该研究论文提出了一种用于动态系统的模型预测控制（MPC）方法，该方法利用深度神经网络（NNs）对系统的非线性和不确定性进行建模，并提出了两种用于解决 MPC 问题的方法：混合整数规划（MIP）方法和线性松弛（LR）方法。进行了广泛的数值模拟来演示和比较 MIP 和 LR 方法的性能。

May, 2024

参数自适应近似模型预测控制（AMPC）架构，以此实现对低成本微控制器（MCU）上快速运动系统的实际应用。

Apr, 2024

本文介绍了一种基于深度学习的模型预测控制算法，利用深度神经网络作为学习基础的预测控制中的甲骨文，通过一个双时间尺度适应机制来估计不匹配的不确定性并且得到了压缩系统的数值试验验证。

Apr, 2023

基于采样的模型预测控制已经在具有非光滑系统动力学和成本函数的最优控制问题中取得了重大的成功，我们提议通过元强化学习学习一个优化器来更新控制器，该优化器不需要专家演示，并且在未知控制任务中可以实现快速适应。

Jan, 2024

本论文通过神经网络（NN）的逼近研究模型预测控制（MPC）控制器，以实现快速在线计算，并通过安全增强提高收敛和实现约束满足的确定性保证。其控制框架在三个具有不同复杂度的非线性 MPC 基准测试中得到阐述，并证明了与在线优化相比的数量级的计算加速。

Apr, 2023

该研究发展了一种基于非线性稀疏变分贝叶斯学习的模型预测控制方法，在该方法中通过 NSVB 方法学习模型，利用变分推断来评估预测准确性并对系统不确定性进行必要的修正，以确保输入到状态的稳定性和约束条件的可行性，最后通过 PEMFC 温度控制模型实验证实了 NSVB-MPC 方法的有效性。

Apr, 2024

本文研究了神经网络在动态系统中的自适应稳定性认证问题，提出了与参数不确定性相关的神经李雅普诺夫函数的方法，通过与模型无关元学习的整合，提出了元神经李雅普诺夫函数，以应对参数变化带来的稳定性评估性能下降的问题。通过在标准基准自主动态系统上验证，证明了元神经李雅普诺夫函数在稳定性评估方面的性能。

Dec, 2023

(经济) 非线性模型预测控制 ((e) NMPC) 需要全方位准确的动态系统模型，这些模型在所有相关的状态空间区域中都足够准确，并且计算便宜到足以确保实时可行性。我们提出了一种端到端的强化学习方法，用于动态代理模型在 (e) NMPC 应用中实现最优性能，从而在控制性能和计算需求之间实现了良好的平衡。我们在两个应用中验证了我们的方法，这两个应用是基于一个已建立的非线性连续搅拌反应器模型。我们将控制器性能与使用主导的最大预测准确性范例训练的模型的 MPC 进行了比较，并使用强化学习训练的无模型神经网络控制器进行了比较。我们展示了我们的方法与无模型神经网络控制器的性能相当，同时始终优于基于系统识别的模型。此外，我们还展示了 MPC 策略在控制设定变化时无需重新训练。

Aug, 2023

基于深度神经网络的非线性模型预测控制（MPC）在同质压燃点火（HCCI）燃烧控制方面的实验实施结果良好，具有优秀的 IMEP 轨迹跟踪性能和过程约束的观测情况。

Oct, 2023

通过模型无关的机器学习框架和储水计算方法，实现对双臂机器人操纵器的跟踪控制，仅使用部分观测状态，并且该控制框架在周期性和混沌信号方面表现出有效性和对测量噪声、干扰和不确定性的鲁棒性。

Sep, 2023