Balancing a Flying Inverted Pendulum with an Unknown Length Using Model Predictive Control and a Genetic Algorithm Estimator
University of New South Wales(新南威尔士大学)
针对摆长未知的飞行倒立摆平衡控制问题,提出在线GA估计器与MPC方法,经实际系统测试验证了控制器鲁棒性、跟踪精度及估计器收敛速度与精度。
2026-08-19 cs.SY eess.SY
Koopman-Based Model Predictive Control for Simultaneous State of Charge and Temperature Balancing of Lithium-Ion Cells
The Pennsylvania State University(宾夕法尼亚州立大学)
本文提出基于Koopman算子的模型预测控制框架,实现锂离子电池串联单体荷电状态与温度同步均衡,通过凸二次规划高效调节误差,性能媲美非线性模型预测控制,计算时间大幅降低。
2026-09-09 cs.SY eess.SY
Balancing-Aware Charging Strategy For Series-Connected Lithium-Ion Cells: A Nonlinear Model Predictive Control Approach
University of Pavia(帕维亚大学)
本文提出了一种基于非线性模型预测控制的平衡意识优化充电策略,通过定制的电化学模型实现对系列连接锂离子电池的平衡控制,并在商用电池上验证了其有效性。
2019-02-06 cs.SY eess.SY
Leveraging Adaptive Model Predictive Controller for Active Cell Balancing in Li-ion Battery
North Carolina State University(北卡罗来纳州立大学);University of Tehran(德黑兰大学);University of Denver(丹佛大学)
本文提出自适应模型预测控制器用于锂离子电池串并联电路中的主动细胞平衡,通过递归最小二乘法预测未来电压,提升电池组电压均衡性。
2017-06-18 cs.SY eess.SY
Regret Bound Balancing and Elimination for Model Selection in Bandits and RL
University of California, Berkeley(加州大学伯克利分校);Google Research(谷歌研究院)
我们提出了一个简单的模型选择方法的算法在随机强盗和强化学习问题。相对于先前的工作,(隐式)假设知识的最佳遗憾,我们只需要每个基础算法来与候选人遗憾界,可能会或可能不会举行在所有回合。在每一轮中,我们的方法都使用一个基本算法来保持所有剩余基本算法的候选遗憾界限的平衡,并消除违反其候选界限的算法。我们证明了这种方法的总遗憾是有界的最佳有效的候选人遗憾界乘以乘法因子。该因子在几个应用中相当小,包括具有嵌套函数类的线性Bandits和MDP、具有未知错误指定的线性Bandits以及应用于具有不同置信度参数的线性Bandits的LinUCB。我们进一步表明,在适当的间隙假设下,当轮数足够大时,该因子仅与基本算法的数量成比例,而不是其复杂度。最后,与最近在线性随机强盗模型选择方面的努力不同,我们的方法具有足够的通用性,可以覆盖由对抗环境而不是随机环境生成上下文信息的情况。
2020-12-24 cs.AI cs.LG stat.ML
HotelQuEST: Balancing Quality and Efficiency in Agentic Search
Ben-Gurion University(本·古里安大学);Amazon(亚马逊)
HotelQuEST 是一个用于评估代理搜索系统质量和效率的基准测试,通过包含 214 个酒店查询,揭示了基于 LLM 的代理在准确性上的优势,但成本较高,需进一步优化。
2026-02-27 cs.AI cs.IR
Mapping back and forth between model predictive control and neural networks
University of Sheffield(谢菲尔德大学);CentraleSupélec(中央理工-高等电力学院);CNRS(法国国家科学研究中心);Université Paris-Saclay(巴黎萨克雷大学);Inria(法国国家信息与自动化研究所)
本文证明线性二次约束的MPC可精确表示为隐式神经网络,并提出将其解缠为显式网络的方法,从而连接基于模型与数据驱动的控制,并展示隐式网络对优化问题解的表示能力。
2024-04-18 cs.AI cs.SY eess.SY
Balancing Profit and Fairness in Risk-Based Pricing Markets
Dalhousie University(达尔豪斯大学);McGill University(麦吉尔大学)
本文提出一种基于强化学习的可解释公平性税收方案,通过 MarketSim 模拟器和公司级局部人口统计差距约束,在健康保险与消费信贷市场中同时提升需求公平性和社会福利,实现利润与公平的双赢均衡。
2025-06-04 cs.AI cs.LG econ.GN
Balancing Wind and Batteries: Towards Predictive Verification of Smart Grids
我们研究了一个具有风力发电和蓄电池储能的智能电网。传统上,提前一天的规划旨在平衡需求和风力发电,但实际风力状况往往偏离预测。存储和发电的短期灵活性填补了潜在的空白,计划在30-60分钟的时间范围内以分钟为单位。寻找最优柔性配置需要求解一个半无限非凸随机规划,这通常很难精确求解。以前的方法依赖于抽样,但这样的关键问题要求严格的方法,更强的保证。我们的方法采用概率模型检测技术。首先,我们投的问题作为一个连续空间的马尔可夫决策过程离散控制,最佳的部署策略,使预期的电网频偏最小化。为了减轻状态空间爆炸,我们利用模型的特定结构特性来实现迭代探索方法,该方法在更新风数据时重复使用预先计算的值。我们的实验表明,该方法的可行性和通用性跨网格配置和时间尺度。
2021-02-08 cs.SY eess.SY
Implicit predictors in regularized data-driven predictive control
本文提出隐式预测器概念,刻画数据驱动预测控制中的预测行为,并推导分析基本DPC方案的隐式预测器,为改进方案提供新视角。
2025-05-26 cs.SY eess.SY math.OC
Computation Load Balancing Real-Time Model Predictive Control in Urban Traffic Networks
Harbin Institute of Technology(哈尔滨工业大学);Anhui University of Technology(安徽工业大学)
本文提出了一种基于在线活动集策略的新方法,通过将控制周期划分为多个顺序采样区间,减少MPC在实际交通网络中的在线计算时间,从而提高实时性能。
2018-11-09 cs.SY eess.SY
Forecast and Model Predictive Control of Distributed Energy Resource Aggregators for Net-Demand Balancing
提出结合预测与模型预测控制的方法,将分布式能源聚合体视为虚拟电池,通过滚动时域MPC跟踪净需求模式,并分析预测时域、MPC更新率及预测模型选择的影响。
2026-07-24 cs.SY eess.SY
Model Predictive Control for Dynamic Hydraulic Balancing in Building Radiator Heating Systems: Modeling, Design, and Experimental Validation
Eindhoven University of Technology(埃因霍温理工大学)
针对建筑散热器供暖系统,提出一种考虑水力相互作用的灰箱模型,并集成到MPC框架中动态优化阀门与供水温度,实验显示RMSE降低约11%,舒适度违规减少至少27%。
2026-09-09 cs.SY eess.SY math.OC
Balancing Operators Risk Averseness in Model Predictive Control for Real-time Reservoir Flood Control
针对实时水库防洪中MPC因实际目标与偏好参数变化而难以求解的问题,提出参数化动态MPC(PD-MPC)框架,通过模型学习动态优化权重参数,并在韩国大清水库实验中优于标准MPC。
2025-03-29 cs.SY eess.SY
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
Local Sensitivity Analysis for Kernel-Regularized ARX Predictors in Data-Driven Predictive Control
KTH Royal Institute of Technology(瑞典皇家理工学院)
本文研究了结构ARX预测器在数据驱动预测控制中的局部敏感性,推导了隐式预测器映射的一阶线性化,用于生成控制相关预测不确定性项和任务依赖的敏感性度量,以优化核正则化。
2026-04-07 cs.SY eess.SY
Maximum Likelihood Signal Matrix Model for Data-Driven Predictive Control
本文提出了一种数据驱动的预测控制框架的基础上直接从收集的数据的信号矩阵导出的隐式输入输出映射。这个信号矩阵模型是由最大似然估计与噪声污染的数据。通过在线线性化,隐式模型可以作为线性约束来描述滚动时域控制中系统可能的轨迹。信号矩阵也可以用新的测量值在线更新。该算法可以应用于大数据集和慢时变系统,可能具有高噪声水平。可以引入关于预测误差的附加正则化项以增强可预测性,从而增强控制性能。数值结果表明,所提出的信号矩阵模型预测控制算法在多种应用场合都是有效的,并且性能优于现有的数据驱动预测控制算法。
2021-11-08 cs.SY eess.SY
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
Reduced Switching-Frequency Modulation Design for Model Predictive Control Based Modular Multilevel Converters
本文提出了一种新的开关算法的模块化多电平变换器(MMC),显着降低开关频率,同时满足其正常运行所需的所有控制目标。与传统的电容器电压平衡策略不同,除了子模块(SM)电容器电压,该算法在排序过程中考虑以前的开关状态。该算法被应用到一个七电平背靠背MMC-HVDC系统,并在各种运行条件下进行了测试。观察到开关频率的显着降低,对子模块电容器电压的影响微不足道。
2019-12-18 cs.SY eess.SY
On Reward-Balancing Methods for Reinforcement Learning
University of Bologna(博洛尼亚大学);Queen’s University(女王大学)
本文研究了一种新型奖励平衡算法,通过迭代调整奖励函数将强化学习问题转化为等价问题,从而获得最优策略。提出控制论改写方法,并通过随机模型采样处理模型不确定性,提升MPC场景下的性能。
2026-04-22 cs.SY eess.SY math.OC
Reference-Free Sampling-Based Model Predictive Control
Inria - Département d’Informatique de l’École normale supérieure, PSL Research University(法国国家科学研究中心(Inria)- 工业信息学院,巴黎综合理工学院,PSL研究大学);Sorbonne Université, CNRS, Institut des Systèmes Intelligents et de Robotique, ISIR(索邦大学,法国国家科学研究中心,智能系统与机器人研究所,ISIR)
本文提出一种无需人工设计步态或预定义接触序列的基于采样的模型预测控制框架,通过优化高层目标发现多样运动模式,实现实时控制。
2026-04-16 cs.RO cs.SY eess.SY
A Parametric MPC Approach to Balancing the Cost of Abstraction for Differential-Drive Mobile Robots
Georgia Institute of Technology(佐治亚理工学院)
本文提出了一种参数MPC方法,用于优化差分驱动移动机器人的抽象成本,通过分析精度和机动性成本,改进了单积分器模型的控制策略。
2018-02-20 cs.RO cs.SY eess.SY
RTI-NMPC for Control of Autonomous Vehicles Using Implicit Discretization Methods
针对自动驾驶车辆刚性动力学系统计算效率低的问题,提出基于实时迭代和隐式离散化的非线性模型预测控制方法,仿真证明其在轨迹跟踪上具有高精度和低计算成本。
2024-10-16 cs.SY eess.SY
AutoFlow: Hotspot-Aware, Dynamic Load Balancing for Distributed Stream Processing
流应用程序被广泛部署在云上。虽然Flink和Spark Streaming等现代分布式流媒体系统可以高效地调度和执行它们,但流媒体数据流通常动态变化,这可能会导致计算不平衡和反压。我们介绍AutoFlow,一个自动的,热点感知的动态负载平衡系统的流媒体流。它采用了一个集中式调度器,动态地监视整个子网中的负载平衡,并相应地实现状态迁移。调度器使用简单的异步分布式控制消息机制和热点减少算法来实现这两个任务。定时机制支持隐式屏障和高效的状态迁移,而无需全局屏障或暂停操作符。它还支持基于时间窗口的负载平衡测量,并将它们馈送到热点减少算法,而无需用户干扰。我们在Ray之上实现了AutoFlow,Ray是一个基于参与者的分布式执行框架。我们基于各种流基准数据集的评估表明,AutoFlow实现了良好的负载平衡,并在高度数据偏斜的工作负载下产生低延迟开销。
2021-03-16 cs.SY eess.SY
Analysis of Model-Free Reinforcement Learning Control Schemes on self-balancing Wheeled Extendible System
Delhi Technological University(德里理工大学)
传统的线性控制策略已被广泛研究和应用在许多机器人和工业应用,但他们不响应系统的总动态。为了避免H ∞控制和预测控制等非线性控制方案的繁琐计算,强化学习(RL)的应用可以提供替代解决方案。针对移动自平衡可伸缩轮式倒立摆系统,提出了基于深度确定性策略梯度和近端策略优化的RL控制方法,并给出了系统的状态历史,以达到改进的控制效果。这样的RL模型使得找到满意的控制方案的任务更容易,并有效地响应动态,同时自调整参数,以提供更好的控制。在这篇文章中,基于RL的控制器对MPC控制器进行了比较,以评估性能的基础上的状态变量和轨迹误差的E-ESTA系统,同时遵循一个特定的期望轨迹。
2022-03-14 cs.RO cs.SY eess.SY
Online Poisoning Attacks Against Data-Driven Predictive Control
数据驱动预测控制(DPC)是一种针对动态未知系统的反馈控制方法。它根据过去的输入输出数据反复优化系统的未来轨迹。我们开发了一种计算中毒攻击的数值方法,该方法将添加剂扰动注入在线输出数据,以改变DPC优化的轨迹。该方法是基于隐式微分的DPC轨迹优化的解决方案的地图。我们证明,由此产生的攻击可能会导致输出跟踪误差一个数量级高于随机扰动的数值实验。
2022-11-23 cs.SY eess.SY
On the design of regularized explicit predictive controllers from input-output data
在数据驱动预测控制的最新进展的浪潮中,我们提出了一个显式预测控制器,它可以只从一批输入/输出数据中构造。所提出的显式控制律建立在正则化隐式数据驱动预测控制问题的基础上,从而保证了显式预测控制器的唯一性。作为一个附带的好处,使用正则化,以提高能力的明确的法律,在应对噪音的数据。检索显式法律的有效性和噪声处理的正则化的影响进行了分析,两个基准的仿真案例研究,显示所提出的正则化显式控制器的潜力。
2021-10-22 cs.SY eess.SY
A Scenario-Based Approach for Stochastic Economic Model Predictive Control with an Expected Shortfall Constraint
The University of Melbourne(墨尔本大学);University of Brescia(布雷西亚大学)
针对带经验期望短缺约束的随机经济模型预测控制问题,提出基于场景的问题公式、求解支撑元数量的启发式算法及降复杂度方法,在供水管网验证中可有效平衡性能与风险。
2025-10-30 cs.SY eess.SY
Predictive Control of Rural Microgrids with Temperature-dependent Battery Degradation Cost
离网系统已成为农村电气化的可持续和具有成本效益的解决办法。在撒哈拉以南非洲(SSA),已经安装或规划了大量的太阳能混合微电网,独立运行或与弱电网并网运行。间歇性能源的存在需要为系统平衡提供能量存储。这些农村微电网的可靠性和经济性能在很大程度上取决于特定的控制策略。这项工作开发了一个预测控制框架,致力于农村微电网纳入温度依赖性电池退化模型。基于一个可扩展的直流光伏电池微电网,现实的仿真表明,其优越的性能,在提高可靠性和降低成本。与不考虑温度相关电池退化模型的日前控制相比,该控制策略可使可靠性提高5.5%,铅酸电池寿命延长26%,相当于降低13%的平准化电力成本(LCOE)。
2020-05-22 cs.SY eess.SY
Active Uncertainty Reduction for Human-Robot Interaction: An Implicit Dual Control Approach
Princeton University(普林斯顿大学)
准确预测人类行为的能力对于机器人在交互式环境中的自主性的安全性和效率至关重要。不幸的是,机器人通常无法获得这些预测可能依赖的关键信息,例如人们的目标,注意力和合作意愿。对偶控制理论通过将预测模型的未知参数视为随机隐藏状态并使用系统操作期间收集的信息在运行时推断其值来解决这一挑战。虽然能够最佳地和自动地权衡探索和开发,但对于一般的交互式运动规划,双重控制在计算上是难以处理的,这主要是由于机器人轨迹优化和人类意图推理之间的基本耦合。在本文中,我们提出了一种新的算法方法,使主动减少不确定性的互动运动规划的基础上隐式双控制范式。我们的方法依赖于基于采样的随机动态规划的近似,从而导致一个模型预测控制问题,可以很容易地解决的实时梯度为基础的优化方法。由此产生的政策,以保持双控制效果的一类广泛的预测人类模型的连续和分类的不确定性。我们的方法的有效性与模拟驾驶的例子证明。
2022-06-05 cs.LG cs.RO cs.SY
Grocery Store Flexibility Management Using Model Predictive Control With Neural Networks
随着越来越多的能源由可再生能源(RES)生产,平衡生产和消费的挑战正在转移到消费者而不是电网。这就需要在个别建筑物和地区层面上采用新的、智能的灵活性管理方法。为此,本文提出了一种嵌入深度神经网络的基于模型的最优控制(MPC)算法,用于日前的消费和生产预测。该算法用于优化位于芬兰的一个中型杂货店的能源消耗。系统在模拟工具中进行了测试,利用现实生活中的电力测量从杂货店。我们报告了一个$8.4\%$减少日常峰值负荷的灵活性提供了一个$20$千瓦时电池。另一方面,在试图优化能源现货价格方面没有看到明显的好处。我们的结论是,我们的方法是能够显着降低在杂货店的峰值负荷,而无需额外的运营成本。
2020-01-21 cs.SY eess.SY
Economic Model Predictive Control of Water Distribution Systems with Accelerated Optimization Algorithm
本文提出一种最小限制性移动阻塞加速算法用于供水系统经济模型预测控制,通过插值阻塞控制变化率降低计算负担,并在多目标优化框架下验证其在水位安全、控制平滑性和成本效益方面的有效性。
2024-06-10 cs.SY eess.SY
Gaming Strategies in European Imbalance Settlement Mechanisms
本文揭示欧洲不平衡结算机制中,因亚一刻钟级价格动态与一刻钟财务结算脱节,平衡责任方可通过博弈策略获利,并以比利时、荷兰为例验证了该理论可能性。
2025-05-20 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
Data-driven Kernel-based Predictive Control with Stability and Robustness Guarantees
Nanyang Technological University(南洋理工大学);Beijing Institute of Technology(北京理工大学)
研究基于输入输出数据的核基预测控制方案闭环特性,用核方法构建多步预测器,证明无噪声时方案特性,引入松弛缓解计算负担,增强抗噪声能力,扩展到慢时变系统并举例验证。
2026-07-07 cs.SY eess.SY
SIT-LMPC: Safe Information-Theoretic Learning Model Predictive Control for Iterative Tasks
University of Pennsylvania(宾夕法尼亚大学);University of Central Florida(佛罗里达大学);Lyric
SIT-LMPC通过信息论方法和归一化流学习,实现对迭代任务中安全性和性能的平衡优化。
2026-02-18 cs.AI cs.RO cs.SY
A hierarchical adaptive nonlinear model predictive control approach for maximizing tire force usage in autonomous vehicles
针对自动驾驶车辆极限操控中的轮胎力饱和与路面摩擦变化问题,提出融合单轨模型、纵向载荷转移、UKF在线估计和底盘制动力分配的分层自适应NMPC框架,并在全尺寸车辆上验证有效性。
2023-04-24 cs.SY eess.SY
Data-driven model predictive control: closed-loop guarantees and experimental results
我们提供了一个全面的审查和实际执行最近开发的模型预测控制(MPC)框架,用于控制未知的系统,只使用测量数据,没有明确的模型知识。我们的方法依赖于一个隐式的系统参数化从行为系统理论的基础上测量的输入输出轨迹。所提出的MPC计划保证闭环稳定的未知线性时不变(LTI)系统,即使数据受到噪声的影响。此外,我们扩展此MPC框架控制未知的非线性系统,通过不断更新的数据驱动的系统表示使用新的测量。通过非线性四容系统的仿真和实验证明了我们的方法简单而直观的适用性。
2021-07-02 cs.SY eess.SY math.OC
MPC as a Copilot: A Predictive Filter Framework with Safety and Stability Guarantees
University College London(伦敦大学学院);Southeast University(东南大学);Loughborough University(拉夫堡大学)
本文提出PS2F框架,结合MPC和过滤层,确保系统约束和渐近稳定性,通过递归可行性分析和时间变化参数化实现安全与稳定平衡。
2026-03-29 cs.RO cs.SY eess.SY
Learning Two-agent Motion Planning Strategies from Generalized Nash Equilibrium for Model Predictive Control
University of California Berkeley(加州大学伯克利分校);PlusAI Inc(PlusAI公司)
本文提出了一种基于广义纳什均衡的学习方法,用于多智能体运动规划中的模型预测控制,通过训练神经网络预测奖励结果来实现博弈论互动的隐式处理。
2025-06-05 cs.MA cs.RO cs.SY
Network Epidemic Control via Model Predictive Control: Extended Version
Boston University(波士顿大学)
针对网络SIQR模型,提出一种通过硬谱约束严格抑制传播的安全关键模型预测控制(MPC)方法,实现可调指数衰减率,并证明递归可行性和全局衰减。
2026-05-25 cs.SY eess.SY math.OC
Continuation model predictive control on smooth manifolds
Mitsubishi Electric Research Labs (MERL)(三菱电机研究实验室)
本文提出在光滑流形上应用持续模型预测控制的方法,通过在线控制器实现并验证了其在半球测试问题中的有效性。
2015-09-09 cs.SY eess.SY math.OC
Learning Constrained Adaptive Differentiable Predictive Control Policies With Guarantees
Pacific Northwest National Laboratory(太平洋西北国家实验室)
我们提出了可微预测控制(DPC),学习约束的线性系统的概率性能保证的神经控制策略的方法。我们采用自动微分获得直接的政策梯度反向传播的模型预测控制(MPC)的损失函数和约束的惩罚,通过可微的闭环系统动力学模型。我们证明了所提出的方法可以学习参数约束控制策略来稳定具有不稳定动态的系统,跟踪时变参考,并满足非线性状态和输入约束。与基于模仿学习的方法相比,我们的方法不依赖于监督控制器。最重要的是,我们证明,在不损失性能的情况下,我们的方法是可扩展的,计算效率比隐式,显式和近似MPC。IEEE Transactions on Automatic Control(IEEE自动控制学报)
2022-01-27 cs.LG cs.NE cs.SY
TurboMPC: Fast, Scalable, and Differentiable Model Predictive Control on the GPU
Dartmouth College(达特茅斯学院);Toyota Research Institute(丰田研究所)
提出TurboMPC,一种完全运行在GPU上的可微分MPC求解器,通过SQP、ADMM内求解器、隐式微分和JAX-CUDA协同设计,在约束规划、人形模仿学习和强化学习中实现高达15倍和58倍的加速,并在实车最小时间竞赛中通过贝叶斯优化调参显著提升性能。
2026-06-25 cs.LG cs.RO cs.SY