本文介绍了一种接触隐式优化方法，利用硬接触模型和互补条件描述单向约束，通过多段程序和多重拍摄机制求解最优控制问题，提高了运动规划、接触顺序和控制输入的计算效率，并通过机器人的多个动态物体操纵任务验证了其优化轨迹的动态可行性，任务完成精度和可重复性。

Mar, 2021

我们提出了一种新颖的基于梯度的在线优化框架，用于解决在网络物理和机器人系统中经常出现的随机规划问题。我们的问题形式化考虑了模拟网络物理系统的约束条件，该系统通常具有连续的状态和动作空间，是非线性的，并且状态只被部分观测到。我们还在学习过程中将动力学的近似模型作为先验知识纳入其中，并表明即使是动力学的粗略估计也能显着改善算法的收敛性。我们的在线优化框架包括梯度下降和拟牛顿方法，并在非凸环境中对我们的算法进行了统一的收敛性分析。我们还研究了系统动力学建模误差对算法收敛速度的影响。最后，我们在柔性梁、四足行走机器人的仿真和乒乓球机器人的实际实验中评估了我们的算法。

Apr, 2024

通过数据驱动的方法利用二元回归问题和高度表达的高斯过程模型提供了逼近约束紧缩参数以满足机会约束的最小约束紧缩参数，从而在数值实验中得到了比其他先进方法更低的平均成本。

Oct, 2023

本文介绍了一个基于约束的随机规划问题，其中利用整数线性规划方法确保了确定性决策，同时为安全性关键的应用提供了约束违规概率的上界。同时还介绍了确定性策略和随机策略的随机舍入过程，并探讨了如何在考虑不同时间步的约束情况下进行 CC-SSP 的推广。

Feb, 2023

提出一种高效的运动规划框架，基于 ADMM 分布式优化框架，使用 MIQP 和 NLP 解决接触和非线性动力学问题，显式强制执行微刺夹具的限制面环接触约束，通过硬件实验演示了多肢机器人能够实现各种动作。

Jul, 2022

研究使用机会约束的子模型优化问题，探讨贪心算法在应用对 Chernoff 边界进行约束违规估计的替代函数后，能高效地获得高品质解，同时在社交网络问题中也能保持有效性。

Nov, 2019

本研究提出了一种基于 “积分二次约束（IQC）” 的新框架来分析和设计迭代优化算法，在优化算法中应用 IQC 理论和半定规划来验证复杂相互链接系统的稳定性，探讨了 IQC 理论在研究优化算法方面进行适应性调整的方法，通过研究凸函数得出新的不等式并给出了梯度方法、重球方法、Nesterov 加速方法、以及相关变体的收敛率的数值上界解。最后，简要介绍了如何利用这些技术来搜索具有所需性能特性的优化算法，从而确立了一种新的算法设计方法。

Aug, 2014

本文提出了一个统一的框架，能够证明广泛使用的迭代一阶优化算法的指数收敛和次指数收敛速率，并展示了该框架对梯度法、近端算法及其加速变体的实用性，同时开发了连续时间对应物，能够分析梯度流和 Nesterov 加速法的连续时间极限。

May, 2017

该论文提出了一种针对非线性机器人系统中存在的概率不确定性和干扰的闭环控制问题的解决方案，并将控制器设计问题作为概率分布的统计量的优化问题来处理，以此来降低跟踪偏差，并通过与现有的概率控制方法的比较来证明其性能。

Mar, 2023

基于对可信度预测 (CP) 的进展，我们提出了一种名为可信度预测编程 (CPP) 的方法，用于解决具有非线性约束函数和任意随机参数影响的机会约束优化问题 (CCO)。CPP 利用这些随机参数的样本和量化引理 (对于 CP 来说至关重要)，将 CCO 问题转化为确定性优化问题。我们还通过两个容易处理的重构 CPP：(1) 将量化引理写成一个线性规划问题及其 KKT 条件 (CPP-KKT)，(2) 使用混合整数规划 (CPP-MIP)。CPP 对 CCO 问题具有边际概率可行性保证，这与现有方法 (如样本近似和方案方法) 在概念上不同。虽然我们探讨了与样本近似方法的算法相似性，但我们强调 CPP 的优势在于它可以轻松扩展以包含不同的 CP 变体。为了说明这一点，我们提出了鲁棒可信度预测编程，以处理 CCO 问题中不确定参数的分布变化。

Feb, 2024