Model Predictive Control with Models of Different Granularity and a Non-uniformly Spaced Prediction Horizon
时域长度和模型精度是设计模型预测控制器时的决定性因素。虽然长视野和详细的模型对控制性能有积极的影响，但计算复杂性增加。随着预测在水平长度上变得不那么精确，值得研究不同模型和不同时间步长的组合。在这里，我们提出了一个模型预测控制计划，分为两个部分的预测范围。一个详细的模型用于短期预测范围和一个简化的模型，增加了采样时间的长期范围。这种方法结合了长预测范围的优点，由于简化的模型和更少的决策变量，减少了计算工作量。所提出的模型预测控制是递归可行的。仿真研究表明，所提出的方法的有效性：采用一个较长的预测范围的优势，计算复杂度。
2021-08-18 cs.SY eess.SY
Horizon-independent Preconditioner Design for Linear Predictive Control
一阶优化求解器，如快速梯度法，越来越多地用于解决资源受限环境中的模型预测控制问题。不幸的是，这些求解器的收敛速度受到问题数据条件的显著影响，病态问题需要大量的迭代。为了减少所需的迭代次数，我们提出了一个简单的方法来计算水平独立的预处理矩阵的Hessian的凝聚问题。该预条件子基于Hessian的块Toeplitz结构。水平独立性允许仅使用预测的系统和成本矩阵来计算预条件子，而不是完整的Hessian。在数值算例中，该预条件子与最优预条件子具有相当的性能，对于快速梯度法，其加速比在2倍到9倍之间。此外，我们推导出水平独立的谱界的Hessian的预测系统的传递函数方面，并显示如何这些可以用来计算一个新的水平独立的约束的条件数的预处理Hessian。
2022-04-06 cs.SY eess.SY math.OC
Model Predictive Control with Multiple Constraint Horizons
University of Oxford（牛津大学）；ETH Zurich（苏黎世联邦理工学院）
提出一种无需终端惩罚的多约束时域MPC方法，通过异质约束集保证近期安全并放宽远期约束，提供闭环性能的上下界证书，并在安全关键系统上验证。
2026-09-17 cs.SY eess.SY math.OC
Stability and performance of stochastic predictive control
IIT Bombay（印度理工学院孟买分校）；ETH Zürich（苏黎世联邦理工学院）
本文研究了在滚动时域策略下受控随机过程的稳定性与性能，通过适当选择有限时域最优控制问题中的成本函数来保证稳定性，并获得系统在滚动时域策略下以长期期望平均成本衡量的性能界限。
2013-04-19 cs.SY eess.SY math.OC
Predictive Control with Learning-Based Terminal Costs Using Approximate Value Iteration
模型预测控制（MPC）方案下的稳定性通常由终端成分来确保。采用（控制）李雅普诺夫函数作为终端成本构成了一个共同的选择。基于学习的方法可以用于通过将终端成本与例如无限时域最优控制问题相关联来构造终端成本，其中最优成本是李雅普诺夫函数。值迭代是一种近似动态规划（ADP）方法，是一种特殊的成本近似技术。在这项工作中，我们合并终端无约束预测控制和近似值迭代的结果，从这两个领域的利益。一个预测范围是根据不同的因素，如近似相关的错误，使闭环渐近稳定，进一步允许一个次优估计相比，一个无限的地平线上的最佳成本。结果扩展了最近的研究预测控制与ADP为基础的终端成本，不需要一个本地的初始稳定控制器。我们比较这个控制器在模拟与其他终端成本选项，表明所提出的方法导致一个较短的最小地平线相比，以前的结果。
2022-12-01 cs.SY eess.SY math.OC
Set-based MPC for discrete-time LTI systems with maximal domain of attraction and minimal predictive control horizon
本文提出了一种新的基于集合的模型预测控制跟踪，它提供了最大的吸引域，即使在最小的预测/控制时域。该配方-它包括一个单一的优化问题-表现出双重行为：一个操作的最大可控集内的可行的平衡集，和其他操作的N-可控集相同的平衡集。基于一些有限时间收敛的结果，所得到的闭环系统的渐近稳定性的证明，而递归的可行性是确保任何改变的设定点。该建议的性能和优点已在仿真模型上进行了测试。
2023-02-16 cs.SY eess.SY
Stability-Oriented Prediction Horizons Design of Generalized Predictive Control for DC/DC Boost Converter
本文针对DC/DC boost变换器广义预测控制，提出一种通过构建闭环模型并建立严格边界来设计预测时域的新方法，在确保系统稳定性的同时避免了过短时域导致的失稳与过长时域的计算负担，实验验证其相比经验选择可降低10%-20%计算量。
2024-04-25 cs.SY eess.SY
Optimal-Horizon Model-Predictive Control with Differential Dynamic Programming
Georgia Institute of Technology（佐治亚理工学院）
我们提出了一种算法，基于微分动态规划框架，处理轨迹优化问题，其中的地平线是在线确定的，而不是固定的先验。该算法对线性、二次、时不变问题都具有精确的一步收敛性，对实时非线性模型预测控制也有足够快的收敛速度。我们显示推导的非线性算法在离散时间的情况下，并将此算法应用于各种非线性问题。最后，我们展示了最优时域模型预测控制方案与标准MPC控制器相比在平面机器人避障问题上的功效。
2021-11-17 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
Economic Predictive Control with Periodic Horizon for Water Distribution Networks
本文讨论了在满足运行约束条件下，以经济成本最小为目标的大型供水管网中水泵的控制问题。由于管道和网络尺寸呈现的非线性，找到与可以实时应用的模型相结合的控制算法是一个具有挑战性的问题。我们提出了一种具有周期时域的预测控制算法。该方法为用小型线性模型进行大型供水管网的经济运行提供了一种途径。构造了具有周期时域和终端状态约束的经济预测控制，使系统的状态轨迹接近最优周期轨迹。障碍项也包括在代价函数中以防止违反约束。所提出的方法进行测试的EPANET实施的一个中等规模的丹麦城镇（兰德斯）的水网络，并表现出预期在不同的条件下。
2023-01-31 cs.SY eess.SY
Variable-Horizon Model Predictive Control for Switched Systems
City University of Hong Kong（香港城市大学）；Tianjin University（天津大学）；University of Victoria（维多利亚大学）
针对受约束切换系统，提出变时域MPC方法，通过构造切换可行集解耦驻留时间与约束，放宽驻留要求，并设计短时域方案扩大吸引域，保证稳定性。
2026-09-30 cs.SY eess.SY
Near-Optimal Performance of Stochastic Model Predictive Control
本文首次为随机模型预测控制（SMPC）提供了严格的近最优性能保证，证明在可镇定性和可检测性条件下，其动态遗憾随预测时域长度呈指数级衰减，从而在大幅降低计算成本的同时实现近最优性能。
2025-02-01 cs.SY eess.SY math.OC
Infinite-Horizon Differentiable Model Predictive Control
NNAISENSE；University of Oxford（牛津大学）
提出了一种可微线性二次型模型预测控制（MPC）的安全模仿学习框架。利用离散时间代数Riccati方程（DARE）得到的终端费用函数来实现无穷时域费用，从而证明了学习控制器在闭环中是稳定的.一个核心的贡献是推导的解析衍生的解决方案的DARE，从而允许使用基于微分的学习方法。另一个贡献是MPC最优化问题的结构：增广拉格朗日方法确保MPC优化在整个训练过程中是可行的，同时对状态和输入施加硬约束，并且预稳定控制器确保MPC解和导数在每次迭代时都是准确的。该框架的学习能力证明在一组数值研究。
2020-01-07 cs.LG cs.SY eess.SY
Model Predictive Control and Moving Horizon Estimation using Statistically Weighted Data-Based Ensemble Models
Politecnico di Milano（米兰理工大学）；Delft University of Technology（代尔夫特理工大学）
本文提出了一种基于统计加权数据驱动集成模型的MPC框架，通过结合移动时间窗估计开发新型状态观测器，实现复杂系统在多种操作条件下的最优控制。
2025-11-26 cs.SY eess.SY
Dead-beat model predictive control for discrete-time linear systems
本文提出了一种用于线性系无差拍控制的模型预测控制策略。在无约束MPC中，通过将控制时域设置为系统维数，并添加终端等式约束，可以保证无差拍性能。证明了无约束无差拍预测控制与线性无差拍控制的等价性。所提出的约束无差拍MPC的设计，通过设置控制时域等于系统的维数和惩罚只有终端成本。从理论上证明了算法的递归可行性和无差拍性能。
2022-08-30 cs.SY eess.SY math.OC
Predictive Compensation in Finite-Horizon LQ Games under Gauss-Markov Deviations
针对存在高斯-马尔可夫执行偏差的有限时域LQ动态博弈，本文提出预测补偿框架，推导相关递推关系与特性，验证其可降低期望成本、提升博弈性能。
2025-11-15 cs.SY eess.SY
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
Constrained finite-time stabilization by model predictive control: an infinite control horizon framework
The Seventh Research Division, Beihang University（北京航空航天大学第七研究院）
本文提出了一种无限时间 horizon 的模型预测控制框架，用于解决离散时间系统的约束有限时间稳定化问题，通过扩展终端成本策略并替换为无限时间 horizon 上阶段成本的总和，提高了初始可行性并避免了终端等式约束和切换策略。
2026-09-29 cs.SY eess.SY
Improving greenhouse fruit-production control by integrating reinforcement learning into short-horizon model predictive control
Wageningen University & Research（瓦赫宁根大学与研究）；Delft Center for Systems and Control (DCSC), Delft University of Technology（代尔夫特理工大学系统与控制中心）；Wageningen Research（瓦赫宁根研究）
研究温室水果生产控制问题，提出轨迹选择RL-MPC框架，将水果产量长期经济信息融入短期MPC优化，通过定义终端约束和成本求解优化问题，应用于大型温室番茄模型，提升了控制性能。
2026-07-09 cs.SY eess.SY math.OC
Stability of Constrained Adaptive Model Predictive Control Algorithms
University of Bayreuth（拜罗伊特大学）；Curtin University of Technology（科廷科技大学）
针对无终端约束的MPC，提出一种自适应优化时域策略以保证闭环稳定性和次优性，并给出稳定性证明及简单缩短/延长方法。
2011-05-17 cs.SY eess.SY math.OC
Cooperative nonlinear distributed model predictive control with dissimilar control horizons
本文提出一种允许智能体间控制时域不同且时变的协作非线性DMPC算法，证明了递归可行性与最优成本非递增，仿真显示其在减少优化变量数的同时有效近似传统DMPC性能。
2024-10-14 cs.SY eess.SY
On discount functions for economic model predictive control without terminal conditions
本文将无终端条件经济模型预测控制的稳定性保证从线性折扣扩展至一大类折扣函数，证明其在周期最优轨道下仍具渐近稳定性，并通过数值示例表明合适的折扣函数可在短预测时域下显著提升性能。
2025-03-11 cs.SY eess.SY math.OC
Nonlinear Moving Horizon Estimation and Model Predictive Control for Buildings with Unknown HVAC Dynamics
我们提出了一种解决方案，建模和在线识别的供暖，通风和空调（HVAC）控制在建筑物中。我们的方法包括：（a）基于一阶能量平衡的电阻-电容（RC）模型，用于导出区域温度动态，以及（b）神经网络，用于对HVAC动态进行建模。利用非线性滚动时域估计（MHE），在系统状态物理约束下，同时进行状态估计和模型辨识。我们利用模型预测控制（MPC）的乘员舒适度满意度和暖通空调节能的识别模型，并使用仿真验证的方法。我们的系统仅依赖于建筑管理系统数据，不需要大量的数据存储，也不需要详细的建筑模型。这可以显著地帮助MPC的大规模采用，以用于未来网格交互式建筑物的以居住者为中心的控制。
2022-11-18 cs.SY eess.SY
Reinforcement Learning of the Prediction Horizon in Model Predictive Control
SINTEF Digital（SINTEF数字研究院）；Department of Engineering Cybernetics, NTNU（挪威科技大学工程控制论系）；Centre for Autonomous Marine Operations and Systems（自主海洋作业与系统中心）
模型预测控制（MPC）是一种功能强大的轨迹优化控制技术，能够控制复杂的非线性系统，同时考虑系统约束并确保安全运行。MPC的能力是以高在线计算复杂性、系统动态的精确模型的要求以及根据特定控制应用调整其参数的必要性为代价的。影响计算复杂性的主要可调参数是预测范围长度，控制MPC预测系统响应的未来距离，从而评估其计算轨迹的最优性。较长的时域通常会提高控制性能，但需要越来越强大的计算平台，不包括某些控制应用。性能对预测时域长度的敏感度在状态空间上变化，这激发了自适应时域模型预测控制（AHMPC），它根据某些标准来调整预测时域。在本文中，我们建议使用强化学习（RL）来学习作为状态函数的最佳预测范围。我们展示了如何制定RL学习问题，并在两个控制任务上测试我们的方法，显示出比固定时域MPC方案明显的改进，同时只需要几分钟的学习。
2021-02-22 cs.LG cs.SY eess.SY
Distributed Truncated Predictive Control for Networked Systems under Uncertainty: Stability and Near-Optimality Guarantee
本文针对不确定网络化系统提出分布式截断预测控制算法，每个节点仅利用局部信息和有限跳邻域求解截断预测优化问题，证明其具有输入到状态稳定性且遗憾值随时域和截断半径指数衰减，从而以短时域和小邻域实现近最优性能。
2025-07-17 cs.SY eess.SY math.OC
Conflict-Predictive Variable Horizons in Multi-Drone Distributed Model Predictive Control
South Westphalia University of Applied Sciences（南威斯特法伦应用科学大学）；Ruhr University Bochum（波鸿鲁尔大学）
针对多无人机分布式模型预测控制中固定时域的折中问题，提出冲突预测的可变时域，由各无人机本地设定，在保持稳定性保证的同时降低计算成本并维持避碰性能。
2026-09-15 cs.AI cs.RO cs.SY
Energy Management for Autonomous Underwater Vehicles Using Economic Model Predictive Control
研究了自主水下航行器（AUV）的能量最优控制问题。为了提高水下机器人的续航能力，提出了一种基于经济模型预测控制（MPC）框架的能量最优控制方案。首先，我们制定了一个代价函数，计算在有限的时间预测范围内的车辆运行所花费的能量。然后，为了考虑超出预测范围的能量消耗，将接近达到目标的能量（能量消耗）的终端成本并入MPC代价函数中。
2019-06-20 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
Backup Plan Constrained Model Predictive Control
本文提出了一种新的安全概念：后备计划安全。后备计划的安全性被定义为在主要任务流产的情况下完成其中一个替代任务的能力。为了将这种新的安全概念的控制问题，我们制定了一个可行性最大化的问题，采用额外的（虚拟）输入视野对替代任务的输入视野上的主要任务。主要任务和备选任务的代价函数构造多个目标，并且多水平输入评估它们。为了解决可行性最大化问题，我们开发了一种多时域多目标模型预测路径积分控制（3M）算法。模型预测路径积分控制（MPPI）是一种基于采样的方案，可以帮助所提出的算法处理非线性动态系统，并通过并行计算来实现计算效率。通过对飞行器和地面车辆控制问题的仿真，验证了备份计划安全性的新概念和所提算法的性能。
2021-03-27 cs.SY eess.SY
Predictive & Trust-based Multi-Agent Coordination
本文提出基于信任的预测式多智能体共识协议ADC，通过滚动时域共享预测数据并学习邻居的信任与承诺特征，结合李雅普诺夫理论证明一致性收敛，并用数值仿真验证。
2025-07-17 cs.SY eess.SY math.OC
Effects of sampling and horizon in predictive reinforcement learning
普通强化学习（RL）可能容易失去收敛，违反约束，意外的性能等，通常，RL代理经历广泛的学习阶段，以实现可接受的功能。这与典型地基于模型的经典控制算法形成对比。研究的一个方向是RL与这些算法的融合，特别是模型预测控制（MPC）。然而，这引入了与预测范围相关的新的超参数。此外，RL通常与马尔可夫决策过程有关。但大多数真实环境都不是时间离散的。强化学习的实际物理环境由一个数字主体和一个时间连续的动力系统组成。因此，事实上，还有另一个超参数-代理采样时间。在本文中，我们调查的预测范围和采样的两个混合RL-MPC-代理的移动机器人停车，这又是一个典型的控制问题的案例研究的影响。我们用MPC的一个简单变体对代理进行基准测试。抽样显示出一种“甜蜜点”的行为，而RL代理人在较短的视野表现出的优点。
2021-08-23 cs.SY eess.SY math.DS
Superconvergence of Online Optimization for Model Predictive Control
提出了一种求解离散时间、等式约束、非线性动态规划的在线、滞后- $L$模型预测控制算法。基于最近的目标问题类的灵敏度分析结果，我们证明了该方法表现出一种行为，我们称之为超收敛，即，跟踪误差相对于整个地平线的解决方案不仅是稳定的连续的地平线移位，但也随着增加的移位顺序下降到一个最小值，在后退的地平线的长度呈指数衰减。分析的关键步骤是将算法的一步误差递归分解为算法误差和扰动误差。我们表明，扰动误差指数衰减与两个连续的后退视野之间的滞后，而~的算法误差，由牛顿法确定，实现平方收敛代替。总的来说，这种方法诱导我们的局部指数收敛结果的后退地平线长度为适当的值$L$。数值实验验证了我们的理论研究结果。
2022-02-05 cs.NA cs.SY eess.SY
Receding Horizon Optimization for Disturbance-aware Predictive Control of Power Electronic Inverters
提出了一种基于滚动优化方法的DC-AC逆变器扰动感知预测控制策略。首先，一个离散的事件驱动的混合自动机模型已被构造的非线性逆变器系统的动态。提出了一个无限离散状态空间转移序列优化的控制问题。采用滚动优化方法对离散优化问题进行在线分段求解。为此，提出了扰动感知的自适应控制，利用在线递推最小二乘（RLS）算法对外界扰动进行采样和估计。阐述了传统的PWM控制方案是所提出的控制方案的一个子集，并给出了它们之间的代码转换。通过增加额外的PWM约束的建议的控制策略，最优PWM控制模式（OPCM）作为一个例子。所提出的控制器可以自由地运行在原始的最优离散控制模式（ODCM）和OPCM。数值仿真结果表明，所提出的离散控制策略实现了DC-AC逆变抗负载漂移的扰动感知自适应控制，且ODCM的控制性能优于OPCM。此外，所提出的建模和控制框架具有支持其他形式的控制模式的潜力。
2020-12-22 cs.SY eess.SY
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
Receding-horizon Stochastic Model Predictive Control with Hard Input Constraints and Joint State Chance Constraints
Massachusetts Institute of Technology（麻省理工学院）；University of California-Berkeley（加州大学伯克利分校）
本文研究离散时间线性系统在随机扰动、硬输入约束和联合状态机会约束下的随机优化控制，通过可解的二次锥规划计算滚动控制律，利用扰动参数化控制律并饱和扰动以满足硬约束，用Cantelli-Chebyshev不等式松弛机会约束，确保可行性并证明随机稳定性。
2015-06-28 cs.SY eess.SY math.OC
Model Predictive Control for Constrained Linear Positive Systems on Graphs
TU Darmstadt（达姆施塔特工业大学）；Lund University（隆德大学）
针对图上具有状态和输入容量约束的线性正系统，利用无约束问题的解析结构构建显式次优容许控制器，得到图可计算的性能界和无需终端条件的模型预测控制器的最小稳定化时域长度。
2026-05-27 cs.SY eess.SY math.OC
Stability Properties of the Adaptive Horizon Multi-Stage MPC
本文提出自适应时域多阶段MPC算法，基于ISpS理论建立稳定性准则，利用参数NLP灵敏度确定最小稳定预测时域，显著降低计算成本，并通过三个数值示例验证了计算延迟的减少。
2023-05-30 cs.SY eess.SY math.OC
Model predictive control with stage cost shaping inspired by reinforcement learning
本文提出了一种基于强化学习思想的具有阶段成本成形的特定模型预测控制的次优性研究。次优性研究的重点是导出在模型预测控制的所述变型下的无限时域费用函数与相应的无限时域值函数相关的量。基础控制方案涉及通常的稳定约束，包括终端集和终端成本的形式的本地李雅普诺夫函数。阶段成本使用Q学习的原理进行调整，Q学习是强化学习的一种特殊方法。这项工作的结论是广泛的初始条件下的两个系统的案例研究。
2020-04-27 cs.SY eess.SY math.DS
On the SDP Relaxation of Direct Torque Finite Control Set Model Predictive Control
本文提出长时域直接转矩有限控制集模型预测控制的半定规划松弛，结合早停分支定界提取候选输入序列，仿真表明该方法显著改善转矩瞬态。
2024-12-16 cs.SY eess.SY math.OC
Model Predictive Control for Signal Temporal Logic Specifications with Time Interval Decomposition
本文研究了动态系统的模型预测控制（MPC）问题，其高阶指标由信号时序逻辑（STL）公式描述。最近的工作表明，MPC在处理反应式环境中的逻辑任务有很大的潜力。然而，现有的方法遭受沉重的计算负担，特别是对于具有大视野的任务。在这项工作中，我们提出了一个计算更有效的MPC框架STL任务的基础上时间间隔分解。具体来说，我们仍然使用标准的收缩时域MPC框架和混合线性规划（MILP）技术来解决开环优化问题。然而，而不是直接应用MPC的整个任务范围，我们分解的STL公式成几个子公式与不相交的时间范围，并收缩地平线MPC适用于每个短期子公式迭代。为了保证整个STL公式的满足性和迭代过程的递归可行性，我们引入了新的终端约束来连接每个子公式。我们展示了如何通过一个有效的内部近似方法计算这些终端约束。我们的方法的计算效率说明了一个案例研究。
2022-11-15 cs.FL cs.SY eess.SY
On the Optimality and Convergence Properties of the Iterative Learning Model Predictive Controller
在本技术说明中，我们分析了线性确定性系统的学习模型预测控制（LMPC）策略的性能改进和最优性属性。LMPC框架是一种策略迭代方案，其中闭环轨迹用于更新控制策略以用于控制任务的下一次执行。我们表明，当线性独立约束规格（LICQ）条件成立，LMPC计划保证严格的迭代性能改善和最优性，这意味着在整个任务的闭环成本评估渐近收敛到无限时域控制问题的最优成本。与以前的工作相比，这个充分LICQ条件可以很容易地检查，它适用于更大的一类系统，它可以用来自适应地选择控制器的预测范围，作为数值例子证明。
2022-02-01 cs.SY eess.SY math.OC
Contingency Model Predictive Control for Linear Time-Varying Systems
Stanford University（斯坦福大学）；Ford Motor Company（福特汽车公司）
我们提出了应急模型预测控制（CMPC），一个运动规划和控制框架，优化性能目标，同时保持应急计划-一个替代的轨迹，避免潜在的危险。通过保持可行的回避轨迹的存在，CMPC预计紧急情况，并保持受控系统在一个安全的状态，有选择地鲁棒识别的危险。我们通过在典型的模型预测控制（MPC）时域上增加一个额外的预测时域来实现这一点。这个额外的地平线被约束以保证安全免受突发威胁，并且在其第一个命令时耦合到标称地平线。因此，这两个视野协商以计算针对性能优化并且对偶发事件鲁棒的命令。本文提出了一种线性配方CMPC，说明了它的关键功能的玩具问题，然后演示了其有效性实验上的全尺寸自动道路车辆，遇到一个现实的弹出障碍。应急MPC通过安全、直观和可解释的行为来处理潜在的紧急情况，平衡了保守性和高性能操作的激励。
2021-02-27 cs.RO cs.SY eess.SY
A Sphere Decoding Algorithm for Multistep Sequential Model Predictive Control
本文研究了两种模型预测控制概念--顺序模型预测控制和长时间模型预测控制在电力电子系统中的结合。为了实现顺序模型预测控制，优化问题分为两个子问题：第一个总结所有的控制目标，线性依赖于系统的输入。序贯模型预测控制一般要求对第一个子问题获得多个解。由于有限控制集模型预测控制电力电子系统的混合整数性质，本文提出了一种特殊的球形译码器。第二个子问题由所有这些控制目标，非线性依赖于系统的输入，并解决了一个穷举搜索。通过对三电平中点箝位式永磁同步发电机风力发电系统在不同情况下的仿真，并与其他长时域模型预测控制方法进行比较，验证了该方法的有效性
2020-11-24 cs.SY eess.SY
Toward Single-Step MPPI via Differentiable Predictive Control
University of Pennsylvania（宾夕法尼亚大学）
本文提出Step-MPPI框架，通过神经网络参数化MPPI提案分布，利用自监督学习实现高效单步前瞻MPPI，解决计算成本和样本需求随预测 horizon 增加的问题，提升实时性。
2026-10-06 cs.SY eess.SY
Neural Horizon Model Predictive Control -- Increasing Computational Efficiency with Neural Networks
本文提出Neural Horizon MPC，用前馈神经网络近似部分预测时域以降低在线优化负担，同时保留优化部分确保约束满足，仿真显示其在保持安全保证和近优性能的同时提升了计算效率。
2024-08-19 cs.AI cs.LG cs.SY
Shrinking Horizon Model Predictive Control with Signal Temporal Logic Constraints under Stochastic Disturbances
Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所）
本文提出在随机扰动下，针对离散时间线性系统，利用信号时间逻辑约束的SHMPC方法，通过优化问题在每一步解决线性约束，实现在HVAC系统中的有效控制。
2017-05-05 cs.LO cs.SY eess.SY
Noise-Tolerant Hybrid Approach for Data-Driven Predictive Control
University of Southern Denmark（南丹麦大学）
本文提出一种容错混合数据驱动预测控制方法，通过奇异值分解分离系统动态与噪声，提升预测精度和计算效率。
2026-01-08 cs.SY eess.SY
Data-driven predictive control with improved performance using segmented trajectories
基于Willems的基本引理，最近出现了一类数据驱动的控制方法。这种方法可以减轻控制设计中的建模负担，但对作用于受控系统的干扰敏感。在本文中，我们提出了一个重组的问题，将分段预测轨迹。所提出的分割导致更长的预测范围内的存在下，未测量的干扰和噪声相比，一个未分割的配方，以减少跟踪误差。在设定点跟踪的案例研究中，分段配方，使更一致的性能在很宽的预测范围内的性能特性进行说明。然后，该方法被应用到一个建筑物的能源管理问题，使用一个详细的模拟环境。案例研究表明，良好的跟踪性能是实现了一系列的地平线的选择，而性能下降，较长的地平线没有分割。
2022-12-05 cs.SY eess.SY
Stochastic Model Predictive Control with Dynamic Chance Constraints
针对受无界随机扰动的线性离散系统，提出通过概率可达管与约束紧缩求解两阶段随机优化的动态机会约束SMPC方案，保证递推可行性与闭环约束满足。
2023-07-25 cs.SY eess.SY math.OC
Robust Helicopter Ship Deck Landing With Guaranteed Timing Using Shrinking-Horizon Model Predictive Control
German Aerospace Center (DLR)（德国航空航天中心（DLR））；Leuphana University of Lueneburg（吕讷堡莱普哈纳大学）
本文提出了一种基于SHMPC的高效算法，实现鲁棒直升机在移动舰船甲板上的着陆，确保时间约束和高精度着陆性能。
2026-02-26 cs.RO cs.SY eess.SY
Fast Gradient Method for Model Predictive Control with Input Rate and Amplitude Constraints
研究了输入同时具有速率和幅值约束的动力系统模型预测控制（MPC）问题的计算效率。而不是增加的基本有限时域最优控制问题的决策变量，以适应输入速率的限制，我们建议解决这个问题，使用快速梯度法（FGM），其中的投影步骤是使用Dykstra的算法解决。我们表明，相对于交替方向的方法乘数（ADMM），这种方法大大减少了计算时间，同时减半的内存使用。我们的算法在C中实现，并使用几个例子证明其性能。
2020-03-12 cs.SY eess.SY math.OC
Stochastic Data-Driven Predictive Control: Chance-Constraint Satisfaction with Identified Multi-step Predictors
提出一种数据驱动随机MPC框架，通过辨识多步预测器、代理状态空间模型量化不确定性并进行约束收紧，在含噪测量下保证机会约束并降低保守性。
2025-03-15 cs.SY eess.SY math.OC
Model Predictive Trees: Sample-Efficient Receding Horizon Planning with Reusable Tree Search
California Institute of Technology（加州理工学院）
本文提出模型预测树（MPT）算法，通过重用整个最优子树而非仅热启动单条轨迹，在滚动时域规划中实现样本高效搜索，并在数值实验和自动驾驶推物任务中验证其优于现有交叉熵方法。
2024-11-23 cs.RO cs.SY eess.SY
Model predictive control and moving horizon estimation for adaptive optimal bolus feeding in high-throughput cultivation of \textit{E. coli}
我们讨论了非线性模型预测控制（MPC）和滚动时域估计（MHE）的应用，以实现最佳操作的\textit{E. coli}流加培养间歇推注。在10 mL规模的高通量微生物反应器平台中考虑了24个平行实验。所讨论的机器人岛可以并行运行多达48个补料分批过程，同时进行自动液体处理和在线分析。基于模型的监测和控制框架的实施表明，主要有三个挑战需要解决;第一，通过团注以瞬时脉冲形式给出输入，第二，在线和在线测量频率严重不平衡，第三，可以并行化或集成针对不同的多个反应器的优化。我们解决这些挑战，将脉冲控制系统的概念，制定多速率MHE与可识别性分析，并建议用于决定反应堆配置的标准。在这项研究中，我们提出的关键要素和背景理论的实施与\textit{in silico}模拟细菌补料分批培养。
2023-02-06 cs.SY eess.SY q-bio.QM
