Design and comparison of two linear controllers with precompensation gain for the Quadruple inverted pendulum
在这项工作中,我们提出了一个工作流程,设计两个线性控制技术应用于动态系统四重倒立摆安装在车上(QIP)的车位置上的稳态误差是通过预补偿增益消除。设计的第一控制律基于LQR,基于系统状态的总能量的最小化来稳定系统状态的技术,并且第二控制技术是通过二阶系统近似的极点配置,该方法允许定义设备的期望响应的稳定时间和超调,对于该控制,系统被认为是SISO,作为设备的唯一输出,小车的水平位置。为了消除由两个线性控制器产生的稳态误差,在拉普拉斯域中对受控系统的稳态响应进行了分析。仿真环境是Matlab的Simscape,它是一个可以模拟非线性机械系统动态特性的仿真环境。所获得的结果表明,这两个控制器都能够稳定的植物和移动车的位置所需的设定点。最后,我们讨论了这两种线性控制技术的性能。
2022-02-28 cs.SY eess.SY
Stability Analysis of LQR-ANFIS Control Schemes on 2-degree-of-freedom Inverted Pendulum Systems
本文设计融合LQR、模糊逻辑与神经网络的两阶段TS-LA控制器,在二自由度倒立摆Simulink模型中验证其稳定性与抗扰性能。
2023-12-11 cs.SY eess.SY
Barriers and Potentially Safe Sets in Hybrid Systems: Pendulum with Non-Rigid Cable
本文将混合约束非线性系统中障碍物的概念应用于一个摆的例子中,该摆装在一个有非刚性缆索的小车上,当缆索的张力为零时,其动力学可以转换为自由落体。我们提出了一个直接的潜在安全集的边界结构,其中总是存在一个控制,使电缆永远不会松弛。讨论的依赖性,这一套相对于摆和车的质量,然后勾勒。
2021-09-22 cs.SY eess.SY math.OC
Real-Time Model Predictive Control for the Swing-Up Problem of an Underactuated Double Pendulum
Robotics Innovation Center, German Research Center for Artificial Intelligence (DFKI GmbH)(德国人工智能研究中心机器人创新中心);Faculty of Electrical Engineering and Informatics, City University of applied Sciences Bremen(不来梅应用技术大学电气工程与信息学院)
本文针对欠驱动双摆起摆与稳定问题,提出基于实时非线性模型预测控制的最优控制方法,在Acrobot和Pendubot上实现全局稳定并具备良好鲁棒性与抗扰能力。
2025-04-07 cs.RO cs.SY eess.SY
Indirect Adaptive Fuzzy Model Predictive Control of a Rotational Inverted Pendulum
Virginia Commonwealth University(弗吉尼亚联邦大学)
本文提出了一种间接自适应模糊模型预测控制策略,用于具有模型不确定性的非线性旋转倒立摆,结合自适应Mamdani模糊模型与模型预测控制方法,首次应用于非线性倒立摆,并考虑了扰动预测作为系统输入,提高了系统性能。
2019-03-18 cs.SY eess.SY math.OC
Region of Attraction Estimation for Linear Quadratic Regulator, Linear and Robust Model Predictive Control on a Two-Wheeled Inverted Pendulum
Université Côte d‘Azur CNRS, I3S(法国蔚蓝海岸大学CNRS第三信息科学与系统研究所);ETH Zürich IDSC(苏黎世联邦理工学院智能系统与控制系);KTH Royal Institute of Technology Digital Futures(瑞典皇家理工学院数字未来中心)
本文研究了两轮倒立摆在三种基于模型的控制策略下吸引区的估计问题,结合分析保证与数据驱动方法,提供了一种评估控制器性能的实用方法。
2026-10-22 cs.SY eess.SY
An Investigation On Fuzzy Logic Controllers (TAKAGI-SUGENO & MAMDANI) In Inverse Pendulum System
Science and Research Branch Kurdistan Islamic Azad University(库尔德斯坦伊斯兰阿扎德大学科学研究中心);Tabriz University(大不里士大学)
本文比较了设计模糊智能控制器在相似条件下的结果,旨在确定保持倒立摆垂直位置的合适控制器。
2013-08-22 cs.SY eess.SY
Stair Climbing using the Angular Momentum Linear Inverted Pendulum Model and Model Predictive Control
针对上下楼梯时质心高度变化和落脚受限问题,提出可变虚拟摆长的 ALIP 变体,并结合虚拟约束控制与 MPC,实现 Cassie 双足机器人的周期性爬楼步态。
2023-07-11 cs.RO cs.SY eess.SY
Real-time implementation of MPC for tracking in embedded systems: Application to a two-wheeled inverted pendulum
提出了一种基于模型预测控制的两轮倒立摆机器人跟踪控制算法。这种配方提供了几个优点,在标准的MPC配方的代价是增加了少量的决策变量,这使得优化问题的矩阵的内部结构复杂化。我们实现了稀疏求解器,基于乘法器的交替方向法的扩展,在系统的嵌入式硬件。结果表明,求解器是适合于控制一个真实的系统,采样时间在毫秒的范围内,使用当前,现成的硬件。
2021-03-26 cs.SY eess.SY
PSM: A Predictive Safety Model for Body Motion Based On the Spring-Damper Pendulum
Tohoku University(东北大学)
量化人体姿态的安全性是人机交互中的一个重要问题。了解对人体运动的变化的物理约束可以改进对安全人体运动的检查,并且通过实时风险评估带来关于人体取向的稳定性和正常性的基本信息。此外,这些信息可以用于协作机器人和监控系统,以更自由地评估和交互环境。此外,工作空间区域可以更具有确定性,具有已知的安全物理特性。基于这一动机,我们提出了一种新的预测安全模型(PSM),它依赖于人体胸部上的惯性测量单元的信息。PSM包含一个3-Dofs弹簧阻尼器摆模型,该模型基于安全运动数据集预测人体运动。通过将安全数据集和弹性弹簧-阻尼器模型相结合,获得了人体的估计安全方向,该方法可以在不同的安全水平下实现复杂的运动。我们在真实世界的场景中进行了实验,以验证我们提出的新模型。这种新方法可用于不同的指导/辅助机器人和健康监测系统,以支持和评估人类的状况,特别是老年人。
2022-07-29 cs.RO cs.SY eess.SY
Inertial-Based LQG Control: A New Look at Inverted Pendulum Stabilization
Hatter Department of Marine Technologies, Charney School of Marine Sciences, University of Haifa(海法大学卡尔尼海洋科学学院哈特海洋技术系)
本文提出利用局部微分平坦性将高阶动力学纳入系统模型,改进LQG控制器以更稳健地稳定动态稳定移动平台,尤其在传感器有限的户外环境中。
2025-03-24 cs.SY eess.SY
Design of a Networked Controller for a Two-Wheeled Inverted Pendulum Robot
Technische Universität Berlin(柏林工业大学);Technische Universität München(慕尼黑工业大学);Max-Planck-Institut für Dynamik komplexer technischer Systeme(复杂技术系统动力学马普研究所)
本文提出了一种基于模型的直观方法,设计用于最近基准场景的网络控制器,通过无线局域网通信远程控制双轮倒置摆机器人,保持垂直直立位置,并通过实验评估了网络控制器的性能,与无延迟的本地控制进行比较。
2019-05-23 cs.SY eess.SY
Synthesis and SOS-based Stability Verification of a Neural-Network-Based Controller for a Two-wheeled Inverted Pendulum
本文针对两轮倒立摆系统,提出用神经网络控制器模仿计算量过大的鲁棒管式MPC,并通过基于平方和的稳定性验证程序获得局部渐近稳定性证书与吸引域估计,实验证明其控制性能优于基线LQR。
2025-08-21 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
Sparse Identification of Lagrangian for Nonlinear Dynamical Systems via Proximal Gradient Method
从数据中自动提取物理定律在许多科学领域都引起了极大的兴趣。非线性动力学及其变分的稀疏识别(SINDy)已经发展到从观测数据中提取基本的控制方程。然而,SINDy面临着一定的困难时,动力学包含合理的功能。最小作用量原理支配着许多力学系统,在数学上用拉格朗日公式表示。与实际的运动方程相比,拉格朗日量更简洁,特别是对于复杂系统,并且通常不包含力学系统的有理函数。到目前为止,只有少数几种方法被提出来从测量数据中提取拉格朗日量。其中一种方法,拉格朗日-SNDy,可以从数据中提取动力系统的拉格朗日函数的真实形式,但当存在噪声时会受到影响。在这项工作中,我们开发了一个扩展版本的拉格朗日-SINDy(xL-SINDy)获得的拉格朗日的动力系统从噪声测量数据。我们将SINDy的概念,并利用近端梯度法获得稀疏的拉格朗日表达式。我们证明了xL-SINDy的有效性,对不同的噪声水平与四个非线性动力学:单摆,车摆,双摆,球摆。此外,我们还验证了xL-SINDy对SINDy-PI(并行,隐式)的性能,SINDy是一种最近的鲁棒变体,可以处理隐式动态和有理非线性。我们的实验结果表明,xL-SINDy是8-20倍更强大的比SINDy-PI在噪声的存在下。
2022-09-04 cs.SY eess.SY
Constrained Deep Learning Based Nonlinear Model Predictive Control
基于学习的模型预测控制(MPC)是一种降低MPC计算量的方法。本文提出了一种用于非线性系统学习MPC策略的约束深度神经网络(DNN)设计。利用神经网络的约束训练,MPC约束得到有效的加强。此外,递归的可行性和鲁棒稳定性条件推导出基于学习的MPC方法。此外,概率的可行性和最优性经验的保证提供了学习的控制策略。所提出的算法实现古田摆和控制性能的证明和比较精确的MPC和正常训练的学习为基础的MPC。结果表明,所提出的方法优越的控制性能和约束满足。
2023-03-29 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
On Architectures for Combining Reinforcement Learning and Model Predictive Control with Runtime Improvements
Stanford University(斯坦福大学);University of Pittsburgh(匹兹堡大学)
本文提出Warm Start RL与RLMPC两种融合NNMPC和强化学习的架构,并配合下采样降维,在旋转倒立摆上实现超过99%的运行时缩减及不确定性下更好的跟踪性能。
2025-10-02 cs.SY eess.SY
Iterative Model Predictive Control for Piecewise Systems
针对分段非线性系统,提出了一种迭代模型预测控制(MPC)设计方法。我们考虑有限时间控制任务,控制器的目标是引导系统从一个起始配置的目标状态,同时最小化代价函数。首先,我们提出了一个算法,利用一个可行的轨迹,完成任务,构建一个控制策略,保证状态和输入约束递归满足,闭环系统在有限时间内达到目标状态。利用这个结构,我们提出了一个政策迭代计划,迭代生成安全的轨迹,具有非递减的性能。最后,我们测试所提出的策略上的离散弹簧加载倒立摆(SLIP)模型与无质量腿。我们表明,我们的方法是鲁棒的初始条件和干扰作用于系统的变化。此外,我们证明了我们的政策迭代算法在最短时间控制任务的有效性。
2021-06-01 cs.SY eess.SY
Zero-shot Transfer of Reinforcement Learning Control Policies for the Swing-Up and Stabilization of a Cart-Pole System
Department of Mathematics, Box 8205, NC State University, Raleigh, NC 27695(北卡罗来纳州立大学数学系)
本文研究强化学习控制策略从仿真到硬件的零样本迁移,用于倒立摆的起摆与稳定,通过一阶动作平滑滤波和灵敏度引导的域随机化及线性课程学习实现成功迁移。
2026-06-23 cs.RO cs.SY eess.SY
Information-seeking polynomial NARX model-predictive control through expected free energy minimization
TU Eindhoven(埃因霍温理工大学)
本文提出一种基于期望自由能最小化的自适应模型预测控制器,平衡目标驱动与信息寻求,以优化非线性NARX模型参数不确定性下的控制性能,并在摆锤摆动任务中验证其有效性。
2023-12-22 cs.LG cs.SY eess.SY
Deep Reinforcement Learning Control for Disturbance Rejection in a Nonlinear Dynamic System with Parametric Uncertainty
针对参数不确定的非线性柔性倒立摆小车系统,提出用Deep Deterministic Policy Gradient深度强化学习控制律主动抑制多个独立时间相关随机扰动,并通过仿真与经典控制进行对比。
2024-04-06 cs.SY eess.SY
Choose Wisely: Data-driven Predictive Control for Nonlinear Systems Using Online Data Selection
ETH Zurich(苏黎世联邦理工学院)
提出Select-DPC方法,通过在线选择最相关数据隐式线性化动力学,结合凸优化实现输出反馈控制,在三个基准仿真中优于DeePC和Time-Windowed DeePC。
2026-06-18 cs.SY eess.SY
Firing Rate Neural Network Implementations of Model Predictive Control
University of Michigan(密歇根大学)
本文通过将模型预测控制器转化为 firing rate 神经网络,揭示了非线性神经动力学在规划中的作用,展示了稀疏神经网络在平衡倒立摆中的有效性。
2026-09-21 cs.SY eess.SY
VIMPPI: Enhancing Model Predictive Path Integral Control with Variational Integration for Underactuated Systems
Interactive Robotic Systems Laboratory, Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院交互机器人系统实验室);Institute of Robotics and Computer Vision, Innopolis University(伊诺波利斯大学机器人与计算机视觉研究所)
该研究面向 AI Olympics 的欠驱动双摆控制,提出 VIMPPI,将变分积分融入 MPPI,在不增加计算成本的情况下延长规划时域,并以 500–700 Hz 运行且性能优于基线及其他 MPPI 方案。
2025-05-14 cs.RO cs.SY eess.SY
Simultaneous Suspension Control and Energy Harvesting through Novel Design and Control of a New Nonlinear Energy Harvesting Shock Absorber
在过去的几十年里,车辆悬架的振动控制和能量收集同时引起了重大的研究关注。然而,现有的能量收集减震器(EHSA)主要基于线性共振的原理设计,从而损害了用于高效能量收集的悬架性能并且仅对窄带宽振动作出响应。在本文中,我们提出了一种新的EHSA设计-惯性摆减振器(IPVA)-集成了电磁旋转EHSA与非线性摆减振器。我们发现,这种设计同时提高了乘坐舒适性和能量收集效率,利用摆惯性的非线性效应。为了进一步提高性能,我们开发了一种新的随机线性化模型预测控制(SL-MPC)的方法,在该方法中,我们采用随机线性化近似的非线性动态EHSA具有优越的精度相比,标准线性化。特别是,我们开发了一个新的随机线性化方法,保证稳定,这是一个先决条件的控制设计。这导致了MPC问题,这是更计算效率比非线性MPC对应没有重大的性能下降。大量的仿真结果表明,所提出的新的非线性EHSA的优越性,并证明所提出的SL-MPC的功效。
2022-06-10 cs.SY eess.SY
Enhanced Sampled-Data Model Predictive Control via Nonlinear Lifting
Kyushu University(九州大学);Kyoto University(京都大学)
本文提出一种结合提升技术与快速采样快速保持近似的非线性模型预测控制框架,通过Van der Pol振荡器和倒立摆仿真验证,证明其在减少稳定时间和提高控制精度上优于传统方法,为非线性系统实时控制提供实用方案。
2026-09-29 cs.SY eess.SY
RDS-DeePC: Robust Data Selection for Data-Enabled Predictive Control via Sensitivity Score
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出RDS-DeePC框架,通过敏感度分数实现数据驱动预测控制的鲁棒数据选择,有效解决计算复杂度和数据污染问题,实验显示其在数据污染下具有良好的跟踪性能。
2026-03-24 cs.SY eess.SY
Predictive Triggering for Distributed Control of Resource Constrained Multi-agent Systems
提出了一种用于资源受限多智能体系统分布式控制的预测触发框架。通过预测未来的通信需求并导出概率优先级度量,PT框架能够提前分配有限的通信资源。该框架进行了评估,通过仿真的合作自适应巡航控制系统和多代理车杆系统的实验。这些研究的结果表明,它的有效性比其他事件触发的设计,在减少网络利用率,同时也改善了系统的控制误差。
2019-07-29 cs.SY eess.SY
Neural Data-Enabled Predictive Control
本文针对非线性系统,利用神经网络的万能逼近特性提出神经DeePC算法,通过离线学习神经基与在线执行仿射插值实现轨迹预测,并保证了一致性且降低了计算复杂度。
2024-06-12 cs.SY eess.SY math.OC
Pseudospectral Model Predictive Control under Partially Learned Dynamics
Georgia Institute of Technology(佐治亚理工学院);School of Aerospace Engineering(航空航天工程学院);Institute for Robotics and Intelligent Machines(机器人与智能系统研究所)
本文提出一种半参数化方法,结合传统物理模型和高斯过程回归,用于处理部分学习动态下的轨迹优化问题,并在cart pole和四旋翼模拟中验证了其有效性。
2017-02-15 cs.SY eess.SY
Output-Feedback Nonlinear Model Predictive Control with Iterative State- and Control-Dependent Coefficients
针对可表示为状态和控制相关系数伪线性形式的非线性系统,提出迭代二次规划MPC并结合块能观规范形实现输出反馈,在多类数值示例中验证。
2023-09-28 cs.SY eess.SY math.DS
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
A Robust Model Predictive Control Method for Networked Control Systems
本文提出了一种稳健的模型预测控制方法,用于应对网络控制系统中的延迟和数据包丢失问题,并通过仿真验证了其有效性。
2025-12-12 cs.SY eess.SY
ReLU Barrier Functions for Nonlinear Systems with Constrained Control: A Union of Invariant Sets Approach
University of Kentucky(肯塔基大学)
本文提出了一种基于ReLU屏障函数的非线性系统安全认证方法,通过凸屏障合成和不变集联合验证,提升约束下的系统鲁棒性。
2026-03-16 cs.SY eess.SY
Basis functions nonlinear data-enabled predictive control: Consistent and computationally efficient formulations
Eindhoven University of Technology(埃因霍温理工大学)
该研究通过通用基函数将DeePC扩展到非线性系统,推导了行为预测器与多步辨识预测器等价的充要条件,提出了一致且计算高效的基函数DeePC公式,并在非线性摆模型上验证了其有效性。
2023-11-09 cs.LG cs.SY eess.SY
A Unified Framework for Online Data-Driven Predictive Control with Robust Safety Guarantees
针对非线性MPC依赖精确模型且计算成本高的问题,本文提出一种在线数据驱动预测控制统一框架,通过STF并行学习识别动力学、RCBF保证安全并学习NMPC策略,结合在线策略校正方案,在保证安全的同时大幅降低计算成本。
2023-06-29 cs.SY eess.SY
Frenet-Cartesian Model Representations for Automotive Obstacle Avoidance within Nonlinear MPC
University Freiburg(弗莱堡大学)
近年来,非线性模型预测控制(NMPC)已被广泛用于解决汽车运动控制和规划任务。为了公式化NMPC问题,可以使用具有不同优点的不同坐标系。我们提出并比较配方的NMPC相关的优化问题,涉及笛卡尔和Frenet坐标系(CCF/ FCF)在一个单一的非线性程序(NLP)。我们指定的成本和避碰的限制,在更有利的坐标系,推导出适当的配方,并比较不同的障碍物的限制。通过这种方法,我们利用更简单的制定对手车辆的约束条件的CCF,以及道路对齐的成本和限制有关的自由现金流量。在仿真框架中与其他方法的比较突出了所提出的方法的优点。
2022-12-22 cs.RO cs.SY eess.SY
Efficient model predictive control for nonlinear systems modelled by deep neural networks
James Watt School of Engineering, University of Glasgow(詹姆斯·瓦特工程学院,格拉斯哥大学)
针对深度神经网络建模的带约束非线性系统MPC求解难的问题,提出可求精确解的混合整数规划法和计算成本更低的线性松弛法,经不同规模ReLU NN倒立摆仿真验证并对比了两类方法性能。
2024-05-16 cs.LG cs.SY eess.SY
Neural Identification for Control
Georgia Tech(佐治亚理工学院)
提出了一种新的学习控制律的方法,使未知的非线性动力系统稳定在平衡点。我们制定了一个系统辨识任务,在自监督学习设置,共同学习控制器和相应的稳定的闭环动态假设。以未知动力系统在随机控制输入下的输入输出行为作为监督信号,训练基于神经网络的系统模型和控制器。所提出的方法依赖于李雅普诺夫稳定性理论,以产生一个稳定的闭环动力学假设和相应的控制律。我们证明了我们的方法在各种非线性控制问题,如N连杆摆平衡和轨迹跟踪,摆车平衡,轮式车辆路径跟踪。
2022-03-16 cs.LG cs.RO cs.SY
Neural Lyapunov Control for Nonlinear Systems with Unstructured Uncertainties
在非线性控制中,稳定控制器的设计和吸引域的估计是必不可少的。此外,它是具有挑战性的实现控制李雅普诺夫函数(CLF)在实践中,只有部分知识的系统是可用的。针对具有非结构不确定性的控制仿射非线性系统,我们提出了一个可以综合状态反馈控制器和CLF的学习框架。基于这些不确定性的正则性条件,我们将它们建模为有界干扰,并证明了当CLF的梯度有界时,标称系统的CLF(真实系统的估计)是真实系统的输入-状态稳定控制李雅普诺夫函数(ISS-CLF)。我们集成了鲁棒李雅普诺夫分析与控制律和CLF的学习。我们证明了我们的学习框架的有效性的几个例子,如倒立摆系统,严格反馈系统,和车杆系统。
2023-03-16 cs.SY eess.SY
Learning-based Model Predictive Control for Safe Exploration and Reinforcement Learning
University of Freiburg(弗赖堡大学);ETH Zurich(苏黎世联邦理工学院)
强化学习已经成功地用于解决复杂未知环境中的困难任务。然而,这些方法通常在学习过程中不提供任何安全保证。这是特别有问题的,因为强化学习代理积极探索他们的环境。这阻止了它们在安全关键的实际应用中的使用。在本文中,我们提出了一种基于学习的模型预测控制方案,在整个学习过程中提供高概率的安全保证。基于一个可靠的统计模型,我们构建可证明准确的置信区间预测轨迹。与以前的方法不同,我们允许输入依赖的不确定性。基于这些可靠的预测,我们保证轨迹满足安全约束。此外,我们使用终端集约束递归地保证在每次迭代的安全控制动作的存在。我们评估所得到的算法,以安全地探索倒立摆的动力学,并解决一个具有安全约束的推车杆系统上的强化学习任务。
2019-06-27 cs.AI cs.LG cs.SY
Bipedal Robust Walking on Uneven Footholds: Piecewise Slope LIPM with Discrete Model Predictive Control
Faculty of Computing, Harbin Institute of Technology(哈尔滨工业大学计算学部);State Key Laboratory of Robotics and System, Harbin Institute of Technology(哈尔滨工业大学机器人技术与系统国家重点实验室)
针对不平整地形下LIPM的局限性,提出PS-LIPM和G-ALIP模型,结合MPC与WBC构建分层控制框架,实现步长位置与持续时间的同步优化,有效提升了双足在不平整踏脚石上行走的鲁棒性。
2025-04-03 cs.RO cs.SY eess.SY
ModelPredictiveControl.jl: advanced process control made easy in Julia
Université Laval(拉瓦尔大学);JuliaHub
本文介绍ModelPredictiveControl.jl,一个基于Julia的开源工具,提供易用且模块化的模型预测控制设计功能,包含非线性控制和移动时间窗估计等高级特性,并通过仿真案例展示其效率。
2026-04-27 cs.SY eess.SY
Ensemble Kalman-Bucy filtering for nonlinear model predictive control
Institut für Mathematik, Universität Potsdam(波茨坦大学数学研究所)
针对部分观测动力系统中状态估计与最优控制割裂的问题,本文将集合 Kalman-Bucy 滤波引入非线性模型预测控制,用交互粒子近似 Pontryagin 极大值原理的正倒向随机微分方程,并在倒立摆上验证性能。
2025-03-16 cs.LG cs.NA cs.SY
No-Regret Model Predictive Control with Online Learning of Koopman Operators
Department of Aerospace Engineering, University of Michigan(密歇根大学航空航天工程系)
本文提出了一种结合Koopman算子在线学习的无遗憾模型预测控制算法,用于处理具有未知残差动力学的非线性系统。
2025-12-10 cs.SY eess.SY
Terrain-Adaptive, ALIP-Based Bipedal Locomotion Controller via Model Predictive Control and Virtual Constraints
University of Michigan(密歇根大学)
提出了一种双足机器人步态控制器,在给定局部坡度和摩擦锥信息的情况下,实现在各种地形上的高度敏捷行走。如果没有这些考虑,不合时宜的冲击可能导致机器人绊倒,并且站立脚处的切向反作用力不足可能导致滑动。我们解决这些挑战相结合,以一种新的方式,一个模型的基础上的角动量线性倒立摆(ALIP)和模型预测控制(MPC)的脚放置规划,是由虚拟约束的方法执行。该过程从Cassie 3D双足机器人的完整动力学抽象开始,其质心动力学的精确低维表示,由角动量参数化。在分段平面地形假设和消除机器人质心的角动量项的条件下,接触点的质心动力学成为线性的,并具有4维。重要的是,我们包括在MPC制定的均匀间隔的步内动态,使现实的工作空间限制机器人的演变可以施加从一步到一步。低维MPC控制器的输出通过虚拟约束的方法直接在高维Cassie机器人上实现。在实验中,我们验证了我们的控制策略的机器人在各种不同的倾斜度和纹理的表面上的性能。
2022-07-28 cs.RO cs.SY eess.SY
GoPRONTO: a Feedback-based Framework for Nonlinear Optimal Control
本研究提出基于反馈的一阶框架GoPRONTO,通过将动力学纳入闭环重构最优控制问题,借助协态方程求梯度以实现加速求解,并通过倒立摆-小车系统仿真验证了理论结果。
2023-08-21 cs.SY eess.SY math.OC
Exact Worst-Case Execution-Time Analysis for Implicit Model Predictive Control
针对隐式线性MPC主动集二次规划求解器,本文利用复杂度认证生成执行时间等价覆盖的原型问题,从而通过少量硬件测量获得精确且有保证的WCET。
2023-04-23 cs.SE cs.SY eess.SY
Goal-Conditioned Terminal Value Estimation for Real-time and Multi-task Model Predictive Control
Graduate School of Informatics, Kyoto University(京都大学信息学研究科)
针对模型预测控制计算负担大、难适配动态多任务的问题,提出结合目标条件化终值学习的MPC框架与分层控制结构,经双足倒立摆机器人实验验证可实现坡地轨迹跟踪的实时多任务控制。
2024-10-08 cs.LG cs.RO cs.SY
Generalized Benders Decomposition with Continual Learning for Hybrid Model Predictive Control in Dynamic Environment
针对动态环境中混合模型预测控制求解慢的问题,提出基于广义Benders分解与持续学习的求解器,通过累积切割平面提供热启动,在倒立摆实验中比Gurobi快2-3倍。
2023-10-10 cs.RO cs.SY eess.SY
An Optimal Solution to Infinite Horizon Nonlinear Control Problems
本文研究非线性系统无限时域最优控制问题,提出一种结合有限自由终时转移与无限时域线性调节的近似正则化方法,并证明其能使原点全局渐近稳定且随终端集缩小收敛至真实最优代价,在pendulum和cart-pole实验中显著缩短了求解所需时域。
2023-04-01 cs.SY eess.SY math.OC
Amortized Nonlinear Model Predictive Control
IMT School for Advanced Studies(IMT高级研究学院)
针对输入仿射非线性系统,提出一种基于状态依赖二次规划的单网络残差校正架构,通过可微内点层保证约束满足,实现实时非线性模型预测控制,在机械臂跟踪任务中取得数量级加速。
2026-06-04 cs.RO cs.SY eess.SY
Continuous-Time Critic as a Lyapunov Function: Projected Adaptation and Cart-Pole Stabilization
Central University(中央大学);Center for Engineering Systems and Sciences(工程系统与科学中心);Sirius University of Science and Technology(天狼星科技大学)
本文提出将参数化评判器作为李雅普诺夫候选函数,通过投影到可行速度集与衰减半空间交集实现自适应稳定,并给出可行性检验与反例,在力受限小车-杆上验证了条件稳定机制。
2026-10-08 cs.SY eess.SY math.DS