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） · Guangyao Zhou, Sivaramakrishnan Swaminat
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） · Du Nguyen Duy, David Gabauer, Ramin Nikz
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） · Hrishikesh Sathyanarayan, Ian Abraham（机构
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） · Riccardo Busetto, Elia Cereda, Marco For
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） · Omkar Tupe, Max Hartman, Lav R. Varshney
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） · Damianos Tranos, Alexandre Proutiere（机构未
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） · Prabhat K. Mishra, Mateus V. Gasparino,
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） · Rel Guzman, Rafael Oliveira, Fabio Ramos
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） · Alexandre Didier, Anilkumar Parsi, Jerem
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） · Zhengyu Liu, Jingliang Duan, Wenxuan Wan
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） · Anilkumar Parsi, Andrea Iannelli, Roy S.
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） · Shyam Kamal, Baby Diana, Sunidhi Pandey,
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） · Eray Unsal Atay, Venkat Chandrasekaran,
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） · Xuehui Ma, Shiliang Zhang, Zhiyong Sun（机
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） · Ulises Pérez-Ventura（单作者；受 CONAHCYT 资助，C
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） · Haolin Liu, Shiliang Zhang, Shangbin Jia
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） · James Wang, Bruce D. Lee, Ingvar Ziemann
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） · Marco Volponi, Saiva Huck, Ruggero Carav
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） · Marco A. Gomez, Christopher D. Cruz-Anco
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） · Wei Zhang, Jr-Shin Li（机构未在素材中标注）