On Model Predictive Path Following and Trajectory Tracking for Industrial Robots
Norwegian University of Science and Technology（挪威科技大学）；SINTEF DIGITAL（SINTEF数字研究所）
在这篇文章中，我们将展示如何模型预测路径跟踪控制器允许机器人机械手停止在障碍物的方式，模型预测轨迹跟踪控制器不能。我们提出了这两个控制器应用于机器人机械手，模拟两连杆机械手使用内点求解器，考虑离散化的最优控制问题，使用配置或龙格库塔，并讨论我们的实施模型预测路径跟踪控制器的实时可行性。
2017-03-07 cs.RO
Data-Driven Adaptive PID Control Based on Physics-Informed Neural Networks
Waseda University（早稻田大学）
本文提出一种基于物理信息神经网络（PINNs）的数据驱动自适应PID控制方法，通过自动微分优化增益，实现稳定控制，并经时频域实验验证有效性。
2025-10-08 cs.LG cs.SY eess.SY
PID2018 Benchmark Challenge: Model Predictive Control With Conditional Integral Control Using A General Purpose Optimal Control Problem Solver - RIOTS
University of California Merced（加州大学默塞德分校）；School of Control Science and Engineering, Shandong University（山东大学控制科学与工程学院）；School of Control Science and Engineering, Southeast University（东南大学控制科学与工程学院）；Engineering Faculty, Computer Engineering Department, Inonu University（伊努努大学工程学院计算机工程系）
本文提出一种多变量模型预测控制控制器，用于单级制冷循环模型，采用通用最优控制问题求解器RIOTS，嵌入条件积分补偿器，显著优于原有基准挑战中的离散分散控制和多变量PID控制器。
2018-06-06 cs.SY eess.SY math.OC
"Closed Proportional-Integral-Derivative-Loop Model" Following Control
Federal University of Technology, Akure（阿库雷联邦理工大学）
比例-积分-微分（PID）控制律作为人类决策中临界控制的计算机模拟，常常被忽视。本文提供了一个公式来解决这个问题。在此基础上，根据动力系统的稳态特性，提出了闭环PID模型跟踪控制（CPLMFC）方法，用于自动PID设计。此外，提供了一种用于闭环稳定时间识别的方法。CPLMFC算法和一些建议的准则，设置的关键权重的PID。最后，模拟了两个典型案例。理论结果和仿真结果（通过性能指标）表明，CPLMFC能够保证闭环自适应PID控制的实时性和稳定性
2020-06-10 cs.RO cs.SY eess.SP
Enhanced Predictive Ratio Control of Interacting Systems
National University of Singapore（新加坡国立大学）
本文提出基于模型预测控制的双交互过程比例控制方法，通过PID前馈设计实现非均匀过程输出的考虑，提供预测时间窗和加权矩阵的稳定性条件，并通过仿真和实验验证有效性。
2013-05-28 cs.SY eess.SY
Aerial Robots Carrying Flexible Cables: Dynamic Shape Optimal Control via Spectral Method Model
University of Twente（特温特大学）；Sapienza University of Rome（罗马第一大学）
本研究针对搭载柔性缆绳的四旋翼空中机器人系统，结合POD降阶建模与NMPC实现缆绳位置与形状的最优轨迹跟踪，经仿真与实验验证，其性能优于仅控制四旋翼状态的最优调参PID控制器。
2024-11-04 cs.RO cs.SY eess.SY
Toward 6-DOF Autonomous Underwater Vehicle Energy-Aware Position Control based on Deep Reinforcement Learning: Preliminary Results
Pontificia Universidad Católica de Chile（智利天主教大学）；Monterey Bay Aquarium Research Institute（蒙特利湾水族馆研究所）
针对六自由度自主水下航行器，提出基于深度强化学习（TQC算法）的能量感知位置控制方法，无需手动调参，仿真显示高性能法优于PID，能量感知法功耗降低30%。
2025-02-25 cs.LG cs.RO cs.SY
Predictive Barrier Lyapunov Function Based Control for Safe Trajectory Tracking of an Aerial Manipulator
IIIT-Hyderabad（海得拉巴国际信息技术学院）；TCS Research（塔塔咨询服务研究院）；University of Michigan（密歇根大学）
本文提出了一种新的控制器框架，提供轨迹跟踪的空中机械手（AM），同时确保系统在未知的有界干扰下的安全运行。这里考虑的AM是一个2自由度（度的自由度）机械手刚性连接到无人机。我们提出的控制器结构如下传统的内环PID控制的姿态动力学和外环控制器跟踪参考轨迹。外环控制是基于模型预测控制（MPC）的限制，使用障碍李雅普诺夫函数（BLF）的AM的安全操作。基于BLF的约束提出了两个目标，即1）避免AM碰撞静态障碍物，如矩形墙，2）保持末端执行器的机械手在所需的工作空间。建议的BLF确保上述目标得到满足，即使在存在未知的有界干扰。所提出的控制器的能力，证明通过高保真非线性模拟与来自一个真正的实验室规模AM的参数。我们比较我们的控制器与其他国家的最先进的MPC控制器的AM的性能。
2022-12-09 cs.RO
Risk in Stochastic and Robust Model Predictive Path-Following Control for Vehicular Motion Planning
Technische Hochschule Ingolstadt（因戈尔施塔特应用技术大学）；TNO（荷兰应用科学研究组织）
本文将随机风险度量作为约束引入鲁棒和随机非线性模型预测路径跟踪控制器，比较发现SMPC比RMPC更少保守、跟踪误差更小且能处理不同风险容忍度。
2023-04-24 cs.RO math.OC
3D Path-Following Guidance via Nonlinear Model Predictive Control for Fixed-Wing Small UAS
Ann and H.J. Smead Department of Aerospace Engineering Sciences at the University of Colorado Boulder（科罗拉多大学博尔德分校安与H.J.斯梅德航空航天工程科学系）；Charles Stark Draper Laboratory Inc.（查尔斯·斯泰克·德帕尔实验室公司）
本文提出基于非线性模型预测控制的3D路径跟随引导算法，通过动态优化路径速率实现路径进展与距离的平衡，验证了其在高速飞行中的有效性。
2025-12-30 cs.RO
Multi-Objective Optimization of a Path-following MPC for Vehicle Guidance: A Bayesian Optimization Approach
RWTH Aachen University（亚琛工业大学）；IAV GmbH（IAV公司）
研究了车辆纵向和横向控制的路径跟踪模型预测控制的代价泛函的多目标优化问题。虽然模型预测控制固有的最优特性和对约束的直接考虑为许多应用提供了非常强大的工具，但是确定适当的成本泛函是一项重要的任务。这一方面由自由度的数量或多个可调参数引起，另一方面由这些参数的耦合引起。为了克服这种情况下的贝叶斯优化过程，它给出了可能性，以确定最佳的成本函数参数为一个给定的愿望。此外，可以计算一组可能的配置的帕累托前沿。
2021-04-08 cs.RO cs.SY eess.SY
Energy-Aware Path Following: Comparative Analysis of Reinforcement Learning and NMPC for Electric Vehicles
Najran University（纳吉兰大学）；University of the Bundeswehr Munich（慕尼黑联邦国防军大学）
本研究对比了电动汽车路径跟踪中NMPC与PPO等四种控制器，利用VT-CPEM能量模型，验证了PPO策略可零样本迁移至新轨迹和动态模型，并兼顾路径偏差与能量回收。
2026-10-07 cs.LG cs.RO cs.SY
LoL-NMPC: Low-Level Dynamics Integration in Nonlinear Model Predictive Control for Unmanned Aerial Vehicles
Multi-robot Systems Group, Faculty of Electrical Engineering, Czech Technical University in Prague（电气工程系多机器人系统组，捷克技术大学）
LoL-NMPC通过整合低级控制器和电机动力学，提升无人机在高速和高加速度下的轨迹跟踪精度和鲁棒性。
2025-07-31 cs.RO
Modeling and Design of Longitudinal and Lateral Control System with a FeedForward Controller for a 4 Wheeled Robot
Advanced Systems Engineering Laboratory, National School of Applied Sciences, Kenitra, Morocco（先进系统工程实验室，国家应用科学学院，凯尼特拉，摩洛哥）
本文中的工作表明，通过一系列基于物理的增保真度模型，用于设计尊重机器人能力限制的机器人控制器，开发适用于大子集跟踪条件的参考简单控制器，其中大部分是非侵入性或高度动态的运动，并根据控制问题定义路径几何形状，并开发简单的几何控制和动态模型预测控制方法在本文中，我们提出了一个非线性模型与干扰的影响，纵向和横向运动的数学模型，使用PID与前馈控制器。本研究提出一前馈控制器以消除干扰影响。
2023-01-23 cs.RO cs.SY eess.SY
Koopman Model Predictive Control of An Origami-Inspired Soft Exoskeleton for Knee Rehabilitation
针对软外骨骼非线性人机交互控制难题，提出基于折纸气动执行器的膝关节康复外骨骼，利用Deep Koopman Network结合EMG信号建模并以MPC实现实时控制，在被动和主动训练中均优于传统PID。
2026-10-07 cs.RO
A Distributed Model Predictive Control Framework for Road-Following Formation Control of Car-like Vehicles (Extended Version)
École des Ponts ParisTech（巴黎路桥学院）
这项工作提出了一种新的框架，在道路环境中的多自主地面车辆的编队控制。该问题的独特挑战在于：1）在高度结构化的环境中设计与障碍物和其他车辆的碰撞避免策略，2）动态重新配置编队以处理不同的任务规范。在本文中，我们设计了一个本地MPC为基础的跟踪控制器，每个单独的车辆遵循一个参考轨迹，同时满足各种约束（运动学和动力学，碰撞避免，\textit{etc.}）。基于预定义的编队树，车辆的参考轨迹是根据其领导者的轨迹计算的。我们使用逻辑规则来组织成员车辆的避碰行为。此外，我们提出了一种方法来安全地重新配置的编队飞行。所提出的框架已被验证使用高保真模拟。
2016-04-29 cs.RO
A Tutorial on Gaussian Process Learning-based Model Predictive Control
Concordia University（康考迪亚大学）
本教程系统阐述 GP-MPC 的回归基础、均值与方差多步传播近似的数学表述，并通过机器人路径跟踪和混合车辆编队验证其有效性。
2026-11-13 cs.LG cs.RO cs.SY
Design and Model Predictive Control of Mars Coaxial Quadrotor
Luleå University of Technology（吕勒奥理工大学）
火星一直是太阳系行星探索的主要候选者，因为科学发现支持未来在这个星球上居住的机会。火星的洞穴和熔岩管就像地形一样，包括不平坦的地面，能见度差和狭窄的空间，使得轮式漫游车不可能在这些地区航行。为了解决这些问题，提高火星地形探测能力，本文提出了一种新型的同轴四旋翼微型飞行器（MAV）的设计和控制。正如将要介绍的那样，对拟议的火星同轴四旋翼飞机的设计和控制架构的关键贡献，是从控制的角度来看，在自主性方面与Inconsistency相比，引入了一种替代方案，并且更加增强。基于所提出的设计，本文将介绍的数学建模和自动控制框架的车辆，将包括一个线性化模型的同轴四旋翼和相应的模型预测控制器（MPC）的轨迹跟踪。在为火星空中飞行提出的众多模型中，相关技术水平缺乏可靠的控制架构。拟议的MAV基于MPC的闭环响应将在飞行期间的不同条件下进行验证，并引入额外的干扰，以复制真实的飞行场景。为了进一步验证所提出的控制架构，并证明所建议的设计的有效性，引入的火星同轴四旋翼和MPC方案将进行比较，PID型控制器，类似于Inconsistity直升机的控制架构的位置和航向。
2021-10-01 cs.RO
From Parametric Model-based Optimization to robust PID Gain Scheduling
National University of Singapore（新加坡国立大学）
本文提出将MPC的约束处理和优化功能与常规PID结合，通过线性反馈增益和PID增益调度结构提升系统鲁棒性，无需额外分析。
2013-05-28 cs.SY eess.SY
Event-Triggered Model Predictive Control with Deep Reinforcement Learning for Autonomous Driving
Michigan State University（密歇根州立大学）；Oakland University（奥克兰大学）
事件触发模型预测控制（eMPC）是一种流行的最优控制方法，其目的是减轻MPC的计算和/或通信负担。然而，它通常需要先验知识的闭环系统行为以及通信特性的设计事件触发策略。本文试图通过提出一个有效的eMPC框架来解决这一挑战，并展示了该框架在自动驾驶车辆路径跟踪上的成功实施。首先，一个无模型强化学习（RL）代理被用来学习最优的事件触发策略，而不需要一个完整的动力学系统和通信知识在这个框架。此外，包括优先经验重放（PER）缓冲区和长短期记忆（LSTM）的技术被用来促进探索和提高训练效率。在本文中，我们将所提出的框架与三种深度RL算法一起使用，即，双Q学习（DDQN）、近端策略优化（PPO）和软行为者-批评者（SAC）来解决这个问题。实验结果表明，与传统的基于阈值和线性Q的方法相比，这三种基于深度RL的eMPC（deep-RL-eMPC）在自主路径跟踪中均能获得更好的评价性能。特别是，具有LSTM的PPO-eMPC和具有PER和LSTM的DDQN-eMPC在闭环控制性能和事件触发频率之间获得了更好的平衡。相关代码是开源的，可在https://github.com/DangFengying/RL-based-event-triggered-MPC上获得。
2022-08-22 cs.RO cs.SY eess.SY
Comparing Model-based Control Strategies for a Quadruple Tank System: Decentralized PID, LMPC, and NMPC
本文比较了四容水箱系统的分散式PID、LMPC和NMPC控制器，发现MPC在跟踪时变设定值上优于PID，NMPC跟踪误差略小但输入运动速率更高。
2025-09-14 cs.SY eess.SY math.OC
BoundMPC: Cartesian path following with error bounds based on model predictive control in the joint space
TU Wien（维也纳工业大学）；AIT Austrian Institute of Technology GmbH（奥地利AIT技术研究所）
BoundMPC通过模型预测控制实现具有误差界的笛卡尔路径跟随，有效处理动态环境和任务约束。
2026-02-16 cs.RO
2.5D Mapping, Pathfinding and Path Following For Navigation Of A Differential Drive Robot In Uneven Terrain
National Research University Higher School of Economics（国立研究型大学高等经济学院）
在不平坦地形中的安全导航是机器人研究中的一个重要问题。在本文中，我们提出了一个2.5维导航系统，其中包括高程地图建设，路径规划和局部路径跟踪与避障。对于局部路径跟踪，我们使用模型预测路径积分（MPPI）控制方法。我们为MPPI提出了新的成本函数，以便使其适应高程地图和不平坦运动。我们评估我们的系统在多个合成测试，并在模拟环境中，不同类型的障碍物和粗糙的表面。
2022-09-15 cs.RO cs.SY eess.SY
Coupled Control and Wireless World Models for Resilient Remote Robotic Control
Centre for Wireless Communications, University of Oulu（奥卢大学无线通信中心）
本文提出耦合控制与无线JEPA世界模型的远程机器人控制框架，结合自适应弹性机制，在仿真环境中较传统方法显著提升通信效率、鲁棒性与弹性，同时维持导航性能。
2026-09-07 cs.LG cs.RO
Autonomous Vehicle Lateral Control Using Deep Reinforcement Learning with MPC-PID Demonstration
Technical University of Munich（慕尼黑技术大学）
本文提出一种结合MPC-PID示教与深度强化学习的自动驾驶横向控制方法，在CARLA中验证了其在车辆信息不完整时的有效性与训练稳定性，有望降低自动驾驶流程的开发集成成本。
2025-06-04 cs.LG cs.RO cs.SY
A Study on the Use of Simulation in Synthesizing Path-Following Control Policies for Autonomous Ground Robots
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Massachusetts Institute of Technology（麻省理工学院）
研究使用仿真器为自主地面机器人建立路径跟随控制策略的有效性，提出基于数字孪生生成PID、MPC及两个NN控制策略，并通过随机微仿真测试排名验证仿真与现实结果的一致性。
2024-03-26 cs.RO
A Self-adaptive LSAC-PID Approach based on Lyapunov Reward Shaping for Mobile Robots
Zhejiang University of Technology（浙江工业大学）
针对多输入多输出（MIMO）PID控制系统中控制回路的耦合问题和参数自适应整定问题，提出了一种基于深度强化学习（RL）和基于李雅普诺夫（Lyapunov）的奖励塑造的自适应LSAC-PID算法。针对复杂未知的移动机器人控制环境，提出了一种基于RL的MIMO PID混合控制策略。该方法无需机器人的数学模型和多个控制回路的解耦，根据机器人的动态信息和环境反馈，实时的输出最优的MIMO PID参数。然后，为了提高强化学习的收敛速度和移动机器人的稳定性，基于李雅普诺夫理论和基于势函数的奖励塑造方法，提出了一种基于李雅普诺夫的奖励塑造软行动者-评论者（LSAC）算法。从软策略迭代的策略评价和改进步长两个方面证明了算法的收敛性和最优性。此外，对于跟线机器人，改进了区域生长方法，以适应分叉和环境干扰的影响。通过对比、测试和交叉验证，仿真和真实环境实验结果均表明了所提LSAC-PID整定算法的良好性能。
2021-11-03 cs.RO cs.SY eess.SY
Predictive Risk Analysis and Safe Trajectory Planning for Intelligent and Connected Vehicles
本文提出一种智能网联汽车的预测风险分析与安全轨迹规划框架，通过局部风险感知算法预测未来轨迹并进行时空离散化风险分析以生成安全轨迹，仿真与实验验证了其有效性与实时性。
2025-06-30 cs.RO
Disturbance Estimation and Rejection for High-Precision Multirotor Position Control
Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）；Swiss Federal Institute of Technology (ETH) Zurich（苏黎世联邦理工学院）
许多多旋翼无人机系统应用都迫切需要在具有强动态外部干扰（如阵风或地面和墙壁效应）的环境中进行精确的位置控制。此外，为了使飞行时间最大化，小型多旋翼平台必须在有效载荷和计算性能的严格约束下运行。在本文中，我们提出了模型预测和PID多转子位置控制器的设计和实验比较增加了干扰估计器，以拒绝强风阵风高达12米/秒和地面效应。对于干扰估计，我们比较了扩展卡尔曼滤波和Unscented卡尔曼滤波。在广泛的室内和室外飞行测试中，我们评估了所开发的控制和估计算法在计算受限平台上运行的适用性。这允许得出结论，潜在的性能改进是否证明多转子位置控制的MPC和干扰估计的UKF的增加的计算复杂性是合理的。
2019-08-08 cs.RO
Model Predictive Control for Micro Aerial Vehicle Systems (MAV) Systems
NIT Trichy（国家技术学院特里奇分校）；IIIT Hyderabad（海得拉巴国际信息技术学院）
提出了一种实时的跟踪方法。非线性制导逻辑用于寻找后续目标的拦截。轨迹跟踪通过在离散时间内使用其加加速度来制定四轴飞行器的轨迹，然后在每个解耦轴上求解凸优化问题来实现。基于四轴飞行器的最大可能推力和角速率，已经导出了四轴飞行器的可行性约束。在这份报告中，我们描述了显式MPC控制器的设计和实现，控制器在计算机上执行，使用稀疏求解器控制飞行器悬停。
2014-12-07 cs.RO
Model Predictive Trajectory Planning for Human-Robot Handovers
TU Wien（维也纳技术大学）；AIT Austrian Institute of Technology GmbH（奥地利技术研究院有限公司）
本研究提出一种基于路径跟踪模型预测控制的人机交接轨迹规划方法，结合高斯过程回归预测交接位置以自适应调整路径偏差边界，经7自由度协作机械臂实验验证了其有效性与通用性。
2024-04-11 cs.RO
MR-MPCC: Model Predictive Contouring Control for Robotic Manipulator Tracking under Moving Reference Frames
University of Technology Sydney（悉尼科技大学）；Robotics Institute, University of Technology Sydney（悉尼科技大学机器人研究所）；University of Edinburgh（爱丁堡大学）；School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
本文提出MR-MPCC框架，采用分层控制架构，在UR5e平台验证其在移动参考干扰下的路径跟踪性能，相比PI控制和传统MPC，可降低几何路径跟踪误差与移动路径框架偏差。
2026-10-16 cs.RO
A Survey on Sensor-based Planning and Control for Unmanned Underwater Vehicles
本文综述了水下无人航行器基于传感器的规划与控制方法，分析了复杂环境下的定位与避障问题，探讨了耦合架构与解耦架构的对比，指出MPC和不变集控制器在路径优化与安全性方面的贡献。
2026-04-06 cs.RO
Model-Predictive Planning and Airspeed Regulation to Minimize Flight Energy Consumption
针对电动飞机实时能耗优化研究不足的问题，提出PID控制器跟踪预定路径的实时能耗优化，并采用模型预测方法优化起降飞行轨迹以最小化能耗，仿真验证了其有效性与准确性。
2025-04-02 cs.SY eess.SY
Obstacle Avoidance in Dynamic Environments via Tunnel-following MPC with Adaptive Guiding Vector Fields
Chalmers University of Technology（查尔姆斯理工大学）；Lund University（隆德大学）
本文提出了一种机器人在动态环境中的运动控制方案与凹障碍。一个模型预测控制器（MPC）被构造为驱动机器人朝向目标位置，同时确保避免碰撞，而不直接使用的障碍物信息的优化问题。这是通过保证一个适当设计的滚动时域路径的跟踪性能来实现的。该路径使用定义在自由工作空间的子空间中的引导向量场来计算，其中子空间中的每个点满足到所有障碍物的最小距离的标准。仿真结果表明了该控制方案的有效性。
2023-03-28 cs.RO
Predictive Lagrangian Optimization for Constrained Reinforcement Learning
Weiyang College, Tsinghua University（清华大学未央学院）；Xingjian College, Tsinghua University（清华大学行健学院）；School of Vehicle and Mobility, Tsinghua University（清华大学车辆与出行学院）；College of Artificial Intelligence, Tsinghua University（清华大学人工智能学院）；Department of Mathematical Sciences, Tsinghua University（清华大学数学科学系）；School of Mechanical Engineering, University of Science and Technology Beijing（北京科技大学机械工程学院）
本文提出约束优化与反馈控制系统的通用等价框架，通过交替求解乘子反馈最优控制问题与乘子引导策略学习模块更新策略，并基于模型预测控制提出预测拉格朗日优化算法，实验表明其可行域最高扩大7.2%且平均奖励相当。
2025-01-25 cs.LG cs.SY eess.SY
Nuclear Microreactor Control with Deep Reinforcement Learning
University of Michigan（密歇根大学）；Idaho National Laboratory（爱达荷国家实验室）
本研究探讨了深度强化学习（RL）在核微反应堆实时控制鼓控制中的应用，发现在多种负荷跟踪场景及噪声环境下，RL及多智能体RL（MARL）控制器可实现优于或接近传统PID的性能，且具备强泛化能力并满足对称性约束。
2025-03-31 cs.LG cs.SY eess.SY
Model-based control algorithms for the quadruple tank system: An experimental comparison
我们比较了比例-积分-微分（PID）控制，线性模型预测控制（LMPC），非线性模型预测控制（NMPC）的性能为物理设置的四槽系统（QTS）。我们估计在一个连续离散时间随机非线性模型的QTS使用的预测误差的方法的基础上测量的过程数据和最大似然（ML）标准的参数。在NMPC算法中，我们使用这种识别的连续-离散时间随机非线性模型。LMPC算法是基于这个非线性模型的线性化。我们调整PID控制器使用Skogestad的IMC调整规则，使用的线性化模型的传递函数表示。观测到的跟踪误差和操纵变量的变化率的范数被用来比较控制算法的性能。对于预定义的时变设定点轨迹，LMPC和NMPC的性能优于PID控制器。LMPC和NMPC算法具有相似的性能。
2022-12-09 cs.SY eess.SY
Feedback Regularization and Geometric PID Control for Robust Stabilization of a Planar Three-link Hybrid Bipedal Walking Model
Department of Mechanical Engineering, University of Peradeniya（珀斯德尼亚大学机械工程系）；Postgraduate and Research Unit, Sri Lanka Technological Campus（斯里兰卡科技校园研究生与研究单位）；Department of Mechanical Engineering, Texas Tech University（德克萨斯技术大学机械工程系）
本文应用一种 recently 开发的几何PID控制器来稳定一个平面三连杆混合动态步行模型。该模型有三个连杆，代表机器人躯干和两个无膝腿，每个髋关节有独立的控制力矩。几何PID控制器是为完全驱动的机械系统开发的，但在摆动相中，三连杆双足机器人有三个自由度但只有两个控制输入。通过选择两个“虚拟约束”来强制执行，解决欠驱动问题，并验证所得到的二维零动力学的稳定性。所得到的受控动力学不具有机械系统的结构，但通过“反馈校正”恢复了这种结构，随后使用几何PID控制来提供对虚拟约束的鲁棒渐近调节。所提出的方法可以容忍更大的倾斜变化，展示了几何方法的价值和积分作用的益处。
2017-10-05 cs.RO cs.SY eess.SY
Review of meta-heuristic optimization algorithms to tune the PID controller parameters for automatic voltage regulator
本文系统综述了用于自动电压调节器PID控制器参数整定的元启发式优化算法，比较了ITSE、ITAE、IAE、ISE和ZLG等目标函数下的PID增益范围及性能差异，为后续新算法研究提供指导。
2024-08-31 cs.SY eess.SY
Learning based Predictive Error Estimation and Compensator Design for Autonomous Vehicle Path Tracking
National Key Lab of Vehicular Transmission, School of Mechanical Engineering, Beijing Institute of Technology（北京理工大学机械工程学院车辆传动国家重点实验室）
模型预测控制（MPC）由于其处理各种类型的约束的能力而被广泛用于自主车辆的路径跟踪。然而，由于数学模型的误差或模型的线性化，存在着相当大的预测误差。在本文中，我们提出了一个框架，结合MPC与基于学习的误差估计器和前馈补偿器，以提高路径跟踪精度。一个极端的学习机来估计基于模型的预测误差，从车辆状态反馈信息。离线训练数据是从由模型缺陷的规则MPC控制的车辆中收集的，用于分别在几种工况下的路径跟踪。数据包括车辆状态以及当前实际位置与相应预测位置之间的空间误差。根据预测误差的估计值，设计了基于PID的前馈补偿器。通过Carsim的仿真结果表明，预测误差的估计精度和所提出的框架的自动驾驶汽车的路径跟踪的有效性。
2020-07-18 cs.RO cs.SY eess.SY
Degradation-Aware Fast-Charging of Li-Ion Batteries Using Joint Electrical and Thermal Model Predictive Control
TNO Mobility and Built Environment（荷兰应用科学研究组织交通与环境部）；Eindhoven University of Technology, Department of Electrical Engineering（埃因霍温理工大学电气工程系）；National University of Science and Technology Politehnica Bucharest, Faculty of Electronics, Telecommunications and Information Technology（布加勒斯特国立理工大学电子、电信与信息技术学院）
提出一种协调充电电流与主动热管理的控制框架，采用联合电热模型预测控制，在满足电化学退化与热安全约束下最小化充电时间，相比制造商推荐充电时间减少42.2%。
2026-05-24 cs.SY eess.SY
Implementation of Nonlinear Model Predictive Path-Following Control for an Industrial Robot
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；Otto-von-Guericke University Magdeburg（奥托·冯·古里克马格德堡大学）
本文研究了工业机器人实时可行的模型预测路径跟随控制实现，探讨了有无参考速度分配的约束输出路径跟随问题，并在KUKA LWR IV机器人上验证了所提控制器的效果。
2016-08-18 cs.SY eess.SY math.OC
Learning-based Predictive Path Following Control for Nonlinear Systems Under Uncertain Disturbances
Sun Yat-Sen University（中山大学）
精确的路径跟踪是具有挑战性的自主机器人在不确定的环境中运行。自适应和预测控制策略对于非线性机器人系统实现高性能的路径跟踪控制至关重要。在本文中，我们提出了一种新的基于学习的预测控制方案，耦合一个高层次的模型预测路径跟踪控制器（MPFC）与低层次的基于学习的反馈线性化控制器（LB-FBLC）的非线性系统的不确定性干扰。低层LB-FBLC利用高斯过程在线学习不确定的环境扰动，并在概率稳定性保证下精确跟踪参考状态。同时，高层MPFC利用线性化系统模型，通过虚拟线性路径动力学模型对路径参考目标的演化进行优化，为底层LB-FBLC提供参考状态和控制。仿真结果表明，所提出的控制策略的有效性四旋翼路径跟踪任务下未知的风干扰。
2022-12-26 cs.RO cs.SY eess.SY
Automated Multi-Drugs Administration During Total Intravenous Anesthesia Using Multi-Model Predictive Control
本文提出一种基于多模型预测控制的方法，在全静脉麻醉中根据脑电双频指数自动联合给予丙泊酚和瑞芬太尼，通过多个扩展卡尔曼滤波器并行估计系统状态以处理参数不确定性，并在蒙特卡洛模拟中验证了其鲁棒性。
2023-09-15 cs.SY eess.SY
Nonlinear Model Predictive Control for Constrained Output Path Following
Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；Otto von Guericke University Magdeburg（奥托·冯·格里克马格德堡大学）
本文提出非线性系统输出路径跟踪的预测控制方法，分析约束路径跟踪的几何特性，提供终端区域和终端惩罚的收敛条件，并通过机器人示例验证。
2015-02-09 cs.SY eess.SY math.OC
A predictive path-following controller for multi-steered articulated vehicles
稳定向后运动的多转向铰接车辆对于任何人类驾驶员来说都是一项复杂的任务。除非车辆被精确地转向，否则其在反向操纵期间的结构不稳定的关节角度运动学可能导致车辆段折叠并进入折刀状态。在这项工作中，提出了一种模型预测路径跟踪控制器，使自动低速转向控制的多转向铰接式车辆，包括一个车一样的拖拉机和任意数量的拖车与被动或主动转向。建议的路径跟踪控制器是定制的，以遵循标称路径，包含完整的状态和控制输入信息，并被设计为满足各种物理约束的车辆状态以及饱和度和速率限制的牵引车的曲率和拖车转向角。所提出的模型预测路径跟踪控制器的性能进行了评估，在一组模拟多转向2拖车与汽车一样的拖拉机，最后一辆拖车有转向轮。
2020-05-07 cs.SY eess.SY math.OC
A Bayesian perspective on classical control
最优控制和贝叶斯推理之间的联系早已被认识到，随机（最优）控制领域结合这些框架来解决部分可观测的控制问题。特别是，对于具有二次函数和高斯噪声的线性情况，随机控制在不同的领域，包括机器人学，强化学习和神经科学，特别是由于建立的估计和控制过程的对偶性，已经显示出显着的结果。根据这一想法，我们最近介绍了PID控制，最流行的方法之一，从经典的控制，基于主动推理，理论与根在变分贝叶斯方法，并在生物和神经科学的应用制定。在这项工作中，我们强调了我们以前的配方的优点，并介绍了新的和更一般的方法来解决一些现有的问题，在当前的控制器设计过程。特别地，我们考虑1）用于PID控制器的参数（或增益）的基于梯度的整定规则，2）用于对不同类型的信号（例如，二自由度PID），以及3）根据可调约束的性能-鲁棒性折衷的新颖时域形式化（即，贝叶斯模型中的先验）的单个成本函数，变分自由能。
2020-05-14 cs.SY eess.SY math.OC
Nonlinear Model Predictive Control for Uranium Extraction-Scrubbing Operation in Spent Nuclear Fuel Treatment Process
本文针对乏燃料后处理工艺中铀萃取-洗涤操作，提出一种设定值跟踪非线性模型预测控制（NMPC）方法，以料液流量为操纵变量控制溶剂饱和度，确保铀不流失且遵守设备约束，仿真表明其跟踪精度与约束处理能力优于PID和开环控制。
2023-09-11 cs.SY eess.SY
Model Predictive Path-Following Control for a Quadrotor
Institute of Engineering and Computational Mechanics（工程与计算力学研究所）
本文提出了一种基于模型预测控制的四旋翼路径跟随控制方法，通过硬件实验验证其有效性，并引入走廊路径跟随方法以应对路径跟踪的限制。
2025-06-18 cs.RO cs.SY eess.SY
Model Predictive Control on the Neural Manifold
本文研究了神经流形上的潜在动力学控制，对比了PID和MPC两种方法，发现MPC在部分可观测和噪声环境下控制更准确且调参更少，为探索流形动力学与外部刺激的因果关系提供了框架。
2025-08-11 cs.SY eess.SY q-bio.NC
Application of Data-Driven Model Predictive Control for Autonomous Vehicle Steering
本文提出将数据驱动MPC应用于自动驾驶车辆转向，避免复杂建模，通过CarSim-Simulink仿真验证，相比PID和运动学MPC，该方法计算时间低、误差小，具有可行性和优越性。
2024-07-18 cs.SY eess.SY
Lyapunov-based Nonlinear Model Predictive Control for Attitude Trajectory Tracking of Unmanned Aerial Vehicles
针对无人机（UAV）的姿态控制问题，提出了一种新的基于李雅普诺夫（Lyapunov）的非线性模型预测控制器（LNMPC）。基于二次型代价函数，综合无人机动力学和系统约束，设计了控制器。一个额外的收缩约束，然后引入，以确保闭环系统的稳定性。该约束是通过一个李雅普诺夫函数来自滑模控制器（SMC）。最后证明了LNMPC的可行性和稳定性。仿真和比较结果表明，所提出的控制器保证了系统的稳定性，并优于其他国家的最先进的非线性控制器，如反推控制器（BSC）和SMC。此外，所提出的控制器可以集成到现有的无人机模型在凉亭模拟器进行软件在环测试。仿真结果表明，LNMPC控制器的控制效果优于无人机内置PID控制器，验证了所提方法的有效性和适用性。
2022-10-28 cs.SY eess.SY
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
