Meta-Learning Mean Functions for Gaussian Processes
ETH Zürich(苏黎世联邦理工学院);Deepmind(深度思维)
当在稀缺数据上拟合贝叶斯机器学习模型时,主要挑战是获得合适的先验知识并将其编码到模型中。元学习的最新进展为从相关任务中获取的数据中提取这种先验知识提供了强大的方法。当涉及到高斯过程模型中的元学习时,这种设置中的方法主要集中在学习先验的核函数,而不是学习其均值函数。在这项工作中,我们探索了对高斯过程先验均值函数的元学习。我们提出了分析和经验证据,表明均值函数学习在元学习环境中是有用的,讨论了过拟合的风险,并与其他元学习方法(如模型不可知元学习和功能PCA)建立了联系。
2020-02-14 cs.LG stat.ML
Lessons Learned from Data-Driven Building Control Experiments: Contrasting Gaussian Process-based MPC, Bilevel DeePC, and Deep Reinforcement Learning
Swiss Federal Laboratories for Materials Science and Technology (Empa)(瑞士联邦材料科学与技术实验室)
这份手稿提供了实验者对一些现代数据驱动技术的看法:依赖于高斯过程的模型预测控制,基于行为理论的自适应数据驱动控制,以及深度强化学习。这些技术进行比较的数据要求,易用性,计算负担,并在现实世界的应用程序的背景下的鲁棒性。我们的评论和观察源于在不同环境中进行的建筑控制领域的一些实验调查,从演讲厅和公寓空间到医院手术中心。最终目标是帮助其他人确定什么技术最适合解决他们自己的问题。
2022-05-31 cs.LG cs.SY eess.SY
Bayesian Meta-Learning Through Variational Gaussian Processes
Stanford University(斯坦福大学)
元学习领域的最新进展已经解决了由大量小(“Few-Shot”)监督学习任务组成的领域。元学习算法必须能够快速适应任何单个的Few-Shot任务,适应任务中的小支持集,并使用它来预测任务查询集的标签。这个问题设置可以扩展到贝叶斯上下文,其中不是为每个查询数据点预测单个标签,而是模型预测捕获其不确定性的标签分布。这一领域的成功方法包括基于MAML的模型的贝叶斯集成、贝叶斯神经网络和具有学习的深度核和均值函数的高斯过程。虽然高斯过程在元学习上下文中具有鲁棒的贝叶斯解释,但它们并不自然地对用于表达不确定性的非高斯预测后验进行建模。在本文中,我们设计了一个理论上的原则性方法,VMGP,扩展高斯过程为基础的元学习,允许高质量,任意非高斯不确定性预测。在具有复杂非光滑或不连续结构的基准环境中,我们发现我们的VMGP方法的性能明显优于现有的贝叶斯元学习基线。
2021-10-21 cs.LG stat.ML
Learning safety in model-based Reinforcement Learning using MPC and Gaussian Processes
本研究提出结合高斯过程回归的MPC基强化学习安全框架,通过GP估计参数约束保障概率安全,无需额外假设即可保持计算可行性,并在四旋翼控制场景中验证了效果。
2023-03-17 cs.SY eess.SY
Stochastic MPC for Finite Gaussian Mixture Disturbances with Guarantees
本文提出一种针对线性系统受高斯混合扰动的随机模型预测控制算法,通过分支模型预测控制与随机仿真关系满足机会约束,并保留递归可行性与闭环保证,以车辆控制案例验证。
2025-06-24 cs.SY eess.SY
Voltage Regulation in Polymer Electrolyte Fuel Cell Systems Using Gaussian Process Model Predictive Control
本研究提出利用高斯过程模型预测控制(MPC)同时调节氢气与空气流量以稳定聚合物电解质燃料电池系统电压,仿真表明该方法在满足约束下有效维持目标电压,且无需底层真实系统模型。
2024-03-24 cs.SY eess.SY
Kernel-, mean- and noise-marginalised Gaussian processes for exoplanet transits and $H_0$ inference
Cavendish Laboratory(卡文迪什实验室);Kavli Institute for Cosmology(卡弗里宇宙学研究所);University of Cambridge(剑桥大学);Engineering Laboratory(工程实验室)
本文扩展了完全贝叶斯高斯过程回归,通过跨维度嵌套采样实现对核函数、均值函数和噪声模型的边缘化,并成功应用于系外行星凌星模拟及哈勃参数 $H_0$ 的真实数据推断。
2024-02-12 astro-ph.CO astro-ph.EP astro-ph.IM
Information Theoretic Meta Learning with Gaussian Processes
DeepMind(深度思维);Athens Univ. of Econ. and Business(雅典经济与商业大学)
我们制定元学习使用信息理论的概念,即,互信息和信息瓶颈。这个想法是学习任务描述的随机表示或编码,由训练集给出,这是关于预测验证集的高度信息。利用变分逼近的互信息,我们得到了一个通用的和易于处理的元学习的框架。这个框架统一了现有的基于梯度的算法,也允许我们派生新的算法。特别是,我们开发了一个基于内存的算法,使用高斯过程来获得非参数编码表示。我们证明了我们的方法在一个Few-Shot回归问题和四个Few-Shot分类问题,获得竞争力的准确性相比,现有的基线。
2021-07-05 cs.AI cs.LG stat.ML
Scalable Meta-Learning with Gaussian Processes
Bosch Center for Artificial Intelligence(博世人工智能中心)
本文提出ScaML-GP,通过设计支持分层训练的多任务核实现任务数量可扩展的模块化高斯过程元学习,在元任务少与多的场景下均能高效学习。
2023-12-01 cs.AI cs.LG stat.ML
Distributionally Robust Model Predictive Control with Mixture of Gaussian Processes
本文提出MoGP-DR-MPC框架,利用高斯过程混合自动建模多模态扰动并构建数据驱动模糊集,通过DR-CVaR约束的锥重构实现分布鲁棒控制,在四旋翼仿真中闭环成本较GP-MPC降低17%和4%。
2025-02-08 cs.SY eess.SY math.OC
Model-Agnostic Meta Learning for Differentiable MPC
inspire AG(inspire公司)
研究如何提升模型预测控制(MPC)的适应性,提出结合策略优化与元学习的框架,能快速适应未见任务并保持高性能,还集成系统识别优化超参数和预测模型,在球板系统验证了方法的卓越适应性。
2026-07-22 cs.SY eess.SY math.OC
MPC of Uncertain Nonlinear Systems with Meta-Learning for Fast Adaptation of Neural Predictive Models
Automatic Control Laboratory, ETH Zurich(瑞士苏黎世联邦理工学院自动控制实验室);Mitsubishi Electric Research Laboratories(三菱电机研究实验室);ZHAW Centre for Artificial Intelligence, Zurich University of Applied Sciences(瑞士应用科学大学人工智能中心)
本文提出一种基于元学习的MPC方法,通过聚合神经状态空间模型快速适应非线性系统,提升控制性能。
2026-02-25 cs.LG cs.SY eess.SY
Fast Online Adaptive Neural MPC via Meta-Learning
Department of Electrical and Computer Engineering(电气与计算机工程系);Department of Computer Science and Engineering(计算机科学与工程系);Engineering, Michigan State University, East Lansing, MI 48824 USA(工程,密歇根州立大学,东兰辛,MI 48824 USA)
本文提出一种结合元学习与神经网络的快速在线自适应MPC框架,通过少样本学习残差动力学,在多个仿真系统中显著提升自适应速度和预测精度。
2025-10-09 cs.RO cs.SY eess.SY
Optimization of the Model Predictive Control Meta-Parameters Through Reinforcement Learning
SINTEF Digital(SINTEF数字研究院);NTNU(挪威科技大学);Sopra Steria Applications(索拉斯特里亚应用公司)
本文提出基于强化学习联合整定MPC元参数的框架,通过事件触发与双模式控制同时优化性能和功耗,在倒立摆任务上较最佳MPC基线减少36%计算时间并提升18.4%性能。
2021-11-07 cs.LG cs.RO cs.SY
ComTraQ-MPC: Meta-Trained DQN-MPC Integration for Trajectory Tracking with Limited Active Localization Updates
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Coordinated Science Laboratory(协调科学实验室)
本文提出ComTraQ-MPC框架,结合元训练DQN与MPC,在有限主动定位更新下优化轨迹跟踪,通过两者交互提升效率与精度,适用于复杂部分可观测环境。
2024-08-20 cs.AI cs.RO cs.SY
Infusing model predictive control into meta-reinforcement learning for mobile robots in dynamic environments
Seoul National University(首尔国立大学);Automation and Systems Research Institute(自动化与系统研究所)
移动机器人的成功运行要求它们能够快速适应环境变化。为了开发移动机器人的自适应决策工具,我们提出了一种新的算法,结合Meta强化学习(meta-RL)和模型预测控制(MPC)。我们的方法采用了一个关闭的政策元RL算法作为基线训练的政策,使用MPC产生的过渡样本时,机器人检测到某些事件,可以有效地处理MPC,其明确使用机器人动力学。我们的方法的关键思想是以随机和事件触发的方式在元学习策略和MPC控制器之间切换,以弥补由有限的预测范围引起的次优MPC动作。在元测试期间,MPC模块被停用以显著减少运动控制中的计算时间。我们进一步提出了一个在线适应方案,使机器人推断和适应一个新的任务在一个单一的轨迹。我们的方法的性能已经通过使用非线性汽车模型与(i)障碍物的合成运动,和(ii)真实世界的行人运动数据的模拟得到了证明。仿真结果表明,该方法在学习效率和导航质量方面优于其他算法。
2022-07-07 cs.RO cs.SY eess.SY
Gaussian Process Model Predictive Control of Unknown Nonlinear Systems
School of Engineering and Advanced Technology, Massey University(梅西大学工程与先进技术学院);Department of Information Technology and Software Engineering, Auckland University of Technology(奥克兰理工大学信息技术与软件工程系)
本文研究了用高斯过程建模未知非线性系统的模型预测控制,提出两种方法GPMPC1和GPMPC2,通过引入模型不确定性,将非凸问题转化为凸问题,提升计算效率。
2016-12-05 cs.SY eess.SY
Real-Time Online Learning for Model Predictive Control using a Spatio-Temporal Gaussian Process Approximation
Institute for Dynamic Systems and Control, ETH Zürich(动态系统与控制研究所,苏黎世联邦理工学院)
本文提出一种高效的时空高斯过程近似方法,用于实时在线学习,提升模型预测控制的性能,尤其适用于时变系统。
2026-03-18 cs.RO cs.SY eess.SY
MPC-Based Hierarchical Control of a Multi-Zone Commercial HVAC System
提出了一种基于模型预测控制(MPC)的多区域建筑物室内气候控制的新架构,以提供能源效率。与以前的作品不同,我们不假设高分辨率多区域建筑模型的可用性,这是具有挑战性的。相反,该架构使用低分辨率的建筑模型,该模型被划分为少量的“元区域”,可以使用现有的数据驱动建模技术轻松识别。所提出的架构是分层的。在更高级别,MPC控制器使用低分辨率模型来为空气处理单元(AHU)和元区域做出决策。由于元区域是虚构的,较低级别的控制器通过解决在两个潜在冲突的目标之间进行权衡的投影问题,将高级MPC决策转换为用于各个区域的命令:由MPC做出的AHU级别决策得到尊重,而各个区域的气候保持在舒适范围内。所提出的控制器的性能进行评估,通过模拟在高保真仿真试验台和相比,在实践中使用的基于规则的控制器。在多种天气条件下的仿真结果表明,所提出的控制器在节能,气候控制和计算易处理性方面的有效性。
2021-02-11 cs.SY eess.SY
Linearized Gaussian Processes for Fast Data-driven Model Predictive Control
Northern Arizona University(北亚利桑那大学)
本文提出了一种基于线性化高斯过程和序列凸优化的方法,以提升高斯过程基于模型预测控制的求解性能,该方法在速度、可扩展性和可预测性方面优于其他常用方法。
2019-10-01 cs.SY eess.SY
Gray-Box Model Predictive Control for Articulated Dump Trucks via Gaussian Process Learning of Sideslip
RWTH Aachen University(亚琛工业大学)
针对铰接式自卸卡车,提出用高斯过程回归学习侧偏角并融入运动学模型形成灰箱模型,用于模型预测控制,将最大横向跟踪误差从超2米降至0.56米。
2026-09-24 cs.RO cs.SY eess.SY
Learning to Drift in Extreme Turning with Active Exploration and Gaussian Process Based MPC
State Key Laboratory of Industrial, Zhejiang University(工业-state重点实验室,浙江大学)
提出结合高斯过程回归与模型预测控制的模型校正漂移控制器,通过主动探索漂移速度来校正模型失配并最小化轨迹误差,仿真与实验证明其显著降低了横向与速度跟踪误差。
2025-06-01 cs.AI cs.RO cs.SY
Output Feedback Stochastic MPC with Hard Input Constraints
针对受高斯扰动和测量噪声影响的约束线性系统,提出一种结合卡尔曼滤波与管道约束收紧的输出反馈随机模型预测控制方法,可保证不可行率低于指定容差,并通过仿真验证其优于经典方法。
2023-11-28 cs.SY eess.SY
Non-asymptotic Bounds of Learning-based Linear MPC With Input Constraints and Unbounded Stochastic Noise
University of Melbourne(墨尔本大学)
研究基于学习的线性MPC在有输入约束和无界随机噪声时的情况,采用确定性等价设计结合切换MPC控制律与在线RLS参数估计,推导非渐近稳定性界,数值实验验证了理论结果。
2026-07-16 cs.SY eess.SY
Gaussian Process Model Predictive Control of An Unmanned Quadrotor
Massey University(梅西大学);Auckland University of Technology(奥克兰理工大学)
本文提出基于高斯过程的模型预测控制方法,用于无人机轨迹跟踪,通过概率高斯过程模型获取动态模型,结合分层控制结构,实现约束下的高效控制。
2017-07-12 cs.SY eess.SY
Stochastic Model Predictive Control for Sub-Gaussian Noise
University of Zurich(苏黎世大学);ETH Zurich(苏黎世联邦理工学院)
提出基于亚高斯噪声新刻画与尾界的随机MPC框架,确保线性系统闭环机会约束满足,并在手术规划仿真中验证。
2025-10-17 cs.SY eess.SY math.OC
Meta-Learning Augmented MPC for Disturbance-Aware Motion Planning and Control of Quadrotors
KTH Royal Institute of Technology(瑞典皇家理工学院);Caltech(加州理工学院);Uppsala University(乌普萨拉大学)
针对自主飞行中的未知扰动问题,提出一种由扰动感知运动规划器和收缩控制跟踪控制器组成的框架,结合预测控制与在线学习的扰动模型,在强风等仿真中验证了安全性。
2024-12-17 cs.RO cs.SY eess.SY
L4acados: Learning-based models for acados, applied to Gaussian process-based predictive control
Robert Bosch GmbH, Corporate Research(博世公司,企业研究部);ELO-X;DFG via 424107692 and 504452366 (SPP 2364)(德国联邦教育与研究部(DFG)通过424107692和504452366(SPP 2364))
本文提出L4acados框架,将Python动态模型集成到acados中,实现基于学习的残差模型的MPC控制器,并展示其在自动驾驶和微型赛车中的应用。
2025-11-27 cs.RO cs.SY eess.SY
Unifying Sequential Quadratic Programming and Linear-Parameter-Varying Algorithms for Real-Time Model Predictive Control
ETH Zürich(苏黎世联邦理工学院);Eindhoven University of Technology(埃因霍温理工大学);HUN-REN Inst. for Computer Science and Control(匈牙利研究与教育网络计算机与控制研究所)
本文提出一种统一框架,将序列二次规划与迭代线性参数变化模型预测控制技术相结合,通过选择特定的调度变量和微分公式,提升鲁棒性和随机性MPC问题的计算效率。
2026-04-09 cs.SY eess.SY
Active Exploration in Iterative Gaussian Process Regression for Uncertainty Modeling in Autonomous Racing
本文提出一种用于迭代GP回归的主动探索机制,通过MPC平衡竞速目标与不确定性探索准则收集多样化数据,在Gran Turismo Sport和一对一竞速仿真中显著提升GP预测精度与竞速表现。
2023-11-03 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
Tiny Learning-Based MPC for Multirotors: Solver-Aware Learning for Efficient Embedded Predictive Control
Robora Lab, Queen’s University, Kingston, ON, Canada(罗博拉实验室,女王大学,金斯顿,加拿大)
本文提出Tiny LB MPC,一种协同设计的MPC框架与求解器,在53克多旋翼上实现100 Hz控制,跟踪性能平均提升43%,首次实现基于学习的MPC机载部署。
2025-10-15 cs.RO cs.SY eess.SY
Economic MPC of Markov Decision Processes: Dissipativity in Undiscounted Infinite-Horizon Optimal Control
经济模型预测控制(MPC)耗散性理论是讨论最小化经济阶段成本所导致的政策稳定性的核心。在目前的形式下,经济MPC的耗散性理论适用于基于确定性动力学的问题或非常特定的随机问题,并且不容易扩展到一般的马尔可夫决策过程。在本文中,我们澄清了这一困难的核心原因,并提出了一个推广的经济MPC耗散理论,绕过它。这个推广的重点是未贴现的无限时域问题,是基于非线性阶段成本泛函,允许一个讨论的Lyapunov渐近稳定性的政策马尔可夫决策过程的概率措施,其随机动态。该理论被证明为随机线性二次型调节器与高斯过程噪声,其中存储功能可以显式提供。为了简洁起见,我们将我们的讨论限制在非折扣马尔可夫决策过程。
2022-07-22 cs.SY eess.SY math.OC
A Gaussian Process Model for Opponent Prediction in Autonomous Racing
University of California, Berkeley(加州大学伯克利分校)
在头对头赛车中,需要对方目标车辆(TV)的交互行为的精确模型来执行严格约束但高度奖励的机动动作,例如超车。然而,这样的信息通常是不提供竞争的情况下,因此,我们建议构建一个预测和不确定性模型,从以前的比赛的电视数据。具体而言,在闭环交互数据上训练一步高斯过程(GP)模型,以学习由未知策略驱动的TV的行为。标称轨迹的预测和相关的不确定性经由基于采样的方法推出,并且在自我车辆的模型预测控制(MPC)策略中使用,以便在尝试对TV进行超车操纵时智能地在安全性和性能之间进行权衡。我们证明了基于GP的预测器在闭环与MPC政策在模拟比赛中,并比较其性能对几个预测文献。在蒙特卡洛研究中,我们观察到基于GP的预测器在多3倍的比赛中实现了相似的胜率,同时保持了安全性。最后,我们展示了预测和控制框架的实时在1/10的规模赛车平台上运行的速度约为2.8米/秒的实验研究,并显示出显着的改善水平时,使用基于GP的预测器在基线MPC预测。硬件实验的视频可以在https://youtu.be/KMSs4ofDfIs上找到。
2023-03-01 cs.RO cs.SY eess.SY
Recursively Feasible Chance-constrained Model Predictive Control under Gaussian Mixture Model Uncertainty
本文针对移动障碍物多模态预测不确定性,提出三种基于高斯混合模型的机会约束MPC规划器,证明其安全性并比较保守性与递归可行性,最终在自动驾驶模拟器中验证有效性。
2025-03-08 cs.SY eess.SY
Collision Avoidance with Stochastic Model Predictive Control for Systems with a Twofold Uncertainty Structure
模型预测控制(MPC)已被证明是许多需要控制的应用的成功方法。特别是在存在预测不确定性的情况下,各种类型的MPC提供鲁棒或有效的控制系统行为。对于建模,不确定性通常以这样一种方式近似,即已建立的MPC方法适用于特定的不确定性类型。然而,对于一些应用程序,特别是自动驾驶汽车,在预测其他代理的未来行为的不确定性更适合建模的双重描述:一个高层次的任务不确定性和低层次的执行不确定性的个别任务。在这项工作中,我们提出了一个MPC框架,能够处理这种双重的不确定性。情景MPC方法考虑其他代理执行多个任务之一的可能性,具有任意概率分布,而分析随机MPC方法基于高斯分布处理特定任务内的执行不确定性。结合这两种方法可以有效地处理许多应用程序的双重不确定性结构。所提出的MPC方法的应用证明在自动车辆仿真研究。
2021-06-15 cs.SY eess.SY
LQG for Constrained Linear Systems: Indirect Feedback Stochastic MPC with Kalman Filtering
提出一种结合卡尔曼滤波与间接反馈SMPC的输出反馈控制方法,实现约束线性系统在概率约束下的递归可行性与闭环机会约束满足,并可在特定设计下恢复LQG解。
2023-11-17 cs.SY eess.SY math.OC
Scalable Gaussian Process Regression via Deterministic Trigonometric Features: Uniform Bounds for Safe Model Predictive Control
RWTH Aachen University(亚琛工业大学);Chalmers University of Technology(查尔姆斯理工大学)
本文提出确定性三角特征高斯过程(DTF-GP)框架,将GP回归转化为贝叶斯线性回归,推导其高概率一致不确定性边界,集成至学习型MPC后,在大数据场景下兼顾安全保证与计算效率。
2026-08-18 cs.SY eess.SY
Computationally Efficient Data-Driven MPC for Agile Quadrotor Flight
School of Aerospace and Mechanical Engineering, The University of Oklahoma(俄克拉荷马大学航空航天与机械工程学院)
本文针对敏捷四旋翼高速飞行中的气动建模难题,提出将高斯过程模型修正与在线MPC优化分离的数据驱动控制方法,在Gazebo仿真中实现跟踪误差降低50%并提升计算效率。
2023-05-26 cs.RO cs.SY eess.SY
Cautious Model Predictive Control using Gaussian Process Regression
Institute for Dynamic Systems and Control, ETH Zürich(苏黎世联邦理工学院动态系统与控制研究所)
本文提出了一种结合高斯过程回归的模型预测控制方法,用于建模非线性动力系统,通过考虑残余不确定性来实现安全控制。
2019-12-29 cs.SY eess.SY math.OC
Proto-MPC: An Encoder-Prototype-Decoder Approach for Quadrotor Control in Challenging Winds
Mechanical Science and Engineering, University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校机械科学与工程学院)
本文提出一种编码器-原型-解码器元学习模型并集成到模型预测控制中,形成Proto-MPC,以应对四旋翼在动态环境及侧风下的轨迹跟踪挑战,仿真验证其鲁棒性。
2024-05-21 cs.LG cs.RO cs.SY
Stochastic MPC with Online-optimized Policies and Closed-loop Guarantees
ETH Zurich(苏黎世联邦理工学院)
针对受加性高斯干扰的线性系统,提出随机模型预测控制方法,在线优化干扰反馈矩阵,保证概率约束闭环满意度等,核心机制是最大允许集及预测约束重调整,以建筑温度控制示例证明其适用性。
2026-07-14 cs.SY eess.SY math.OC
Model predictive control of resistive wall mode for ITER
采用无限时域模型预测控制(MPC)对ITER H模在高等离子体气压下的主阻壁模(RWM)进行主动反馈镇定。MPC方法与线性二次高斯(LQG)控制密切相关,提高了约束附近的性能。面向控制的MPC模型是由CarMa程序产生的高维模型降阶得到的。由于在线优化的时间有限,选择了一个合适的MPC制定只考虑输入(线圈电压)的约束,和原始快速梯度法用于解决相关的二次规划问题。在仿真中的性能进行评估相比,LQG控制。对噪声的敏感性,鲁棒性不稳定RWM动态的变化,和不稳定模式的初始条件的吸引域的大小进行检查。
2020-07-16 cs.SY eess.SY
A Risk-Aware Adaptive Robust MPC with Learned Uncertainty Quantification
针对非平稳不确定性下机会约束控制的保守性与分布未知难题,提出风险感知自适应鲁棒MPC框架,通过双时间尺度学习与调节实现精确风险控制,显著降低成本。
2025-07-15 cs.SY eess.SY
Adaptive Uncertainty Quantification for Scenario-based Control Using Meta-learning of Bayesian Neural Networks
本文提出基于元学习的贝叶斯神经网络自适应不确定性量化方法,用于非线性系统情景树模型预测控制,通过实时更新模型提升控制性能。
2024-07-19 cs.SY eess.SY
Conformal Prediction-Based MPC for Stochastic Linear Systems
Institute for Dynamic Systems and Control, ETH Zürich(动态系统与控制研究所,苏黎世联邦理工学院);Division of Computer Engineering and Computer Science, University West(计算机工程与科学系,西海岸大学);Division of Decision and Control Systems, School of Electrical Engineering and Computer Science, KTH Royal Institute of Technology(决策与控制系统系,电气工程与计算机科学学院,皇家理工学院)
本文提出一种针对未知扰动分布的随机线性系统MPC框架,利用置信预测构建有限样本置信区域,以最小计算开销满足联合时间机会约束,通过间接反馈实现闭环确定性形式,确保递归可行性和约束满足。
2026-04-19 cs.RO cs.SY eess.SY
Robust-Sub-Gaussian Model Predictive Control for Safe Ultrasound-Image-Guided Robotic Spinal Surgery
Balgrist University Hospital(巴尔格里斯特大学医院);University of Zurich(苏黎世大学);ETH Zurich(苏黎世联邦理工学院);OR-X Translational Center for Surgery(OR-X转化外科中心)
针对高维数据状态估计误差分布未知导致的安全保证难题,提出基于有界均值次高斯噪声的鲁棒MPC框架,结合基于集合的鲁棒方法与方差代理传播,在超声引导机器人脊柱手术流程中实现了闭环安全保证。
2025-08-08 cs.RO cs.SY eess.SY
Nonplanar Model Predictive Control for Autonomous Vehicles with Recursive Sparse Gaussian Process Dynamics
Department of Electrical & Systems Engineering, University of Pennsylvania(电气与系统工程系,宾夕法尼亚大学)
本文提出了一种基于递归稀疏高斯过程的非平面模型预测控制框架,用于提升自主车辆在复杂地形中的路径跟踪性能。
2026-02-18 cs.RO cs.SY eess.SY