY eess.SY
Data-Driven Distributionally Robust Mitigation of Risk of Cascading Failures
提出一种数据驱动的分布鲁棒有限时域最优控制方法，通过求解DRMPC问题的凸公式，在输入时间延迟下有效缓解LTI系统的级联失效风险并维持性能。
2023-10-18 cs.SY eess.SY math.OC
A distributionally robust optimization approach to two-sided chance constrained stochastic model predictive control with unknown noise distribution
针对双边机会约束离散线性系统受加性噪声干扰的问题，提出了一种分布鲁棒随机模型预测控制（DR-SMPC）算法.处理双边机会约束的普遍机制是所谓的风险分配方法，该方法通过应用布尔不等式将双边机会约束保守地近似为两个单机会约束。在这个建议的DR-SMPC框架中，一个精确的易处理的二阶锥（SOC）的方法是通过考虑噪声的一阶和二阶矩抽象的双边机会约束。所提出的DR-SMPC算法能够保证违反安全约束的上限和下限的最坏情况下的概率是在预先指定的最大概率（PsMP）。通过灵活地调整该PsMP，可以增加SMPC问题的初始状态的可行域。通过引入标称状态的二进制初始化策略，严格证明了DR-SMPC的递归可行性和收敛性。两个实际案例的仿真研究进行了证明所提出的DR-SMPC算法的有效性。
2022-03-16 cs.SY eess.SY
Distributionally Robust PAC-Bayesian Control
本文提出一种分布鲁棒的PAC-Bayesian框架，用于验证基于学习的有限时间 horizon 控制器性能。通过结合PAC-Bayes泛化理论和基于类型1 Wasserstein距离的分布鲁棒优化，解决无界损失和环境分布偏移问题，提供高概率安全证书。
2026-04-12 cs.LG cs.SY eess.SY
Deep Koopman risk-preview supervised LTV-MPC for direct yaw moment control of distributed drive electric vehicles
College of Mechanical and Vehicle Engineering, Chongqing University（重庆大学机械与车辆工程学院）；Department of Automotive Engineering, Hanyang University（汉阳大学汽车工程系）；School of Vehicle Engineering, Chongqing University of Technology（重庆理工大学车辆工程学院）
针对分布式驱动电动汽车DYC易在低风险工况下过度干预的问题，提出KRG-LTV-MPC框架，结合深度Koopman模型进行风险门控，在保障稳定性的同时减少了43.9%的横摆力矩干预。
2026-08-11 cs.SY eess.SY
Iterative risk-constrained model predictive control: A data-driven distributionally robust approach
本文提出迭代分布鲁棒MPC方案求解带风险约束的无限时域最优控制问题，通过累积数据逐步优化轨迹代价与安全性，证明了递归可行性与收敛性，并给出可计算重构与仿真验证。
2023-08-22 cs.SY eess.SY math.OC
Learning-based distributionally robust motion control with Gaussian processes
Seoul National University（首尔国立大学）
安全是基于学习的机器人和自主系统中的一个关键问题，因为有关其环境的学习信息通常不可靠且不准确。在本文中，我们提出了一个风险意识的运动控制工具，是强大的对错误的学习分布信息与未知动态的障碍物移动。我们的模型预测控制（MPC）方法的显着特点是它的能力，限制不安全的风险，即使当真正的分布偏离高斯过程（GP）回归估计的分布，在一个模糊集。不幸的是，分布鲁棒MPC问题与GP是棘手的，因为最坏情况下的风险约束涉及到一个无限维的模糊集的优化问题。为了消除无限维的问题，我们开发了一个系统的重构方法，利用现代分布鲁棒优化技术。我们的方法的性能和效用，通过使用非线性汽车自动驾驶模型的模拟证明。
2020-03-05 cs.RO cs.SY eess.SY
Grid-Interactive Thermal Management of AI Data Centers via Contextual Distributionally Robust Optimization
针对AI数据中心突发工作负载和不确定热量生成导致的热违规问题，提出情境分布鲁棒优化（CDRO）框架，通过动态调整Wasserstein半径实现电网交互冷却控制，在极端负载下实现近零热违规，并将鲁棒性成本溢价降低约13.7个百分点。
2026-07-02 cs.SY eess.SY
Safe Data-Driven Control and Dynamical Learning via Constrained Neural Architectures and Koopman Operators
Faculty of Engineering, King Saud University（沙特国王大学工程学院）
提出一个集成框架，结合神经常微分方程、测量诱导几何结构和Koopman算子理论，通过可计算的线性矩阵不等式保证数据驱动模型的稳定性，实现安全控制。
2026-05-23 cs.SY eess.SY
Koopman-Model Predictive Control with Signal Temporal Logic Specifications for Temperature Regulation of a Warm-Water Supply System
在医院环境中，用于透析治疗的温水供应控制是典型的安全关键控制问题。为了保证热水供应的连续性，满足物理规格为广泛的操作条件，这是不可避免的考虑在一个温水供应系统的动态模型的控制设计的非线性。在本文中，我们提出了将控制规范所描述的信号时序逻辑，这是一个时序逻辑的语义上的有限时间信号的形式化方法，到所谓的Koopman-模型预测控制（MPC）作为一种新的技术的非线性预测控制的基础上的Koopman算子框架非线性系统。这使我们能够产生一个序列的最佳输入，使一个非线性系统的控制状态可以满足规格。将该方案应用于热水供应的温度调节，并对其有效性进行了数值验证。
2023-02-28 cs.SY eess.SY math.DS
Adaptive Deep Koopman Operator for Vehicle Dynamics Modeling: A Physics-Informed and Tire-Force-Driven Approach
Chongqing University（重庆大学）；Hanyang University（汉阳大学）；Chongqing University of Technology（重庆理工大学）
针对深度库普曼算子在在线应用中因高维提升状态空间导致的秩亏问题，提出一种轮胎力驱动建模框架，通过嵌入7自由度动力学约束和物理信息变步长归一化最小均方算法，实现稳定在线更新，在CarSim和dSPACE硬件在环测试中验证了鲁棒精度与实时性。
2026-06-16 cs.SY eess.SY
Modeling, Reduction, and Control of a Helically Actuated Inertial Soft Robotic Arm via the Koopman Operator
University of California, Santa Barbara（加州大学圣巴巴拉分校）
软体机器人在复杂、微妙和动态的环境中部署时，有望提高刚性机器人的安全性和能力。然而，这些系统的无限自由度和高度非线性动力学严重复杂的建模和控制。作为解决这一开放性挑战的一步，我们应用数据驱动，汉克尔动态模式分解（HDMD）与时间延迟可观的高度惯性，螺旋软机械臂的模型识别与大量的欠驱动自由度。所得到的模型是线性的，因此可以通过线性二次型调节器（LQR）进行控制。使用我们的测试台设备，一个动态的，轻量级的气动织物臂与惯性质量的尖端，我们表明，HDMD和LQR的组合允许我们命令我们的机器人实现任意姿态，只使用开环控制。我们进一步表明，Koopman谱分析给我们一个维度减少的模式，降低计算复杂性，而不牺牲预测能力的基础。
2020-11-16 cs.RO cs.SY eess.SY
Analysis of Truncated Singular Value Decomposition for Koopman Operator-Based Lane Change Model
The Sirindhorn International Thai-German Graduate School of Engineering, King Mongkut's University of Technology North Bangkok（宋卡王子大学国际泰德工程学院，北曼谷国王蒙固科技大学）
本文研究截断SVD在基于Koopman算子的换道模型中的应用，评估不同基函数和秩对计算效率与信息损失的影响，发现截断SVD并不能显著缩短训练时间且会造成明显信息损失。
2024-09-27 cs.AI cs.RO cs.SY
Integrating Predictive Motion Uncertainties with Distributionally Robust Risk-Aware Control for Safe Robot Navigation in Crowds
University of California, Berkeley（加州大学伯克利分校）
针对人群中机器人安全导航时人类运动预测不确定性难融入控制的问题，提出分布鲁棒机会约束MPC方法，用分布鲁棒条件风险价值近似实现实时计算，经真实行人数据验证可高效安全导航。
2024-03-08 cs.RO cs.SY eess.SY
A Data-Driven Prescribed-Time Control Framework via Koopman Operator and Adaptive Backstepping
本文提出一种融合EDMDc数据驱动建模与指定时间自适应反步控制的框架，通过库普曼线性化处理模型误差并避免复杂度爆炸，在范德波尔振荡器上验证了用户指定时间内精确镇定且闭环信号有界。
2025-07-03 cs.SY eess.SY math.OC
Wasserstein distributionally robust risk-constrained iterative MPC for motion planning: computationally efficient approximations
针对迭代MPC结合分布鲁棒风险约束的运动规划问题计算量随迭代升高的问题，提出数据聚类调整模糊集和预确定DR安全区域两种高效近似方法，保证安全性的同时降低实时计算负担。
2023-10-06 cs.SY eess.SY math.OC
Adversarially and Distributionally Robust Virtual Energy Storage Systems via the Scenario Approach
Eindhoven University of Technology（埃因霍温理工大学）；Polytechnic of Bari（巴里理工大学）；Technical University of Delft（代尔夫特理工大学）
本文提出一种数据驱动的调度框架，通过停车场管理者与零售商互动，提供虚拟能源存储服务，并在不确定的电动车离场和电池状态限制下，实现经济性能与操作安全性的平衡。
2026-04-09 cs.LG cs.SY eess.SY
Scalable Data-Driven Reachability Analysis and Control via Koopman Operators with Conformal Coverage Guarantees
Georgia Institute of Technology（佐治亚理工学院）；School of ECE（电子工程学院）；Schools of Cybersecurity & Privacy & Aerospace Eng（网络安全与隐私及航空航天工程学院）
本文提出基于Koopman算子的可扩展数据驱动可达性分析与控制方法，通过符合预测保证系统覆盖，提升高维任务的可达集覆盖率和计算效率。
2026-01-03 cs.AI cs.LG cs.RO
Distributionally Robust Surrogate Optimal Control for High-Dimensional Systems
本文提出了一种新的方法，可追溯地解决最优控制和离线强化学习问题的高维系统。这项工作的动机是不断挑战的安全性，计算和高维最优控制的最优性。我们通过以下方法来解决这些关键问题。首先，我们确定了一个序列建模代理方法，作为输入的初态和控制输入的时间序列，并输出近似的目标函数和轨迹的约束函数。重要的是，这种方法完全吸收了单个状态转换动态。仅依赖于初态意味着我们可以应用降维来压缩模型输入，同时保留其大部分信息。代理目标的不确定性会影响结果的最优性。然而，至关重要的是，代理约束函数中的不确定性将导致不可行性，即不安全的动作。当考虑离线强化学习时，最显著的建模误差将出现在分布外的数据上。因此，我们将Wasserstein模糊集应用于基于测试数据残差分布的最坏情况样本外建模误差的“鲁棒性”代理建模方法。我们证明了这种组合方法的有效性，通过一个案例研究的安全最佳快速充电的高维锂离子电池模型在低温下。
2022-07-04 cs.SY eess.SY math.OC
Risk-Aware Wasserstein Distributionally Robust Control of Vessels in Natural Waterways
University of Seville（塞维利亚大学）；Seoul National University（首尔国立大学）
针对自然内河航道中自主船舶航行的不确定性挑战，本研究提出了一种风险感知的Wasserstein分布鲁棒模型预测控制方法，通过随机多面体建模和最坏情况风险约束有效避免搁浅事故，提升了有限数据下的航行安全性与鲁棒性。
2023-10-21 cs.RO cs.SY eess.SY
Residual Koopman Model Predictive Control for Enhanced Vehicle Dynamics with Small On-Track Data Input
State Key Laboratory of Industrial, Zhejiang University（工业-state key laboratory，浙江大学）
针对车辆轨迹跟踪中传统模型预测控制依赖精确模型且计算复杂的问题，提出残差Koopman模型预测控制（RKMPC），结合线性MPC与神经网络残差补偿，仅需20%训练数据即提升跟踪精度并降低横向误差11.7%-22.1%。
2025-08-05 cs.RO cs.SY eess.SY
Online Learning Control Strategies for Industrial Processes with Application for Loosening and Conditioning
提出融合 rEDMDc 在线 Koopman 学习与 HPC 历史安全约束的 HPC-AK-MPC，并在烟草松散回潮工业数据中验证其可提升各批次 Cpk 并保障安全。
2025-06-10 cs.SY eess.SY math.OA
LC-SAC: Lyapunov-Constrained Soft Actor-Critic via Koopman Operator Theory for Trajectory Tracking and Stabilization
University of California, Berkeley（加州大学伯克利分校）
提出一种结合Koopman算子理论的李雅普诺夫约束软演员-评论家算法，通过线性提升动力学模型和闭环控制李雅普诺夫函数实现轨迹跟踪与镇定，并引入条件风险价值约束处理罕见但严重的失稳事件。
2026-06-01 cs.LG cs.RO cs.SY
Collaborative-Online-Learning-Enabled Distributionally Robust Motion Control for Multi-Robot Systems
School of Automation and Intelligent Sensing, Shanghai Jiao Tong University, Shanghai, China（自动化与智能感知学院，上海交通大学，上海，中国）；Department of Mechanical Engineering, University of Victoria, Victoria, Canada（机械工程系，维多利亚大学，维多利亚，加拿大）
本文提出一种基于协同在线学习的分布鲁棒多机器人运动控制方法，通过构建模糊集并优化轨迹生成，实现碰撞避免和长期跟踪性能保障。
2026-02-07 cs.RO cs.SY eess.SY
A Spectral Perspective on Stochastic Control Barrier Functions
Seoul National University（首尔大学）；University of California, Berkeley（加州大学伯克利分校）
本文提出通过谱分析方法，利用闭环系统安全概率的线性算子，寻找主导特征对以编码随机系统的安全信息，提出功率策略迭代算法生成有效的随机控制屏障函数。
2026-10-30 cs.SY eess.SY math.OC
