从数据中学习动力系统 神经网络动力学，用于基于模型的深度强化学习，且无模型精调

运动学MPC和动态增益调度状态反馈，用于控制自动驾驶汽车 该项目使您可以使用高级控制理论来解决自主制导问题。 该项目的创新部分是使用运动车辆模型的Takagi-Sugeno（TS）表示。 这使我们能够将非线性优化问题解决为伪线性问题，从而在每次优化时都实现了非常低的耗时。 先决条件 要运行该项目，您需要安装Matlab 2017b或更高版本以及YALMIP。 此外，有必要安装gurobi求解器以执行线性优化。 正在安装 要安装软件包，请参考以下链接： 描述 车辆型号 已经使用了两种不同的模型。 一个用于运动控制，另一个用于动态控制。 运动学模型称为车辆质量点模型。 动态模型为单轨自行车模型和轮胎模型的动力学模型。 轨迹规划 我们使用基于多项式的算法以离线方式计算参考。 该阶段在每个时刻提供对控制器的所需参考。 运动MPC 此时，将在每次控制迭代中构建并求解模型预测控制器，以找到最佳控制动

本文提出了一种基于扰动观测器的带输入扰动的轮式移动机器人路径跟踪问题的模型预测控制。 设计了一个非线性干扰观测器来估计干扰，并补偿干扰的影响。 针对轮式移动机器人的输入约束，采用具有渐近收敛性的名义模型预测控制方案。 仿真示例表明，尽管存在缓慢变化的输入扰动，但所提出的方案仍可以驱动轮式移动机器人遵循给定的路径。

信通院2019年对多方安全计算的调研报告，包括技术分析、应用分析及测评方法等

下载后参考以下文件的使用方法。 https://github.com/mathworks/mpc_implementation_example/blob/master/MPC_imple_PJ_説明資料.pdf 解释主要是关于现场脚本。在下面的链接中，我们上传了实时脚本的 Markdown 版本，因此您可以使用 Web 浏览器浏览内容。 https://github.com/mathworks/mpc_implementation_example/blob/master/MPC_imple_PJ/common/MPC_Design_index_md.md [版本] R2021a：当前R2020b： https : //github.com/mathworks/mpc_implementation_example/archi

通过扰动观测器设计用于扰动系统的预测精度增强的连续时间MPC

动态避障的matlab代码集中规划 使用模型预测控制 (MPC) 执行基于优化的多车道车辆排的编队和重新配置。 车辆（动态障碍物）之间的碰撞避免约束以及道路上的静态障碍物使用强对偶理论建模。 该公式允许在狭窄环境中进行运动规划和避障。 可以找到描述该理论的论文。 运行代码的要求是用于非线性优化的 MATLAB、YALMIP 和 IPOPT 求解器。 例子 避障场景 排重组方案

基于MPC的非线性轨迹规划 该计划程序是基于名为Yalmip的优化求解程序构建的。 要将Yalmip集成到您的计算机中，请参阅了解详细信息。

matlab运行神经网络的代码低数据限制下用于模型预测控制的非线性动力学的稀疏识别 带有控制的非线性动力学的稀疏识别（SINDYc）与模型预测控制（MPC）相结合。 该框架通过少量测量学习受外源控制变量影响的非线性动力学模型。 基于有限的嘈杂数据，所得的SINDYc模型具有增强模型预测控制（MPC）性能的能力。 SINDYc模型具有简约性，可以识别模型中解释数据所需的最少术语，从而使它们易于解释和推广。 我们证明，与神经网络模型相比，所得的SINDY-MPC框架具有更高的性能，所需的数据更少，计算效率更高，并且对噪声的鲁棒性强，使其可用于响应系统快速变化的在线培训和执行。 尽管线性模型可能会提供权宜之计，直到有足够的数据可用于SINDY，但SINDY-MPC的性能也优于线性数据驱动的模型。 SINDY-MPC在具有不同挑战的各种动力系统上得到了证明，包括Lotka-Volterra系统，混沌的Lorenz系统，用于F8飞机的飞行控制的简单模型以及包含药物治疗的HIV模型。 由E. Kaiser，JN Kutz和SL Brunton撰写的出版物“非线性预测的稀疏识别，用于在低数据范围内进

基于非线性MPC的分布式驱动电动汽车转矩协调控制.pdf