扩散模型预测控制（Diffusion Model Predictive Control，D-MPC）
Diffusion Model Predictive Control
用扩散模型同时学会「多步动作提案」与「多步动力学模型」，让模型预测控制在 D4RL 基准上显著超过同类离线规划方法，还能在运行时优化全新奖励、微调适应新动力学。
arXiv:2410.05364 · 2024年10月7日（v1） · 机构未标注
迈向联邦多变量统计过程控制（FedMSPC）
Towards federated multivariate statistical process control (FedMSPC)
让价值链上不同企业的数据「不出域」也能共建过程监控模型——联邦 PCA + 差分隐私 + 安全多方计算，实现跨企业边界的隐私保护故障检测与诊断。
arXiv:2211.01645 · 2022年11月3日（v1） · 机构未标注
斯坦变分不确定自适应模型预测控制（用斯坦变分推断让 MPC 自适应地围绕「任务关键的不确定性」塑形控制律）
Stein Variational Uncertainty-Adaptive Model Predictive Control
用斯坦变分推断（SVGD）生成一组「任务敏感」的确定性粒子来刻画参数不确定性，替代经典分布鲁棒优化（DRO）的最坏情形设计——鲁棒性来自把控制律塑形在「对任务目标最关键的不确定性」周围，而不是牺牲标称性能。
arXiv:2604.01034 · 2026年4月1日（v1） · 耶鲁大学、悉尼大学
纳米无人机非线性系统辨识基准（首个公开的纳米四旋翼真实飞行数据辨识基准）
Nonlinear System Identification Nano-drone Benchmark
基于 Crazyflie 2.1 无刷纳米四旋翼（<50 g、<10 cm）的 7.5 万个真实飞行样本，配 4 条激进轨迹、4 维电机输入 + 13 维输出、多步预测评估协议与物理/混合/黑箱三类基线模型——数据、脚本、参考实现全部开源。
arXiv:2512.14450 · 2025年12月16日（v1） · 苏黎世联邦理工学院
联邦非线性系统辨识（多个客户端不共享原始数据、协作辨识同族非线性系统）
Federated Nonlinear System Identification
把联邦学习用于「线性参数化非线性系统」（重点是分段仿射 PWA 模型）的辨识：理论证明收敛误差随客户端数 M 增加按 𝒪̃(1/√M) 下降，并在摆与四旋翼两类非线性物理系统上实验验证——客户端越多，每个客户端收敛得越好。
arXiv:2508.15025 · 2025年8月20日（v1） · 印度理工学院马德拉斯分校、伊利诺伊大学厄巴纳-香槟分校
STT-MPC：自适应模型预测控制的亚线性遗憾界
Sub-linear Regret in Adaptive Model Predictive Control
系统模型未知？边用最小二乘学模型、边用管道 MPC 保安全——并证明「边学边控」的额外代价（遗憾）随时间只按 T1/2+ε 亚线性增长。
arXiv:2310.04842 · 2023年10月7日（v1） · 机构未标注
Deep MPC：深度模型预测控制（面向安全关键系统）
Deep Model Predictive Control
模型误差「说不清、结构未知」？用深度神经网络在线逼近扰动，再用管道 MPC 兜底——保证约束满足与闭环输入-状态稳定（ISS）。
arXiv:2302.13558 · 2023年2月27日（v1） · 机构未标注
用分类器学习实现自适应模型预测控制
Adaptive Model Predictive Control by Learning Classifiers
把「贝叶斯优化调 MPC 参数」变成「训练一个分类器」——用密度比估计自动适配模型参数与超参数（如温度），应对异方差噪声。
arXiv:2203.06783 · 2022年3月13日（v1） · 悉尼大学
四旋翼的鲁棒自适应模型预测控制（把 RAMPC 从理论首次搬上四旋翼真机：未知质量、风扰动、旋翼效率下降全场景验证）
Robust Adaptive Model Predictive Control of Quadrotors
把此前只停留在理论上的「鲁棒自适应模型预测控制（RAMPC）」第一次用状态空间表述实现在真实四旋翼上——针对稳态输入未知、测量噪声、收缩多胞体计算三大工程难题给出带理论保证的解法，并在「包裹投递（质量未知+风扰动）」与「动力下降（全部旋翼效率下降）」两类场景下仿真+真机验证。
arXiv:2102.13544 · 2021年2月26日（v1） · 苏黎世联邦理工学院
递归模型预测控制（用循环神经网络离线学策略、在线按算力自适应预测时域长度的 RMPC 算法）
Recurrent Model Predictive Control
传统 MPC 每个时刻都要在线解优化、还只能用固定预测步数；本文用循环神经网络离线学一个策略函数——让网络递归 N 次就等价于展开成 N 步 MPC，于是预测时域变成「按当前算力随时伸缩的旋钮」，在线只需前向推理，比传统 MPC 快 5 倍以上。
arXiv:2102.11736 · 2021年2月23日（v1） · 机构未标注
自适应模型预测控制中的主动探索（把「学习」与「控制」放进同一个优化问题：用预测最坏情形代价引导控制器主动试探关键参数区域）
Active exploration in adaptive model predictive control
对状态空间矩阵含参数不确定性的线性时不变系统，提出一种对偶自适应 MPC 算法：用双状态管把「可行性」与「学习」解耦，在目标函数里放「预测状态管上的最坏情形代价」，让控制输入主动探索「对性能影响最大」的参数区域——而不是像现有方法那样被动等辨识结果。
arXiv:2003.14120 · 2020年3月31日（v1） · 苏黎世联邦理工学院
基于滑模控制的鲁棒约束优化
Robust Constrained Optimization via Sliding Mode Control
把约束优化的一阶最优性条件改写成「控制仿射动力系统」——优化变量当状态、拉格朗日乘子当控制输入、等式约束当滑模面，用滑模控制当「优化器」，保证约束有限时间精确满足、不依赖目标函数凸性、且对扰动鲁棒。
arXiv:2604.27587 · 2026年4月30日（v1） · 机构未标注
非线性控制中的速率-代价权衡
Rate-Cost Tradeoffs in Nonlinear Control
证明一般（含非线性）随机控制系统的速率受限控制问题中，「最小通信速率 Rn(D)」由「有向信息最小化 Fn(D)」刻画，二者只差一个加性对数项 log(Fn(D)+3.4)+2+1/n——把有向信息从 LQG 控制与因果信源编码推广到了一般非线性控制。
arXiv:2604.20369 · 2026年4月22日（v1） · 加州理工学院
麦克纳姆轮移动机器人的容错控制
Fault Tolerant Control of Mecanum Wheeled Mobile Robots
用后验概率在线学习故障参数，再把每个预设故障对应的控制律按学习到的概率加权求和，合成一个能同时应对「完全失效（如电机堵转）」与「部分失效（如扭矩退化）」的主动容错控制律——计算量小，适合嵌入式平台。
arXiv:2512.06444 · 2025年12月6日（v1） · 机构未标注
Bode 图：用于滑模控制设计的统一频域分析框架
The Bode Plots for Sliding-Mode Control Design
用描述函数把「不连续的滑模控制」等效成频域模型，算出颤振的幅值与频率、给出闭环灵敏度分析——让 Bode 图这种经典工具为滑模控制器设计服务。
arXiv:2507.16281 · 2025年7月22日（v1） · 墨西哥国立自治大学
推力器故障下自主水下航行器的自适应容错控制
Adaptive Fault-tolerant Control of Underwater Vehicles with Thruster Failures
把推力器故障当成「任务中随时会切换的模式」，用贝叶斯后验概率给每个故障模型的控制器加权混合——故障切换时控制平滑过渡，还不需要复杂的故障检测器。
arXiv:2504.16037 · 2025年4月22日（v1） · 奥斯陆大学、Concordia大学
非线性控制的对数遗憾界（学习控制未知非线性系统能多快）
Logarithmic Regret for Nonlinear Control
证明了「只要最优控制策略自己就能把系统参数学出来（持续激励），在线控制未知非线性系统的遗憾就能做到对数级」——并给出首个面向参数非线性依赖情形的遗憾界。
arXiv:2501.10261 · 2025年1月17日（v1） · 宾夕法尼亚大学
CIRCUS：面向反物质、原子与量子物理实验的自主控制系统
CIRCUS: an autonomous control system for antimatter, atomic and quantum physics experiments
给 CERN 反物质实验造一套「能自己调参数」的开放式自主控制系统，纳秒级同步、可复用、开源。
arXiv:2402.04637 · 2024年2月7日（v1） · 机构未标注
论安全滑模控制的概念
On the Notion of Safe Sliding Mode Control
提出「安全滑模流形」概念，用类 Lyapunov 能量函数构造不碰危险区的滑模面，实现鲁棒安全控制。
arXiv:2212.01847 · 2022年12月4日（v1） · 机构未标注
非线性控制系统的 Koopman 双线性化
Koopman Bilinearization of Nonlinear Control Systems
把非线性控制系统的 Koopman 算子动力学严格推导成双线性系统，建立系统性的 Koopman 控制框架。
arXiv:2211.07112 · 2022年11月14日（v1） · 华盛顿大学
统计过程控制的p 值方法（Statistical process control via p-values）
Statistical process control via p-values
把 p 值本身当作控制图统计量：只要 p 值「超均匀」，无需任何分布假设就能给出 ARL 下界，还能做 EWMA 平滑与多变量定位。
arXiv:2601.17319 · 2026年1月24日（v1） · 机构未标注
四旋翼容错控制的非线性模型预测控制（Nonlinear MPC for Quadrotor Fault-Tolerant Control）
Nonlinear MPC for Quadrotor Fault-Tolerant Control
单旋翼完全失效后，用全非线性模型 + 每个旋翼推力约束的 NMPC 在机载实时求解，把四旋翼从翻转等极端姿态救回来——仿真与实机实验双重验证。
arXiv:2109.12886 · 2021年9月27日（v1） · 机构未标注
端到端深度容错控制（End-to-End Deep Fault Tolerant Control）
End-to-End Deep Fault Tolerant Control
把「故障检测与隔离 + 控制器设计」合并成单个循环神经网络：输入过去一段传感器数据、直接输出控制量，无需过程模型，实机扛住传感器突变故障。
arXiv:2105.13598 · 2021年5月28日（v1） · 机构未标注
多一致性的分布式控制（Distributed control of multi-consensus）
Distributed control of multi-consensus
用分布式比例控制器给多智能体网络「加边 / 删边」，让任意指定的智能体分组各自收敛到不同的一致值，并给出保证多一致性状态稳定的控制器增益条件。
arXiv:2102.09383 · 2021年2月18日（v1） · 机构未标注
耗散性与最优控制（Dissipativity and optimal control）
Dissipativity and optimal control
一篇综述：严格耗散性 ⇔ turnpike（高街）性质，以及这对「如何保证经济模型预测控制（MPC）的稳定性与性能」意味着什么。
arXiv:2101.12606 · 2021年1月29日（v1） · 机构未标注
自适应非线性控制的遗憾界（Regret Bounds for Adaptive Nonlinear Control）
Regret Bounds for Adaptive Nonlinear Control
把经典自适应非线性控制「翻译」成离散时间的在线学习问题，首次给出匹配不确定随机设定下的有限时域遗憾界 Õ(√T)；输入延迟 k 步时遗憾退化为 Õ(k√T)。
arXiv:2011.13101 · 2020年11月26日（v1） · 机构未标注
通过非线性控制的在线 Stackelberg 优化（主从博弈型在线优化）
Online Stackelberg Optimization via Nonlinear Control
把「与自适应智能体反复博弈」的一大类在线优化问题统一改写成非线性在线控制问题，在局部可控性假设下得到 O(√T) 遗憾的通用算法。
arXiv:2406.18805 · 2024年6月27日（v1） · 机构未标注
轮式移动机器人的自适应模型预测控制（AMPC）
Adaptive Model Predictive Control of Wheeled Mobile Robots
让不知道自身质量与惯量的两轮移动机器人，用「递推最小二乘在线估计参数 + MPC 实时计算控制量」同时完成学习与控制，并用数值仿真验证。
arXiv:2201.00863 · 2022年1月3日（v1） · 机构未标注
强化最优控制：把「上一步的值函数」加入回归基函数
Reinforced optimal control
把最优停止问题中好用的「强化回归」推广到一般随机控制问题：用已算出的前一时刻值函数当新基函数，并用固定时间深度的值函数层级压住计算量，精度超过标准线性回归。
arXiv:2011.12382 · 2020年11月24日（v1） · 机构未标注
多旋翼无人机容错控制：面向有人操控的户外飞行
Fault Tolerant Control of Multirotor UAV for Piloted Outdoor Flights
先用「可达虚拟控制集（AVCS）」算清单桨失效后还能产生哪些控制量，再靠降阶姿态控制 + 伪逆分配 + 退饱和，只用机载传感器实现四旋翼户外受控飞行。
arXiv:2011.00481 · 2020年11月1日（v1） · 机构未标注
粗粒化非线性系统辨识
Coarse-Grained Nonlinear System Identification
借鉴快速多极子法的「粗粒化」思想，把沃尔泰拉级数的参数规模从 O(n^d) 压缩到 O(2^d·d·n·log₂n)，用不到 1 秒数据就辨识出钨丝灯丝的非线性电压-亮度模型。
arXiv:2010.06830 · 2020年10月14日（v1） · 机构未标注
滑模控制屏障函数
Sliding Mode Control Barrier Function
把滑模控制的鲁棒性注入「控制屏障函数」形成 SMCBF，用二次规划统一跟踪目标与高相对阶安全约束——模型不确定下安全仍被保证（Furuta 摆与磁悬浮数值验证）。
arXiv:2010.03673 · 2020年10月7日（v1） · 机构未标注
网络化动力系统的非线性控制
Nonlinear control of networked dynamical systems
先在低维子空间上用「降维 + SINDy 辨识 + 分岔理论」算出一组前馈控制信号，再投影回高维空间，把网络从任意一个不动点「推」到另一个不动点。
arXiv:2006.05507 · 2020年6月9日（v1） · 机构未标注
非线性系统辨识中的反馈
Feedback for nonlinear system identification
辨识难的根源是系统「记性太长」；把输出反馈作为实验设计的一部分，两步就能把含兴奋性、极限环、混沌等行为的非线性系统辨识出来。
arXiv:2002.09627 · 2020年2月22日（v1） · 机构未标注
自适应非线性控制中的收缩度量:不造「距离函数」,也能证明稳定
Contraction Metrics in Adaptive Nonlinear Control
利用收缩度量,通过「微分地」而非「显式地」构造距离函数,为可镇定的非线性系统导出自适应控制器;因为可镇定性等价于收缩度量的存在,方法比文献中的现有结果更一般,还能用于欠驱动系统与迁移学习。
arXiv:1912.13138 · 2019年12月31日发布 · 机构未标注
软件过程控制的序列模型优化:别迷信单一估算方法,让 ROME 为你的数据「量身定制」
Sequential Model Optimization for Software Process Control
提出 ROME(快速估算优化方法):用序列模型优化(SMO)为每个数据集搜索最合适的工作量估算配置;在 1161 个经典瀑布项目与 120 个当代项目(Github)上,其在相对误差幅度与标准化精度上均优于现有最先进方法,并给出结论——不应只推荐一种方法,而要广搜方法找到本地数据的最优解。
arXiv:1912.04189 · 2019年12月09日发布 · 机构未标注
随机量子最优控制:在「控制函数集合」上优化,把误差平方级压下去
Randomized Quantum Optimal Control
提出随机化量子最优控制框架:优化对象从单一控制函数变为「控制函数集合及其概率」;证明相同资源约束下随机化协议能比任何确定性协议更快达到目标精度,并用 CNOT 实现验证误差被平方级抑制,还推广出 randomized GRAPE 与增强抗相干噪声的边界脉冲构造。
arXiv:2607.10946 · 2026年07月12日发布 · 机构未标注
线性量子随机系统的容错控制
Fault-Tolerant Control of Linear Quantum Stochastic Systems
把经典控制里的「估计器 + 补偿」思路搬进量子系统——先估计故障信号与系统对易分量，再用容错控制器抵消故障影响，保证闭环稳定。
arXiv:1806.02587 · 2018年6月7日（v1） · 机构未标注
符号最优控制
Symbolic Optimal Control
把连续状态最优控制问题离散成有限「抽象」问题，用符号综合得到按构造正确的反馈控制器，并证明其性能上界随离散精度趋零而收敛到最优值函数。
arXiv:1709.07333 · 2017年9月21日（v1） · 机构未标注