A Distributionally Robust Control Strategy for Frequency Safety based on Koopman Operator Described System Model
Tsinghua University(清华大学)
本文提出基于Koopman算子描述系统模型的分布鲁棒数据驱动紧急频率控制框架,以提高频率安全性和降低控制成本。
2024-11-07 cs.SY eess.SY
Safe, Learning-Based MPC for Highway Driving under Lane-Change Uncertainty: A Distributionally Robust Approach
我们提出了一个案例研究应用基于学习的分布式鲁棒模型预测控制的高速公路运动规划下的随机不确定性的车道变化行为的周围道路使用者。道路使用者的动态建模使用马尔可夫跳跃系统,其中的切换变量描述所需的车道的车辆正在考虑和连续状态描述的姿态和速度的车辆。我们假设底层马尔可夫链的切换概率是未知的。当观察到车辆时,从马尔可夫链中提取样本,估计转移概率以及模糊集,该模糊集解释了这些概率的错误估计。相应地,一个分布鲁棒最优控制问题被制定在一个场景树,并在滚动时域求解。结果,获得了运动规划过程,其通过对目标车辆的观察逐渐变得不那么保守,同时避免了从小样本大小获得的估计中的过度自信。我们提出了一个广泛的数值案例研究,比较几个不同的设计方面的控制器的性能和安全的影响。
2022-11-07 cs.SY eess.SY
Distributionally Robust and Safe Imitation Learning
University of California Berkeley(加利福尼亚大学伯克利分校);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
研究针对模仿学习对分布变化敏感及安全风险问题,提出分布鲁棒且安全的模仿学习框架,利用泰勒级数模仿学习和分布鲁棒自适应控制应对不同诱导变化,在无人机案例中验证了方法有效性。
2026-07-16 cs.LG cs.SY eess.SY
Feasibility Analysis and Regularity Characterization of Distributionally Robust Safe Stabilizing Controllers
针对含模型不确定性的控制仿射系统,提出分布鲁棒安全镇定控制器的可行性检查条件(一个必要、两个充分),刻画计算复杂度并验证其比直接SOCP求解更快,同时分析控制律的正则性。
2023-12-29 cs.SY eess.SY math.OC
Distributionally Robust CVaR-Based Safety Filtering for Motion Planning in Uncertain Environments
The University of Texas at Dallas(德克萨斯大学达拉斯分校)
本文针对不确定动态障碍物环境下的机器人运动规划安全问题,提出一种基于分布鲁棒优化计算安全半空间并结合类MPC安全滤波器的方案,以降低碰撞风险,并通过数值仿真验证其有效性与计算效率。
2023-09-16 cs.RO cs.SY eess.SY
Distributionally Robust Safety Under Arbitrary Uncertainties: A Safety Filtering Approach
本文研究如何在分布模糊性下确保非线性系统的概率安全,提出了一种基于备份的安全过滤框架,通过在高性能名义策略和认证备份策略之间切换来保证安全,并采用分布鲁棒方法处理任意不确定性,通过采样方法验证了方法的有效性。
2026-08-14 cs.RO cs.SY eess.SY
Sensor-Based Distributionally Robust Control for Safe Robot Navigation in Dynamic Environments
Contextual Robotics Institute, University of California San Diego(情境机器人研究所,加州大学圣地亚哥分校)
本文提出一种基于机载传感与分布鲁棒优化的DR-CBF方法,结合CLF实现动态未知环境中移动机器人的安全高效导航,并通过仿真与差速驱动机器人实验验证其有效性和鲁棒性。
2025-05-06 cs.RO cs.SY eess.SY
Distributionally Robust Safety Filter for Learning-Based Control in Active Distribution Systems
Chung-Ang University(中央大学)
针对 DRL 智能体在主动配电系统训练中可能违反运行约束的问题,提出通用 DRSF,将其构建为含机会约束的分布鲁棒优化问题,以最小动作修正实现近优控制与概率安全保证,并在 IEEE 33/123 节点系统中验证。
2023-07-31 cs.AI cs.SY eess.SY
Distributionally Robust Safe Motion Planning with Contextual Information
Department of Electrical Engineering, IIT Kharagpur(电子工程系,印度IIT Kharagpur)
本文提出一种基于条件核均值嵌入的分布鲁棒运动规划方法,将障碍物未来轨迹的条件分布嵌入RKHS并构造模糊集,从而在滚动时域规划中引入鲁棒避障约束,仿真验证其在多个挑战性场景下具有更高的避障成功率。
2025-09-23 cs.RO cs.SY eess.SY
Integrating Predictive Motion Uncertainties with Distributionally Robust Risk-Aware Control for Safe Robot Navigation in Crowds
University of California, Berkeley(加州大学伯克利分校)
针对人群中机器人安全导航时人类运动预测不确定性难融入控制的问题,提出分布鲁棒机会约束MPC方法,用分布鲁棒条件风险价值近似实现实时计算,经真实行人数据验证可高效安全导航。
2024-03-08 cs.RO cs.SY eess.SY
Quantification of Distributionally Robust Risk of Cascade of Failures in Platoon of Vehicles
本文提出分布鲁棒风险框架研究车辆队列中的级联故障,基于时延网络模型和双变量正态分布建立闭式风险公式,量化时延、噪声和通信图等影响,为设计安全鲁棒队列提供依据。
2023-09-10 cs.SY eess.SY
A dynamic game approach to distributionally robust safety specifications for stochastic systems
University of Southern California(南加州大学)
本文提出了一种新的安全规范方法,该方法对扰动概率分布的误差具有鲁棒性。通过动态博弈方法构建安全策略,识别非随机化马尔可夫策略最优的条件,并开发了一种在对扰动分布了解有限的情况下设计安全导向的随机控制器的方法,同时在概率意义上确保安全。
2017-01-31 cs.SY eess.SY math.OC
Distributionally Robust Cascading Risk in Multi-Agent Rendezvous: Extended Analysis of Parameter-Induced Ambiguity
Lehigh University(理海大学)
本文提出了一种分析多智能体会合中分布鲁棒级联风险的理论框架,通过引入条件分布鲁棒函数和闭合形式风险表达式,揭示了参数不确定性对集体安全的影响,并通过模拟验证了方法的有效性。
2025-11-25 cs.SY eess.SY
Distributionally Safe Reinforcement Learning under Model Uncertainty: A Single-Level Approach by Differentiable Convex Programming
Mississippi State University(密西西比州立大学)
针对Wasserstein分布偏移下的安全强化学习双层优化难题,提出基于对偶转换与可微凸规划的单层端到端框架,显著提升一阶和二阶系统的安全保证。
2023-10-03 cs.LG cs.RO cs.SY
Distributionally Robust Safety Verification of Neural Networks via Worst-Case CVaR
National Institute of Informatics(国立信息研究所)
本文将最坏情况CVaR整合到基于二次约束和半定规划的神经网络验证框架中,提出一种分布鲁棒且关注尾部风险的安全性验证方法,并通过数值实验验证其在控制系统可达性和分类任务中的有效性。
2025-09-22 cs.AI cs.LG cs.SY
Distributionally Robust Planning with $\mathcal{L}_1$ Adaptive Control
National Polytechnic University of Armenia(亚美尼亚国立理工大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);American University of Armenia(亚美尼亚美国大学);University of Michigan(密歇根大学)
本文提出DRP-$\mathcal{L}_1$AC框架,结合分布鲁棒模型预测控制与$\mathcal{L}_1$自适应控制,通过在线分布证书保证安全性和鲁棒性,无需分布样本即可处理系统和环境不确定性。
2026-04-22 cs.SY eess.SY
Wasserstein Distributionally Robust Adaptive Covariance Steering
针对受一般不确定性影响的非线性随机过程,提出基于$\text{L}_1$-自适应架构的Wasserstein分布鲁棒协方差转向控制方法,无需有限样本或先验模糊集即可保障控制安全。
2025-09-04 cs.SY eess.SY
Data-driven distributionally robust iterative risk-constrained model predictive control
本文考虑了一个风险约束的无限期最优控制问题,并提出了一种迭代求解的方法。算法的每次迭代通过实施分布式鲁棒风险约束模型预测控制(MPC)方案来生成从起始点到目标平衡态的轨迹。在每次迭代中,一组安全状态(以高概率满足风险约束)和一定数量的独立和相同分布的样本的不确定性管理的风险约束是可用的。这些状态和样本在先前的迭代中累积。安全状态被用作MPC方案中的终端约束,并且样本被用于构造一组分布,称为模糊集,使得它包含具有高概率的不确定性的潜在分布。每次迭代中的风险约束要求对模糊度集中的所有分布都成立。我们建立我们的迭代过程中产生的轨迹是可行的,安全的,并渐近收敛到平衡。仿真例子说明了我们的结果的情况下,找到一个风险约束路径的移动机器人在存在不确定的障碍。
2021-11-25 cs.SY eess.SY math.OC
Wasserstein distributionally robust risk-constrained iterative MPC for motion planning: computationally efficient approximations
针对迭代MPC结合分布鲁棒风险约束的运动规划问题计算量随迭代升高的问题,提出数据聚类调整模糊集和预确定DR安全区域两种高效近似方法,保证安全性的同时降低实时计算负担。
2023-10-06 cs.SY eess.SY math.OC
Towards Integrated Perception and Motion Planning with Distributionally Robust Risk Constraints
在不确定和动态的环境中安全部署机器人需要系统地考虑各种风险,包括从感知到运动规划和控制的自主堆栈中的层内和层间的风险。许多广泛使用的运动规划算法没有充分地结合固有的感知和预测不确定性,通常完全忽略它们或做出可疑的高斯假设。我们提出了一个分布式鲁棒增量采样为基础的运动规划框架,明确和连贯地结合感知和预测的不确定性。我们设计了输出反馈政策,并考虑基于矩的模糊集的分布,以执行概率避碰约束下的最坏情况下的模糊集中的分布。我们的解决方案的方法,称为输出反馈分布鲁棒$RRT^{*}$(OFDR- $RRT^{*})$),产生渐近最优的风险有界的轨迹机器人在动态,杂乱,和不确定的环境中,明确纳入映射和定位误差,随机过程干扰,不可预测的障碍物运动,和不确定的障碍物位置。数值实验表明了该算法的有效性。
2020-02-07 cs.SY eess.SY
Distributionally Robust Cascading Risk Quantification in Multi-Agent Rendezvous: Effects of Time Delay and Network Connectivity
针对多智能体会合任务的安全挑战,提出分布鲁棒级联风险分析框架,用时延网络模型结合双变量正态分布推导闭式风险表达式,揭示多因素对风险的影响,为弹性网络设计提供依据并经仿真验证有效。
2025-07-31 cs.SY eess.SY
Grid-Interactive Thermal Management of AI Data Centers via Contextual Distributionally Robust Optimization
针对AI数据中心突发工作负载和不确定热量生成导致的热违规问题,提出情境分布鲁棒优化(CDRO)框架,通过动态调整Wasserstein半径实现电网交互冷却控制,在极端负载下实现近零热违规,并将鲁棒性成本溢价降低约13.7个百分点。
2026-07-02 cs.SY eess.SY
Data-driven distributionally robust MPC using the Wasserstein metric
提出了一种基于分布鲁棒优化的数据驱动MPC方案,用于安全控制约束随机线性系系统。基于Wasserstein度量的分布鲁棒约束被施加到存在过程扰动的状态约束违反。一个反馈控制法律解决,以保证预测的状态符合约束。关于Wasserstein球内以其离散经验概率分布为中心的最坏情况分布,满足随机约束。所得到的分布式鲁棒MPC框架是计算上易处理的和高效的,以及递归可行的。这种方法的创新之处在于,所有关于不确定性的信息都可以从数据中凭经验确定。通过数值算例验证了该方法的有效性。
2021-05-18 cs.SY eess.SY math.OC
Safety Screening for Voltage Control in Active Distribution Grids via Distributionally Robust Conformal Screening
RWTH Aachen University(亚琛工业大学);Technical University of Denmark(丹麦技术大学)
针对主动配电网新电压控制策略预部署的安全评估难点,提出DR-CSS框架,经IEEE标准节点系统实验验证可识别所有不安全场景,支持更安全的策略部署决策。
2026-09-01 cs.AI cs.LG cs.SY
Distributionally robust risk map for learning-based motion planning and control: A semidefinite programming approach
Seoul National University(首尔国立大学);Automation and Systems Research Institute(自动化与系统研究所)
本文提出了一种新的安全规范工具,称为分布式鲁棒风险地图(DR风险地图),在学习环境中运行的移动机器人。给定机器人的位置,该地图旨在可靠地评估与障碍物碰撞的条件风险值(CVaR),障碍物的运动由高斯过程回归(GPR)推断。不幸的是,推断的分布是受误差,使得难以准确地评估碰撞的CVaR。为了克服这一挑战,该工具在所谓的模糊性集合中测量最坏情况分布下的风险,该模糊性集合表征了允许的分布误差。为了解决无限维问题固有的DR-风险图的建设,我们推导出一个易于处理的半定规划公式,提供了一个上限的风险,利用现代分布鲁棒优化技术。作为运动规划的一个具体应用,一个分布式鲁棒RRT* 算法被认为是使用的风险地图,解决由GPR造成的分布错误。此外,运动控制方法的设计使用DR风险图在基于学习的模型预测控制(MPC)制定。特别地,提出了风险图的神经网络近似,以减少求解MPC问题的计算成本。建议的风险地图的性能和实用性证明,通过模拟研究,显示其能力,以确保移动机器人的安全,尽管学习错误。
2021-05-03 cs.RO cs.SY eess.SY
Data-Driven Distributionally Robust Safety Verification Using Barrier Certificates and Conditional Mean Embeddings
School of Computing, Newcastle University(纽卡斯尔大学计算机学院);Imperial College London(帝国理工学院);Max Planck Institute for Software Systems(马克斯·普朗克软件系统研究所)
本文提出一种数据驱动的分布鲁棒安全性验证方法,利用屏障证书和条件均值嵌入,无需精确模型,通过平方和优化高效求解,降低样本复杂度。
2024-03-15 cs.LG cs.SY eess.SY
Residual-Aware Distributionally Robust EKF: Absorbing Linearization Mismatch via Wasserstein Ambiguity
Department of Mechanical Science and Engineering, Grainger College of Engineering, University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校格雷格工程学院机械科学与工程系);Department of Electrical and Computer Engineering and Automation and Systems Research Institute, Seoul National University(首尔国立大学电气与计算机工程系及自动化与系统研究所);Center for Scientific Innovation and Education and the National Polytechnic University of Armenia(亚美尼亚国立理工大学科学创新与教育中心)
本文提出一种残差感知的分布鲁棒扩展卡尔曼滤波,通过瓦瑟斯坦模糊性框架同时解决噪声模型不匹配和线性化误差问题,提供可计算的有效半径和确定性误差界。
2026-04-03 cs.SY eess.SY
Distributionally Robust Stochastic Data-Driven Predictive Control with Optimized Feedback Gain
针对部分观测未知随机LTI系统,提出可优化仿射反馈增益、用CVaR处理安全约束的分布鲁棒数据驱动预测控制,并证明其与模型基随机预测控制等价。
2024-09-11 cs.SY eess.SY
Iterative risk-constrained model predictive control: A data-driven distributionally robust approach
本文提出迭代分布鲁棒MPC方案求解带风险约束的无限时域最优控制问题,通过累积数据逐步优化轨迹代价与安全性,证明了递归可行性与收敛性,并给出可计算重构与仿真验证。
2023-08-22 cs.SY eess.SY math.OC
Distributionally Robust Acceleration Control Barrier Filter for Efficient UAV Obstacle Avoidance
University of Klagenfurt(克拉根福大学)
本文提出分布鲁棒加速控制屏障函数(DR-ACBF)用于高效无人机避障,通过考虑动态和延迟的清晰度处理延迟、执行器限制和障碍物加速度,利用Cantelli紧缩和DR-CVaR提前触发提高安全性,实现实时执行。
2026-03-26 cs.SY eess.SY
Path Planning Using Wassertein Distributionally Robust Deep Q-learning
Lund University(隆德大学)
本文从深度强化学习和分布鲁棒优化的角度研究了风险规避机器人路径规划问题。我们的问题制定涉及到建模的机器人作为一个随机线性动力系统,假设收集的过程噪声样本是可用的。我们投风险规避运动规划问题作为一个马尔可夫决策过程,并提出了一个连续的奖励函数设计,明确考虑到与障碍物碰撞的风险,同时鼓励机器人的运动目标。我们通过Lipschitz近似Wasserstein分布鲁棒深度Q学习来学习风险规避机器人控制动作,以对冲噪声不确定性。学习的控制动作导致从源到目标的安全和风险规避轨迹,避免所有障碍物。各种支持的数值模拟来证明我们所提出的方法。
2022-11-04 cs.RO cs.SY eess.SY
Wasserstein Distributionally Robust Control Barrier Function using Conditional Value-at-Risk with Differentiable Convex Programming
Mississippi State University(密西西比州立大学)
本文提出分布鲁棒控制屏障函数DR-CBF,通过单层凸重构估计Wasserstein分布偏移下的CVaR,并利用可微凸规划实现前向不变性,在保持计算效率的同时提升安全控制器对分布偏移的鲁棒性。
2023-09-15 cs.LG cs.RO cs.SY
Distributionally Robust Infinite-horizon Control: from a pool of samples to the design of dependable controllers
针对仅具备不确定性部分统计信息的受约束线性系统,提出基于Wasserstein歧义集的分布鲁棒无限时域控制方法,结合凸规划新结果与系统级参数化将问题转化为半定规划,验证了方法有效性与经验分布的价值。
2024-07-11 cs.SY eess.SY math.OC
Distributionally robust minimization in meta-learning for system identification
IDSIA Dalle Molle Institute for Artificial Intelligence USI-SUPSI(IDSIA达摩斯人工智能研究所USI-SUPSI)
本文提出在系统辨识的元学习中使用分布鲁棒优化,优先处理高损失任务以增强最坏情况性能,减少安全关键应用中的失败。
2025-06-22 cs.AI cs.LG cs.SY
Data-Driven Distributionally Robust Mitigation of Risk of Cascading Failures
提出一种数据驱动的分布鲁棒有限时域最优控制方法,通过求解DRMPC问题的凸公式,在输入时间延迟下有效缓解LTI系统的级联失效风险并维持性能。
2023-10-18 cs.SY eess.SY math.OC
Feasibility-Guided Safety-Aware Model Predictive Control for Jump Markov Linear Systems
针对跳跃马尔可夫线性系统的模式不确定性与安全控制问题,提出可行性引导的安全感知MPC框架,结合控制屏障函数实现有限时域安全,实验验证其提升了系统安全性与性能。
2024-09-15 cs.SY eess.SY
Risk-Sensitive Orbital Debris Collision Avoidance using Distributionally Robust Chance Constraints
University of California Berkeley(加州大学伯克利分校)
针对非线性轨道动力学下非高斯分布碰撞概率难以准确评估和计算的问题,提出一种基于条件风险价值(CVaR)近似的分布鲁棒机会约束避碰算法,在有限分布信息下保证安全并实现计算可处理。
2024-12-23 cs.RO cs.SY eess.SY
A distributionally robust optimization approach to two-sided chance constrained stochastic model predictive control with unknown noise distribution
针对双边机会约束离散线性系统受加性噪声干扰的问题,提出了一种分布鲁棒随机模型预测控制(DR-SMPC)算法.处理双边机会约束的普遍机制是所谓的风险分配方法,该方法通过应用布尔不等式将双边机会约束保守地近似为两个单机会约束。在这个建议的DR-SMPC框架中,一个精确的易处理的二阶锥(SOC)的方法是通过考虑噪声的一阶和二阶矩抽象的双边机会约束。所提出的DR-SMPC算法能够保证违反安全约束的上限和下限的最坏情况下的概率是在预先指定的最大概率(PsMP)。通过灵活地调整该PsMP,可以增加SMPC问题的初始状态的可行域。通过引入标称状态的二进制初始化策略,严格证明了DR-SMPC的递归可行性和收敛性。两个实际案例的仿真研究进行了证明所提出的DR-SMPC算法的有效性。
2022-03-16 cs.SY eess.SY
Distributionally Robust PAC-Bayesian Control
本文提出一种分布鲁棒的PAC-Bayesian框架,用于验证基于学习的有限时间 horizon 控制器性能。通过结合PAC-Bayes泛化理论和基于类型1 Wasserstein距离的分布鲁棒优化,解决无界损失和环境分布偏移问题,提供高概率安全证书。
2026-04-12 cs.LG cs.SY eess.SY
Learning-based distributionally robust motion control with Gaussian processes
Seoul National University(首尔国立大学)
安全是基于学习的机器人和自主系统中的一个关键问题,因为有关其环境的学习信息通常不可靠且不准确。在本文中,我们提出了一个风险意识的运动控制工具,是强大的对错误的学习分布信息与未知动态的障碍物移动。我们的模型预测控制(MPC)方法的显着特点是它的能力,限制不安全的风险,即使当真正的分布偏离高斯过程(GP)回归估计的分布,在一个模糊集。不幸的是,分布鲁棒MPC问题与GP是棘手的,因为最坏情况下的风险约束涉及到一个无限维的模糊集的优化问题。为了消除无限维的问题,我们开发了一个系统的重构方法,利用现代分布鲁棒优化技术。我们的方法的性能和效用,通过使用非线性汽车自动驾驶模型的模拟证明。
2020-03-05 cs.RO cs.SY eess.SY
Distributionally Robust Surrogate Optimal Control for High-Dimensional Systems
本文提出了一种新的方法,可追溯地解决最优控制和离线强化学习问题的高维系统。这项工作的动机是不断挑战的安全性,计算和高维最优控制的最优性。我们通过以下方法来解决这些关键问题。首先,我们确定了一个序列建模代理方法,作为输入的初态和控制输入的时间序列,并输出近似的目标函数和轨迹的约束函数。重要的是,这种方法完全吸收了单个状态转换动态。仅依赖于初态意味着我们可以应用降维来压缩模型输入,同时保留其大部分信息。代理目标的不确定性会影响结果的最优性。然而,至关重要的是,代理约束函数中的不确定性将导致不可行性,即不安全的动作。当考虑离线强化学习时,最显著的建模误差将出现在分布外的数据上。因此,我们将Wasserstein模糊集应用于基于测试数据残差分布的最坏情况样本外建模误差的“鲁棒性”代理建模方法。我们证明了这种组合方法的有效性,通过一个案例研究的安全最佳快速充电的高维锂离子电池模型在低温下。
2022-07-04 cs.SY eess.SY math.OC
Distributionally Consistent Simulation of Naturalistic Driving Environment for Autonomous Vehicle Testing
University of Michigan(密歇根大学);University of Michigan Transportation Research Institute(密歇根大学交通研究所)
微观交通仿真为自动驾驶汽车(AV)提供了一个可控、可重复和高效的测试环境。为了无偏地评价无人驾驶汽车的安全性能,模拟自然驾驶环境(NDE)中的环境统计量的概率分布需要与真实驾驶环境中的环境统计量的概率分布一致。然而,尽管人类驾驶行为在交通工程领域已经得到了广泛的研究,但现有的大多数模型都是针对交通流分析而开发的,没有考虑驾驶行为的分布一致性,这可能会导致严重的评价偏差。为了填补这一研究空白,本文提出了一个分布式一致性无损检测建模框架。利用大规模的自然驾驶数据,获得经验分布,构建不同条件下的随机人类驾驶行为模型。为了解决仿真过程中的误差积累问题,进一步设计了一种基于优化的方法来细化经验行为模型。具体而言,车辆状态的演变被建模为马尔可夫链,其平稳分布被扭曲,以匹配来自现实世界的驾驶环境的分布。在多车道高速公路驾驶模拟的案例研究中,该框架进行了评估,其中所生成的NDE的分布精度进行了验证,并有效地评估了AV模型的安全性能。
2022-07-02 cs.RO cs.SY eess.SY
Data-Driven Risk-sensitive Model Predictive Control for Safe Navigation in Multi-Robot Systems
Indian Institute of Technology (IIT) Kharagpur(印度理工学院卡拉格普尔分校)
安全导航是多机器人系统中的一个基本挑战,这是由于机器人未来轨迹的不确定性,这些机器人相互之间充当障碍物。在这项工作中,我们提出了一个原则性的数据驱动的方法,每个机器人反复解决有限的地平线优化问题,避免碰撞的约束,后者被制定为分布式强大的条件风险值(CVaR)的代理和多面体障碍几何之间的距离。具体而言,CVaR约束要求对所有接近经验分布的分布都成立,该经验分布是从执行期间收集的预测误差的观察样本构建的。该方法的一般性使我们能够鲁棒性地对抗在分布式和分散式设置中通常施加的假设下产生的预测误差。我们推导出易于处理的有限维近似这类约束,利用凸和极大极小对偶结果Wasserstein分布鲁棒优化问题。在Gazebo平台上实现的多无人机导航环境中说明了所提出方法的有效性。
2022-09-16 cs.RO cs.SY eess.SY
Adversarially and Distributionally Robust Virtual Energy Storage Systems via the Scenario Approach
Eindhoven University of Technology(埃因霍温理工大学);Polytechnic of Bari(巴里理工大学);Technical University of Delft(代尔夫特理工大学)
本文提出一种数据驱动的调度框架,通过停车场管理者与零售商互动,提供虚拟能源存储服务,并在不确定的电动车离场和电池状态限制下,实现经济性能与操作安全性的平衡。
2026-04-09 cs.LG cs.SY eess.SY
Data-driven Safe Control of Linear Systems Under Epistemic and Aleatory Uncertainties
考虑了在认知和偶然不确定性下约束线性系统的安全控制问题。偶然的不确定性表征随机噪声,并由概率分布函数(PDF)和认知的不确定性表征缺乏知识的系统动力学。基于数据的概率安全控制器设计的情况下,噪声PDF是1)零均值高斯与已知的协方差,2)零均值高斯与不确定的协方差,和3)零均值非高斯与未知的分布。通过引入概率压缩集,为第一种情况提供了易于检查的基于模型的条件,以保证概率安全。这些结果,然后扩展到第二和第三种情况下,分别利用分布鲁棒概率安全控制和条件风险值(CVaR)为基础的概率安全控制。然后考虑这些概率安全控制器的基于数据的实现。结果表明,直接学习一个安全控制器的数据丰富性的要求是相当弱的数据丰富性的要求,基于模型的安全控制方法,进行模型识别。此外,上界的最小风险水平,在此情况下,一个安全的控制器的存在是有保证的,学习使用收集的数据。最后通过仿真实例验证了该方法的有效性。
2022-10-27 cs.SY eess.SY
Efficient Probabilistic Planning with Maximum-Coverage Distributionally Robust Backward Reachable Trees
Laboratory for Information and Decision Systems, Massachusetts Institute of Technology(信息与决策系统实验室,麻省理工学院);Draper, Cambridge MA 02139(Draper,剑桥MA 02139)
本文提出两种针对线性高斯系统的多查询运动规划算法,利用分布鲁棒后向可达树和新型模糊集公式,实现高概率到达目标区域,并证明在特定条件下达到最大或更优覆盖,通过仿真验证有效性。
2025-10-06 cs.RO cs.SY eess.SY
Risk-Aware Wasserstein Distributionally Robust Control of Vessels in Natural Waterways
University of Seville(塞维利亚大学);Seoul National University(首尔国立大学)
针对自然内河航道中自主船舶航行的不确定性挑战,本研究提出了一种风险感知的Wasserstein分布鲁棒模型预测控制方法,通过随机多面体建模和最坏情况风险约束有效避免搁浅事故,提升了有限数据下的航行安全性与鲁棒性。
2023-10-21 cs.RO cs.SY eess.SY
Collaborative-Online-Learning-Enabled Distributionally Robust Motion Control for Multi-Robot Systems
School of Automation and Intelligent Sensing, Shanghai Jiao Tong University, Shanghai, China(自动化与智能感知学院,上海交通大学,上海,中国);Department of Mechanical Engineering, University of Victoria, Victoria, Canada(机械工程系,维多利亚大学,维多利亚,加拿大)
本文提出一种基于协同在线学习的分布鲁棒多机器人运动控制方法,通过构建模糊集并优化轨迹生成,实现碰撞避免和长期跟踪性能保障。
2026-02-07 cs.RO cs.SY eess.SY
Addressing Behavior Model Inaccuracies for Safe Motion Control in Uncertain Dynamic Environments
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Mercer University(默瑟大学)
本文提出SIED-MPC算法,通过模型置信度评估协同整合SSIE与DR-MPC,利用无偏状态估计定义模糊半径以处理预测分布偏移,在自动驾驶仿真中降低了碰撞率且平均计算时间缩短54%。
2024-07-26 cs.RO cs.SY eess.SY
Fractional Risk Analysis of Stochastic Systems with Jumps and Memory
University of Southern California(南加州大学);Carnegie Mellon University(卡内基梅隆大学)
本文提出一种空间和时间分数偏微分方程,用于刻画具有非对称Levy跳跃和记忆的随机系统的长期安全和恢复概率,通过物理指导学习高效求解分数偏微分方程以实现准确的风险预测。
2026-04-03 cs.SY eess.SY math.OC
$\mathcal{L}_1$-DRAC: Distributionally Robust Adaptive Control
针对数据驱动控制鲁棒性不足、与经典鲁棒自适应控制融合难且结果保守的问题,提出L₁分布鲁棒自适应控制方法,借助Wasserstein模糊集应对两类不确定性,提供有限时间与最大分布偏差的鲁棒性保证。
2025-09-04 cs.SY eess.SY math.DS
U-OBCA: Uncertainty-Aware Optimization-Based Collision Avoidance via Wasserstein Distributionally Robust Chance Constraints
School of Automation and Intelligent Sensing, Shanghai Jiao Tong University(自动化与智能感知学院,上海交通大学);Institute of Medical Robotics, Shanghai Jiao Tong University(医学机器人研究所,上海交通大学);Key Laboratory of System Control and Information Processing, Ministry of Education of China(教育部系统控制与信息处理重点实验室);Shanghai Engineering Research Center of Intelligent Control and Management, Shanghai(智能控制与管理上海工程研究中心)
U-OBCA通过引入Wasserstein分布鲁棒机会约束,提升机器人在狭窄环境中的导航效率和轨迹规划的保守性
2026-03-05 cs.RO cs.SY eess.SY
SAFE-IMM: Robust and Lightweight Radar-Based Object Tracking on Mobile Platforms
University of Klagenfurt(克拉根福大学)
SAFE-IMM是一种轻量级IMM变体,用于在移动和资源受限平台上实现鲁棒且高效的雷达目标跟踪,通过安全协方差感知门确保在跳跃可证明有界时才进行胜者通吃,提升跟踪精度和稳定性。
2026-02-12 cs.SY eess.SY
DRCC-LPVMPC: Robust Data-Driven Control for Autonomous Driving and Obstacle Avoidance
Binghamton University(宾汉姆顿大学);Syracuse University(雪城大学);Chongqing Normal University(重庆师范大学)
本文提出DRCC-LPVMPC框架,通过处理模型偏差和不确定性,提升自动驾驶中的安全性和可靠性。
2026-03-15 cs.SY eess.SY