On Model Predictive Path Following and Trajectory Tracking for Industrial Robots
Norwegian University of Science and Technology（挪威科技大学）；SINTEF DIGITAL（SINTEF数字研究所）
在这篇文章中，我们将展示如何模型预测路径跟踪控制器允许机器人机械手停止在障碍物的方式，模型预测轨迹跟踪控制器不能。我们提出了这两个控制器应用于机器人机械手，模拟两连杆机械手使用内点求解器，考虑离散化的最优控制问题，使用配置或龙格库塔，并讨论我们的实施模型预测路径跟踪控制器的实时可行性。
2017-03-07 cs.RO
Differentiable Predictive Control for Robotics: A Data-Driven Predictive Safety Filter Approach
University of California Berkeley（加州大学伯克利分校）；Pacific Northwest National Laboratory（太平洋西北国家实验室）；University of Bristol（布里斯托尔大学）
本文提出基于相对阶的系统分解技术、基于DPC训练数据集的安全集生成技术和事件触发预测安全滤波器，解决可微预测控制（DPC）在条件数差时表现不佳及缺乏安全性保证的问题，在四旋翼实验中实现与MPC相当的性能，计算时间最多减少三个数量级且满足未训练场景的安全要求。
2024-09-20 cs.RO
Differentiable Predictive Control with Safety Guarantees: A Control Barrier Function Approach
Pacific Northwest National Laboratory（太平洋西北国家实验室）；Battelle Memorial Institute（巴特尔纪念研究所）
提出了一种基于控制障碍函数的具有安全性和鲁棒性保证的微分预测控制方法。DPC是一种基于无监督学习的方法，用于获得显式模型预测控制（MPC）问题的近似解。在DPC中，由神经网络参数化的预测控制策略通过MPC问题的自动微分获得的直接策略梯度离线优化。所提出的方法利用一种新形式的采样数据障碍函数，以执行离线和在线的DPC设置的安全要求，同时只中断基于神经网络的控制器附近的边界的安全集。仿真结果表明了该方法的有效性。
2022-08-03 cs.LG cs.SY eess.SY
Towards Using Fast Embedded Model Predictive Control for Human-Aware Predictive Robot Navigation
University of Stuttgart（斯图加特大学）；Bosch Corporate Research（博世公司研究部门）；ARENA2036 e.V.（ARENA2036 e.V.研究园区）
本文提出 HuMAN-MPC 算法，通过基于序列二次规划实时迭代的快速嵌入式 MPC 与可行性监测，实现密集人群中主动、清晰且可实时扩展的人类感知机器人导航。
2024-05-21 cs.RO
Accelerated gradient descent for high frequency Model Predictive Control
New York University（纽约大学）
本文研究了一阶方法在机器人 Model Predictive Control 中的有效性，证明在力矩控制机械臂上其性能可媲美二阶方法，为高频控制提供了更易实现的求解方案。
2024-09-26 cs.RO
Model Predictive Control with Gaussian-Process-Supported Dynamical Constraints for Autonomous Vehicles
Technical University of Darmstadt（达姆施塔特工业大学）；Otto-von-Guericke University Magdeburg（马格德堡奥托·冯·格里克大学）
我们提出了一种自动驾驶汽车的模型预测控制方法，该方法利用学习的高斯过程来预测人类的驾驶行为。所提出的方法采用GP的预测，以实现安全的不确定性。多模式预测控制方法考虑人类驾驶员的可能意图。虽然意图由不同的高斯过程表示，但其在所观察到的行为中预见的概率由合适的在线分类确定。低于某个概率阈值的意图被忽略以提高性能。所提出的多模式模型预测控制方法与高斯过程回归支持，使重复的可行性和概率约束满足高概率。该方法强调在模拟中，考虑现实世界的测量训练高斯过程。
2023-03-08 cs.LG cs.RO cs.SY
Model Hierarchy Predictive Control of Robotic Systems
University of Notre Dame（圣母大学）
这封信提出了一种新的预测控制结构的高维机器人系统。相对于传统的模型预测控制（MPC）的方法来制定一个层次序列的优化问题的运动，所提出的工作制定了一个单一的优化问题提出了一个层次的模型，因此被命名为模型层次预测控制（MHPC）。MHPC被公式化为多阶段滚动时域轨迹优化（TO）问题，并且可以使用任何通用的多阶段TO求解器来实现。MHPC在四足动物、双足动物和四旋翼动物的模拟中进行了基准测试，证明了与全身MPC相当或超过全身MPC的控制性能，同时在每种情况下保持较低的计算成本。在MIT Mini Cheetah上进行了初步的间隙跳跃实验，离线生成的控制策略，证明了生成的轨迹的物理有效性，并激励在线MHPC在未来的工作中。
2021-05-11 cs.RO
Safety-Critical Model Predictive Control with Discrete-Time Control Barrier Function
University of California, Berkeley（加利福尼亚大学伯克利分校）
机器人系统的最优性能通常是在状态和输入界的极限附近实现的。模型预测控制（MPC）是处理这些操作约束的流行策略，然而，安全性仍然是MPC的公开挑战，因为它需要保证系统保持在不变集内。为了获得安全的最佳性能的背景下的集合不变，我们提出了一种安全关键的模型预测控制策略，利用离散时间控制障碍函数（CBF），保证系统的安全性，并通过模型预测控制实现最佳性能。我们分析了我们的控制设计的稳定性和可行性。我们验证了我们的方法的属性上的二维双积分器避障模型。我们还验证了算法数值上使用的竞争激烈的赛车的例子，自我车能够超越其他赛车。
2021-03-23 cs.RO cs.SY eess.SY
Robust Model Predictive Control for Autonomous Vehicles/Self Driving Cars
本文提出一种用于自主车辆前轮控制的鲁棒模型预测控制方法，通过权重调整和在线线性化技术提升控制鲁棒性，并讨论各方法在精度和计算负载上的有效性。
2018-05-22 cs.RO cs.SY eess.SY
An experimental study of two predictive reinforcement learning methods and comparison with model-predictive control
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）
强化学习（RL）已经成功地应用于各种仿真和计算机游戏中。工业相关的应用，如自主移动机器人运动控制，对RL来说有些挑战。本文提出了一种最佳的移动机器人运动控制的预测RL控制器的实验评估。作为比较的基准，使用模型预测控制（MPC）。测试了两种RL方法：推出Q学习，其可以被认为是终端成本为Q函数近似的MPC，以及所谓的堆叠Q学习，其又类似于运行成本代替Q函数近似的MPC。实验的基础是一个移动机器人与差动驱动器（Robotis Turtlebot 3）。实验结果表明，两种RL方法在累积成本方面都优于基线，而堆叠变体表现最好。提供了一系列以前的工作堆叠Q学习，这个特殊的研究支持的想法，MPC与运行成本自适应的启发Q学习具有潜在的性能提升，同时保持良好的性能MPC。
2021-08-23 cs.RO math.DS
Model Predictive Path Integral Control using Covariance Variable Importance Sampling
Georgia Institute of Technology（佐治亚理工学院）
本文提出基于广义重要性采样方案的模型预测路径积分控制算法，利用GPU进行并行优化，改进了随机扩散过程的漂移和扩散项，通过仿真与差分动态规划的模型预测控制进行比较。
2015-10-28 cs.DC cs.RO cs.SY
Learning References with Gaussian Processes in Model Predictive Control applied to Robot Assisted Surgery
Otto-von-Guericke Univ. Magdeburg（马格德堡奥托·冯·格里克大学）；Fraunhofer-Institute for Factory Operation and Automation（弗劳恩霍夫工厂运营与自动化研究所）
模型预测控制的主要优点之一是能够主动控制系统，考虑到未来的系统演化。然而，往往外部干扰或参考是不是一个先验已知的，这使得预测控制器短视或不知情。自适应预测模型可以用来克服这个问题，并为控制器提供这些信号的预测。在这项工作中，我们建议通过高斯过程学习参考模型预测控制器。为了说明这种方法，我们考虑机器人辅助手术，其中机器人操纵器需要根据光学跟踪测量来跟随学习的参考位置。
2019-11-25 cs.RO cs.SY eess.SY
Optimal-Horizon Model-Predictive Control with Differential Dynamic Programming
Georgia Institute of Technology（佐治亚理工学院）
我们提出了一种算法，基于微分动态规划框架，处理轨迹优化问题，其中的地平线是在线确定的，而不是固定的先验。该算法对线性、二次、时不变问题都具有精确的一步收敛性，对实时非线性模型预测控制也有足够快的收敛速度。我们显示推导的非线性算法在离散时间的情况下，并将此算法应用于各种非线性问题。最后，我们展示了最优时域模型预测控制方案与标准MPC控制器相比在平面机器人避障问题上的功效。
2021-11-17 cs.RO cs.SY eess.SY
Comparison of Model Predictive and Reinforcement Learning Methods for Fault Tolerant Control
Vanderbilt University（范德堡大学）；Institute of Software Integrated Systems, Vanderbilt University（范德堡大学软件集成系统研究所）
容错控制器的一个理想的属性是适应系统的变化，因为它们在系统运行过程中演变。自适应控制器不需要枚举可能的故障的最优控制策略。相反，它可以实时近似一个。针对离散时间系统，提出了两种基于递阶强化学习的自适应容错控制方案。我们比较它们的性能对模型预测控制器存在传感器噪声和持续故障。在C-130飞机的油箱模型上对控制器进行了测试。我们的实验表明，基于强化学习的控制器比模型预测控制器在故障，部分可观测系统模型和不同的传感器噪声水平下表现得更鲁棒。
2020-08-10 cs.AI cs.LG cs.SY
Observed Control - Linearly Scalable Nonlinear Model Predictive Control with Adaptive Horizons
Colorado School of Mines（科罗拉多矿业学院）
本文提出观测控制方法，利用状态估计与模型预测控制的对偶性，以线性时域可扩展性高效计算控制动作，并通过卡尔曼平滑器及非线性滤波器扩展实现自适应时域和任意时域控制。
2026-09-23 cs.RO cs.SY eess.SY
Adaptive Nonlinear Model Predictive Control for a Real-World Labyrinth Game
ETH Zurich（苏黎世联邦理工学院）
针对真实世界迷宫游戏问题，提出分两层的自适应非线性模型预测控制方法，引入自适应约束并学习迷宫表面不规则性地图，可处理干扰与模型误差，性能优于经典方法。
2025-02-10 cs.RO cs.SY eess.SY
Adaptive Model Predictive Control of Wheeled Mobile Robots
University of California at Berkeley（加州大学伯克利分校）
本文提出了一种基于自适应模型预测控制（AMPC）框架的控制算法，用于引导具有未知惯量的两轮移动机器人到达期望点和方向。将两轮移动机器人建模为具有非完整运动学约束的刀刃或冰鞋，并采用拉格朗日方法推导了其动力学方程。在每个时刻的输入是从模型预测控制（MPC）获得的，其中具有使用递归最小二乘算法更新的一组标称参数。最后通过数值仿真验证了算法的有效性。
2022-01-03 cs.AI cs.RO cs.SY
Simple and Scalable Predictive Uncertainty Estimation using Deep Ensembles
DeepMind
深度神经网络（NN）是功能强大的黑盒预测器，最近在广泛的任务上取得了令人印象深刻的性能。量化神经网络中的预测不确定性是一个具有挑战性且尚未解决的问题。贝叶斯神经网络学习权重分布，是目前估计预测不确定性的最先进方法;然而，与标准（非贝叶斯）神经网络相比，这些方法需要对训练过程进行重大修改，并且计算成本很高。我们提出了一种替代贝叶斯神经网络，是简单的实现，易于并行化，需要很少的超参数调整，并产生高质量的预测不确定性估计。通过对分类和回归基准的一系列实验，我们证明了我们的方法可以产生校准良好的不确定性估计，这些估计与近似贝叶斯神经网络一样好或更好。为了评估对数据集偏移的鲁棒性，我们评估了已知和未知分布的测试示例的预测不确定性，并表明我们的方法能够在分布外的示例中表达更高的不确定性。我们通过评估ImageNet上的预测不确定性估计来证明我们方法的可扩展性。
2017-11-04 cs.LG stat.ML
Density Regression and Uncertainty Quantification with Bayesian Deep Noise Neural Networks
University of Pennsylvania（宾夕法尼亚大学）；Purdue University（普渡大学）；University of Michigan（密歇根大学）
深度神经网络（DNN）模型在广泛的监督学习应用中实现了最先进的预测精度。然而，准确量化DNN预测中的不确定性仍然是一项具有挑战性的任务。对于连续的结果变量，一个更困难的问题是估计预测密度函数，它不仅提供了预测不确定性的自然量化，而且还完全捕获了结果中的随机变化。在这项工作中，我们提出了贝叶斯深度噪声神经网络（B-DeepNoise），它通过将随机噪声变量从输出层扩展到所有隐藏层来推广标准贝叶斯DNN。潜在的随机噪声使B-DeepNoise能够灵活地近似高度复杂的预测分布，并准确量化预测的不确定性。对于后验计算，B-DeepNoise的独特结构导致了一种封闭形式的Gibbs采样算法，该算法从模型参数的后验全条件分布迭代模拟，从而规避了计算密集型Metropolis-Hastings方法。B-DeepNoise的理论分析建立了预测分布的递归表示，并分解了关于潜在参数的预测方差。我们在基准回归数据集上对B-DeepNoise与现有方法进行了评估，证明了其在预测精度、不确定性量化精度和不确定性量化效率方面的卓越性能。为了说明我们的方法在科学研究中的有用性，我们在青少年大脑认知发展（ABCD）项目中应用B-DeepNoise来预测神经成像特征的一般智力。
2022-06-12 cs.LG stat.ML
Semi-supervised Deep Kernel Learning: Regression with Unlabeled Data by Minimizing Predictive Variance
Stanford University（斯坦福大学）
训练深度学习模型通常需要大量标记数据。然而，对于许多现实问题，获取额外的数据可能是昂贵的，甚至是不可能的。我们提出了半监督深度核学习（SSDKL），这是一种基于后验正则化框架中最小化预测方差的半监督回归模型。SSDKL将神经网络的分层表示学习与高斯过程的概率建模能力相结合。通过利用未标记的数据，我们展示了对各种现实回归任务的改进，这些任务优于有监督的深度内核学习和半监督方法，如适用于回归的VAT和平均教师。
2019-03-04 cs.AI cs.LG stat.ML
Evaluating High-Order Predictive Distributions in Deep Learning
DeepMind（深度思维）
监督学习研究的大部分工作都集中在边际预测上。在决策问题中，联合预测分布对于良好的性能至关重要。以前的工作已经开发了用于评估低阶预测分布与输入采样i.i.d.从测试分布。通过低维输入，这些方法将有效估计不确定性的代理与不估计不确定性的代理区分开来。我们建立了这种分化所需的预测分布的顺序大大增加与输入尺寸，使这些方法不切实际。为了适应高维输入，我们引入了\textit{dyadic sampling}，它专注于与随机输入\textit{pairs}相关的预测分布。我们证明，这种方法有效地区分代理商在高维的例子，涉及简单的逻辑斯谛回归以及复杂的合成和经验数据。
2022-02-28 cs.AI cs.LG stat.ML
Deep Learning for Predictive Business Process Monitoring: Review and Benchmark
Universidade de Santiago de Compostela（圣地亚哥-德孔波斯特拉大学）
业务流程的预测性监控涉及对业务流程上正在进行的案例的预测。最近，深度学习技术的流行促进了一组不断增长的方法，这些方法专注于基于这些技术的预测监控。然而，用于评估这些方法的过程日志和实验设置的高度差异使得进行公平的比较特别困难。此外，它也很难选择最合适的方法来解决特定的问题。在本文中，我们对使用深度学习来解决预测性监控任务的方法进行了系统的文献综述。此外，我们进行了详尽的实验评估10种不同的方法超过12个公开可用的进程日志。
2021-10-29 cs.AI cs.LG
Deep learning models for predictive maintenance: a survey, comparison, challenges and prospect
Mondragon Unibertsitatea（蒙德龙大学）；Electronics and Computer Science（电子与计算机科学（此处按要求不细拆到系，保留原机构粒度））
鉴于全球工业数据空间的不断增长，深度学习解决方案已成为预测性维护的热门，它可以监控资产以优化维护任务。鉴于文献中的示例数量，为每个用例选择最合适的架构是复杂的。这项工作旨在通过审查最先进的深度学习架构以及它们如何与预测性维护阶段集成以满足工业公司的要求（即异常检测，根本原因分析，剩余使用寿命估计）来促进这项任务。它们在工业应用中进行了分类和比较，解释了如何填补它们的空白。最后，开放的挑战和未来的研究路径。
2020-10-07 cs.LG
Learning for Layered Safety-Critical Control with Predictive Control Barrier Functions
Caltech（加州理工学院）
针对降阶与全阶模型差异导致的安全违规，本文提出预测CBF，通过并行仿真学习预测鲁棒性项并在分层控制中保证安全性，且在三维跳跃机器人上验证。
2024-12-05 cs.LG cs.RO cs.SY
Representation Learning for Sequence Data with Deep Autoencoding Predictive Components
Cornell University（康奈尔大学）；Google（谷歌公司）；Salesforce Research（Salesforce研究院）
我们提出了深度自动编码预测组件（DAPC）-一种用于序列数据的自监督表示学习方法，基于序列数据的有用表示应该在潜在空间中呈现简单结构的直觉。我们鼓励这种潜在的结构，最大限度地提高潜在的特征序列，这是过去和未来的窗口之间的互信息在每个时间步的预测信息的估计。与对比学习常用的互信息下界不同，我们采用的预测信息估计在高斯假设下是精确的。此外，它可以在没有负采样的情况下计算。为了减少由强大的编码器提取的潜在空间的退化，并保留输入中的有用信息，我们用具有挑战性的掩码重建损失来正则化预测信息学习。我们证明，我们的方法恢复噪声动态系统的潜在空间，提取预测任务的预测功能，并提高自动语音识别时，用于预训练编码器上大量的未标记的数据。
2021-02-28 cs.LG
Information-seeking polynomial NARX model-predictive control through expected free energy minimization
TU Eindhoven（埃因霍温理工大学）
本文提出一种基于期望自由能最小化的自适应模型预测控制器，平衡目标驱动与信息寻求，以优化非线性NARX模型参数不确定性下的控制性能，并在摆锤摆动任务中验证其有效性。
2023-12-22 cs.LG cs.SY eess.SY
Disentangling the Predictive Variance of Deep Ensembles through the Neural Tangent Kernel
ETH Zürich（苏黎世联邦理工学院）；University of Zürich（苏黎世大学）
识别不熟悉的输入，也称为分布外（OOD）检测，是任何决策过程的关键属性。一种简单且经经验验证的技术是基于深度集成，其中不同神经网络上的预测方差用作输入不确定性的替代。然而，导致深度系综的不确定性估计的性能的归纳偏差的理论理解是缺失的。为了改善我们对它们行为的描述，我们研究了在简化的线性训练机制中运行的具有大层宽度的深度集成，其中使用梯度下降训练的函数可以由神经切线核描述。我们确定了两个噪声源，每个源在初始化时的预测方差中引起不同的归纳偏差。我们进一步从理论和经验上证明，这两种噪声源都会影响玩具模型和训练后现实环境中非线性深度合奏的预测方差。最后，我们提出了一些实用的方法来消除这些噪声源的一部分，从而在经过训练的深度集合中实现显著的变化和改进的OOD检测。
2022-10-18 cs.LG
Unsupervised deep clustering for predictive texture pattern discovery in medical images
Computational Imaging Research Lab (CIR)（计算成像研究实验室（CIR））；Department of Biomedical Imaging and Image-guided Therapy（生物医学成像与影像引导治疗系）；Medical University of Vienna（维也纳医科大学）
成像数据中的预测标记模式是量化疾病和进展的一种手段，但如果对潜在的生物学知之甚少，则其识别具有挑战性。在这里，我们提出了一种方法来识别预测的医学图像中的纹理模式，在无监督的方式。基于深度聚类网络，我们在低维潜在空间中同时编码和聚类医学图像块。由此产生的聚类作为疾病分期的特征，将它们与潜在疾病联系起来。我们对70例不同阶段肝脂肪变性患者的T1加权磁共振图像进行了评估。深度聚类方法能够找到具有稳定排名的预测聚类，区分F1评分为0.78的低脂肪变性和高脂肪变性。
2020-01-31 cs.CV cs.LG
Predictive Coding: Towards a Future of Deep Learning beyond Backpropagation?
MRC Brain Network Dynamics Unit, University of Oxford（牛津大学医学研究委员会脑网络动力学研究中心）；University of Oxford（牛津大学）
用于训练深度神经网络的误差反向传播算法是深度学习成功的基础。然而，它需要顺序向后更新和非本地计算，这使得大规模并行化具有挑战性，并且与大脑中的学习方式不同。然而，神经科学启发的学习算法，如\emph{predictive coding}，利用本地学习，有可能克服这些限制，并超越当前的深度学习技术。虽然预测编码起源于理论神经科学，作为大脑皮层信息处理的模型，但最近的工作已经将这一想法发展成一种通用算法，能够仅使用局部计算来训练神经网络。在本调查中，我们回顾了有助于这一观点的工作，并展示了预测编码和反向传播之间的密切理论联系，以及突出使用预测编码模型的多重优势的工作，而不是反向传播训练的神经网络。具体来说，我们展示了预测编码网络相对于等效深度神经网络的更大灵活性，深度神经网络可以同时用作分类器，生成器和关联记忆，并且可以在任意图形拓扑上定义。最后，我们回顾了预测编码网络在机器学习分类任务上的直接基准测试，以及它与控制理论和机器人应用的密切联系。
2022-02-18 cs.AI cs.LG cs.NE
Hierarchical Predictive Coding Models in a Deep-Learning Framework
贝叶斯预测编码是一种假定的神经形态学方法，用于获取更高级别的神经表征来解释感觉输入。虽然起源于神经科学界，但机器学习界也在努力研究这些模型。本文回顾了一些较知名的模型。我们的评论分析了模块连接和信息传输模式，试图找到跨模型使用的一般原则。我们还调查了最近在深度学习框架内构建这些模型的一些尝试。贝叶斯预测编码的一个定义特征是它使用自上而下的重构机制来预测传入的感官输入或其较低级别的表示。预测和实际输入之间的差异，称为预测误差，然后引起未来的学习，以改进和提高学习的更高级别表示的预测准确性。在深度学习发展之前，出现了用于描述新皮层计算的预测编码模型，并使用了我们命名为Rao-Ballard协议的模块之间的通信结构。该方案源自具有一些相当强的统计假设的贝叶斯生成模型。RB协议提供了一个规则来评估声称实现预测编码的深度学习模型的保真度。
2020-09-23 cs.AI cs.CV cs.LG
Quantum Powered Credit Risk Assessment: A Novel Approach using hybrid Quantum-Classical Deep Neural Network for Row-Type Dependent Predictive Analysis
IIM Mumbai（印度管理学院孟买分校）
本研究提出一种结合量子深度学习与自适应建模的混合框架，通过行类型依赖预测分析为不同贷款类别定制模型，探索其在银行业信用风险评估中的可行性与性能，为相关预测建模发展提供见解。
2025-02-06 cs.AI cs.LG q-fin.CP
Classification and Reconstruction Processes in Deep Predictive Coding Networks: Antagonists or Allies?
Institute for Neural Computation（神经计算研究所）；Faculty of Computer Science（计算机科学学院）；Ruhr University Bochum（波鸿鲁尔大学）
本研究通过设计类似自编码器的模型家族，发现深度预测编码网络中分类与重建过程在共享表示上相互削弱，扩大维度或增加复杂度可缓解权衡，挑战了现有假设。
2024-01-17 cs.LG
Autonomous Racing using Learning Model Predictive Control
University of California at Berkeley（加州大学伯克利分校）
将一种新的学习模型预测控制技术应用于自主竞速问题。控制器的目标是最小化完成一圈的时间。所提出的控制策略使用前几圈的数据，以提高其性能，同时满足安全要求。此外，提出了一种系统辨识技术来估计车辆动力学。仿真结果与高保真仿真软件CarSim所提出的控制方案的有效性。
2017-11-09 cs.LG math.OC
Stochastic Model Predictive Control Utilizing Bayesian Neural Networks
Yokogawa Insilico Biotechnology GmbH（横河因西利科生物技术有限公司）
集成测量和历史数据可以通过基于学习的技术增强控制系统，但确保性能和安全性具有挑战性。鲁棒模型预测控制策略，如随机模型预测控制，可以通过考虑不确定性来解决这个问题。高斯过程经常使用，但对于较大的模型和数据集有局限性。我们探索贝叶斯神经网络的随机学习辅助控制，比较其性能的高斯过程的污水处理厂模型。结果表明，贝叶斯神经网络实现了类似的性能，突出了它们作为控制设计替代方案的潜力，特别是在处理大量数据集时。
2023-03-25 cs.LG cs.SY eess.SY
Efficient Bayesian Deep Ensembles via Analytic Predictive Inference
Wm Michael Barnes ’64 Department of Industrial and Systems Engineering（工业与系统工程系）
该研究提出一种高效贝叶斯深度集成方法用于预测回归，结合贝叶斯推理与深度集成优势。通过低维集成表示、闭式贝叶斯聚合和独立集成训练三个关键组件，在保持可靠不确定性估计时实现了有竞争力的预测性能。
2026-07-09 cs.LG stat.ME
Learning Model Predictive Control for iterative tasks. A Data-Driven Control Framework
University of California at Berkeley（加州大学伯克利分校）
本文提出一种无参考模型预测控制器，通过学习前次迭代提升性能，利用安全集和终端成本函数保证递归可行性，通过状态和输入轨迹递归构建终端集和终端成本函数，仿真验证了控制逻辑的有效性。
2017-12-14 cs.LG cs.SY eess.SY
Deep Learning Explicit Differentiable Predictive Control Laws for Buildings
Pacific Northwest National Laboratory（太平洋西北国家实验室）
针对未知非线性系统，提出了一种学习约束控制律的可微预测控制方法。DPC提出了一个近似的解决方案，多参数规划问题出现显式非线性模型预测控制（MPC）。与近似MPC相反，DPC不需要专家控制器的监督。相反，系统动力学模型是从观察到的系统的动态学习，神经控制律是离线优化利用可微闭环系统模型。一个可微的闭环系统和惩罚方法的约束处理系统的输出和输入的组合，使我们能够优化控制律的参数直接通过反向传播的经济MPC损失通过学习的系统模型。所提出的DPC方法的控制性能证明在模拟使用多区域建筑热动力学的学习模型。
2021-07-25 cs.LG cs.SY eess.SY
Reservoir Predictive Path Integral Control for Unknown Nonlinear Dynamics
Toyota Central R&D Labs., Inc.（丰田中央研究实验室）；Nagoya Institute of Technology（名古屋工业大学）
本文提出基于回声状态网络和模型预测路径积分的控制方法，用于提升未知非线性动力学的控制性能，通过鲁棒随机控制减少控制成本达60%。
2026-02-06 cs.LG cs.SY eess.SY
LMI-based Data-Driven Robust Model Predictive Control
Technical University of Darmstadt（达姆施塔特工业大学）
预测控制是一种基于系统模型来计算应用输入以优化未来系统行为的控制方法，目前已得到广泛应用。如果标称模型没有给出或者非常不确定，则可以采用数据驱动的模型预测控制方法，其中系统模型或输入直接从过去测量的轨迹获得。利用数据信息框架和Finsler引理，提出了一种基于数据驱动的鲁棒线性矩阵不等式模型预测控制方案，该方案考虑了输入和状态约束.使用这些数据，我们制定的问题作为一个半定优化问题，其解决方案提供了线性反馈的矩阵增益，而决定性的变量是独立的测量数据的长度。所设计的控制器使闭环系统渐近稳定，并保证约束满足。最后通过数值算例说明了该方法的有效性。
2023-03-08 cs.LG cs.SY eess.SY
