Investigating Data-driven systems as digital twins: Numerical behavior of Ho-Kalman method for order estimation
University of Patras（帕特雷大学）
本文研究了数据驱动系统作为数字孪生的应用，探讨了霍-卡尔曼方法在阶数估计中的数值表现，通过具体数值例子分析了该方法在时域内便捷估计阶数的自然方法，并讨论了其局限性及未来发展方向。
2020-05-08 cs.SY eess.SP eess.SY
Comparison of Dynamic and Kinematic Model Driven Extended Kalman Filters (EKF) for the Localization of Autonomous Underwater Vehicles
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
自主水下航行器（AUV）和遥控潜水器（ROV）用于与勘探和科学研究有关的各种任务。这些系统的成功导航需要良好的定位系统。基于卡尔曼滤波器的定位技术自20世纪60年代初以来一直很流行，并且在开发和设计中使用它们进行了广泛的研究。已经发现，在卡尔曼滤波器中使用动态模型（而不是运动学模型）可以导致更准确的预测，因为动态模型考虑了作用在AUV上的力。提出了一种基于简化动力学模型的水下机器人运动预测扩展卡尔曼滤波器（EKF）。首先建立了水下机器人的动力学模型，然后对该模型进行了简化，该机器人是一种用于简单水下勘探、海底结构物、管道和沉船检测的潜水器。该滤波器在一个名为UUV模拟器的开源海洋车辆模拟器中用模拟车辆实现，并将结果与地面实况进行比较。结果表明，动态滤波器具有良好的预测精度，但在EKF可以实时使用之前需要改进。一些观点和讨论的实际实施，以显示这一概念所需的后续步骤。
2021-05-26 cs.RO cs.SY eess.SY
Bridging Data-Driven and Physics-Based Models: A Consensus Multi-Model Kalman Filter for Robust Vehicle State Estimation
Department of Mechanical and Mechatronics Engineering, University of Waterloo（滑铁卢大学机械与机电工程系）；Department of Mechanical Engineering, University of Ottawa（渥太华大学机械工程系）
针对自动驾驶车辆状态估计中单一物理或数据驱动模型存在局限的问题，提出融合两类模型的共识多模型卡尔曼滤波器，含两种协方差传播方法与动态权重融合机制，实车实验验证了其鲁棒性与性能优势。
2025-06-15 cs.RO cs.SY eess.SY
Data-Driven Intrusion Detection in Vehicles: Integrating Unscented Kalman Filter (UKF) with Machine Learning
针对车辆动力学参数难以获取的挑战，提出一种结合UKF与机器学习的数据驱动入侵检测框架，无需精确车辆建模即可有效检测传感器和执行器上的DoS攻击。
2025-06-27 cs.SY eess.SP eess.SY
KIND: A Kalman-Inspired Adaptive Estimator for SRF Cavity Detuning
Helmholtz-Zentrum Berlin（亥姆霍兹柏林中心）；Universität Siegen（锡根大学）
本文提出KIND，一种融合动态模式分解与Transformer的自适应估计器，用于SRF腔体偏移估计，通过输出不确定性信号实现异常检测，相较于传统卡尔曼滤波具有更广泛的应用前景。
2026-05-12 cs.SY eess.SY
Nodal Hydraulic Head Estimation through Unscented Kalman Filter for Data-driven Leak Localization in Water Networks
Institut de Robòtica i Informàtica Industrial, CSIC-UPC（西班牙国家研究委员会-加泰罗尼亚理工大学工业机器人与信息技术研究所）；University of Bucharest（布加勒斯特大学）；Institute for Logic and Data Science（逻辑与数据科学研究所）；Politehnica University of Bucharest（布加勒斯特理工大学）；Supervision, Safety and Automatic Control Research Center (CS2AC) - UPC（加泰罗尼亚理工大学监督、安全与自动控制研究中心）
本文提出一种基于无迹卡尔曼滤波的节点水头估计方法，通过结合预测模型与实测数据并动态更新权重矩阵，有效提升了供水管网的状态估计与数据驱动泄漏定位精度。
2023-11-27 cs.LG cs.NA cs.SY
On the Steady-State Distributionally Robust Kalman Filter
针对噪声分布不确定导致卡尔曼滤波性能下降的问题，提出基于Wasserstein模糊集的稳态分布鲁棒卡尔曼滤波器，通过离线求解凸半定规划获得恒定增益，并给出收敛条件，仿真验证其鲁棒性和准确性优于现有方法。
2025-03-31 cs.SY eess.SY
Model-based vs Data-driven Estimation of Vehicle Sideslip Angle and Benefits of Tyre Force Measurements
本文提供了一个全面的比较基于模型和数据驱动的方法，并分析了使用测量轮胎力的车辆侧滑角估计的好处。基于模型的方法基于扩展的卡尔曼滤波器和无迹卡尔曼滤波器，其中在观测模型中利用测量的轮胎力。引入自适应协方差矩阵，以最大限度地减少轮胎模型不匹配在规避机动。对于数据驱动的方法，前馈和递归神经网络进行评估。这两种方法都使用标准惯性测量单元和轮胎力测量值作为输入。使用216个机动的大规模实验数据集，我们证明了使用数据驱动与基于模型的方法在准确性上的显着提高。轮胎力测量提高了基于模型和数据驱动方法的性能，特别是在轮胎的非线性状态下。
2023-03-01 cs.SY eess.SY
Risk-Aware Control of Discrete-Time Stochastic Systems: Integrating Kalman Filter and Worst-case CVaR in Control Barrier Functions
本文针对受随机干扰的离散时间线性系统，提出一种结合 Kalman filter 状态估计与 worst-case CVaR 风险量化的风险感知控制方法，通过将风险集成至 CBF 形成约束以应对安全集边界尾部风险，并针对半空间和椭球安全集设计了两种基于优化的控制方法。
2024-12-18 cs.SY eess.SY math.OC
Forgetting While Remembering, an Invariant Online Data-Driven Predictive Control Formulation
University of Padova（帕多瓦大学）；Swiss Federal Institute of Technology (ETH)（瑞士联邦理工学院（苏黎世联邦理工学院））；University of Melbourne（墨尔本大学）
针对低信噪比下线性时变系统的在线数据驱动预测控制，提出基于ARX模型和卡尔曼滤波的贝叶斯框架，通过不变先验在遗忘旧数据时保持先验，实验验证其有效性。
2026-09-17 cs.SY eess.SY
Learning Kalman Policy for Singular Unknown Covariances via Riemannian Regularization
University of California, Los Angeles（加州大学洛杉矶分校）
本文通过控制-估计对偶性与数据驱动策略优化，将稳态卡尔曼增益学习转化为随机策略优化问题，提出黎曼正则化方法以恢复优化景观结构，实现对未知和秩不足噪声协方差的高效处理。
2026-04-06 cs.SY eess.SY math.OC
A Control Theory inspired Exploration Method for a Linear Bandit driven by a Linear Gaussian Dynamical System
Department of Automation, Tsinghua University（清华大学自动化系）
针对线性高斯动态系统驱动的线性老虎机中探索与利用的平衡问题，提出Kalman-UCB和IDEA两种算法，并给出基于LGDS属性的性能预测度量，经随机环境数值验证有效。
2025-10-01 cs.SY eess.SP eess.SY
Sigma-point Kalman Filter with Nonlinear Unknown Input Estimation via Optimization and Data-driven Approach for Dynamic Systems
School of Engineering, Monash University Malaysia（马来西亚莫纳什大学工程学院）；School of Information Technology, Monash University Malaysia（马来西亚莫纳什大学信息技术学院）
针对智能自主系统中未知输入非线性导致联合估计困难的问题，提出无导数未知输入Sigma-point卡尔曼滤波器（SPKF-nUI），结合非线性优化与数据驱动估计器，经稳定性分析证明误差指数收敛，并在刚体与软体机器人上验证了最低估计误差。
2024-11-09 cs.LG cs.SY eess.SY
Robust Input Shaping Control for Flexible Structures Based on Unscented Kalman Filter
本文提出UZS方法，结合无迹卡尔曼滤波实时参数辨识与零振动微分输入整形，在柔性梁平台上验证了其优于现有方法的鲁棒振动抑制效果。
2025-07-02 cs.SY eess.SY
The Innovation Null Space of the Kalman Predictor: A Stochastic Perspective for DeePC
KTH Royal Institute of Technology（皇家理工学院）
本文从随机视角探讨了卡尔曼预测器的创新空域，提出在存在噪声时，决策变量g的最佳选择是创新Hankel矩阵的空域，从而改进预测器性能。
2025-12-16 cs.SY eess.SY math.OC
Optimality vs Stability Trade-off in Ensemble Kalman Filters
研究了一类集合卡尔曼滤波（EnKF）算法的最优性和稳定性。EnKF通常用作卡尔曼滤波器的替代方案，用于高维问题，其中存储协方差阵在计算上是昂贵的。该算法由相互作用的粒子驱动的反馈控制律的合奏。设计控制律，使得在线性高斯设置和无限多个粒子的渐近极限中，粒子的均值和协方差遵循卡尔曼滤波器的精确均值和协方差。找到一个精确的控制律的问题并没有唯一的解，这让人想起找到两个分布之间的传输映射的问题。一个唯一的控制律可以通过引入控制费用函数来确定，该控制成本函数由最优运输问题或薛定谔桥问题激励。本文研究一类精确控制律的最优性与长期稳定性之间的关系。值得注意的是，在最优运输意义上最优的控制律导致不稳定的EnKF算法。
2022-02-19 cs.SY eess.SY math.OC
Data-driven Estimator Synthesis with Instantaneous Noise
本文研究数据驱动估计器综合问题，通过移除现有框架中的限制性假设并引入可整合参数界等结构知识的参数化方法，提升了性能保证，并用数值示例验证了有效性。
2025-04-11 cs.SY eess.SY
A Dual Ensemble Kalman Filter Approach to Robust Control of Nonlinear Systems: An Application to Partial Differential Equations
针对离散化非线性 PDE 得到的控制仿射系统，提出结合最优学习控制与 Lyapunov 鲁棒化项的数据驱动鲁棒控制，并用 dual EnKF 完成最优控制设计，通过热方程和 Burgers 方程仿真验证。
2025-08-29 cs.SY eess.SY math.OC
Vold-Kalman Filter Order tracking of Axle Box Accelerations for Railway Stiffness Assessment
面对日益增长的成本和效率需求，智能数据驱动的监控程序在确保铁路基础设施的安全运营和优化管理方面具有巨大的潜力。大量研究表明，轨道刚度是影响退化演变的主要参数之一，从而驱动维护过程。因此，轨道刚度的测量是表征轨道在劣化率和噪声排放方面的性能的基础。这可以通过低成本的车载监控（OBM）传感系统（即，轴箱加速度计），这些加速度计安装在运行中的列车上，能够对铁路基础设施网络进行频繁的实时监测。基于加速度的刚度指标在监测应用中很少被考虑。在这项工作中，使用一个Vold-卡尔曼滤波器提出，用于分解成周期性的车轮和轨道相关的激励-响应对功能的信号。我们证明，这些组件反过来与操作条件，如车轮的圆度和轨道类型。我们进一步说明了轨道刚度之间的关系，测量的轮轨力和轨枕通过幅度，这最终可以作为一个指标，预测轨道维修和预测的轨道耐久性。
2022-09-26 cs.SY eess.SY
Frequency-Domain Data-Driven Controller Synthesis for Unstable LPV Systems
直接从频域测量数据合成控制器是线性时不变框架中的强大工具。不断增长的性能要求需要扩展这些方法，以考虑工厂的变化。本文的目的是建立单输入单输出线性变参数系统的局部内稳定性和$\mathcal{H}_\infty$ -性能的频域分析和综合条件。所开发的综合程序只需要频域测量数据的系统，不需要一个参数化的植物模型。在一个不稳定的非线性系统上证明了综合过程的能力。
2021-07-20 cs.SY eess.SY
Estimate of Koopman modes and eigenvalues with Kalman Filter
本文提出一种基于集合卡尔曼滤波器的自适应方法，从含噪测量中持续更新库普曼模态与特征值，可扩展至非自治系统并准确恢复短时特征对，理论分析与实验验证了其有效性。
2024-09-24 cs.SY eess.SY math.PR
A System Parameterization for Direct Data-Driven Estimator Synthesis
本文提出一种新颖的系统参数化方法，利用含噪数据精确表征未知线性时不变系统，推导了可验证的一致性约束条件，并基于此实现了具有 H_{\infty}-范数保证的直接数据驱动估计器综合，数值实验验证了其有效性。
2025-07-14 cs.SY eess.SY
Automated Controller Calibration by Kalman Filtering
Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
本文提出了一种标定控制参数的方法。这样的控制参数的例子是PID控制器的增益、用于最优控制的代价函数的权重、滤波器系数、滑动模式控制器的滑动表面或神经网络的权重。因此，所提出的方法可以应用于广泛的控制器。该方法使用卡尔曼滤波器，该滤波器使用闭环系统操作的数据来估计控制参数。控制参数校准由训练目标驱动，该训练目标包括关于动力系统的性能的规范。性能驱动的校准方法在线和鲁棒地调整参数，计算效率高，数据存储要求低，并且易于实现，使得它对许多实时应用有吸引力。仿真结果表明，该方法能够快速学习控制参数，并能自整定参数以补偿干扰，对噪声具有较强的鲁棒性。仿真研究表明，该方法可以在线标定复杂动力系统的控制器，表明了该方法在实际系统中的适用性。我们还通过在dSPACE MicroAutoBox-II快速原型单元上实施我们的方法，验证了在具有汽车级处理器的嵌入式平台上的实时可行性。
2023-03-08 cs.AI cs.LG cs.RO
Power Scheduling of Kalman Filtering in Wireless Sensor Networks with Data Packet Drops
School of Automation, Beijing Institute of Technology（北京理工大学自动化学院）；Key Laboratory of Intelligent Control and Decision of Complex Systems（复杂系统智能控制与决策重点实验室）
本文研究了在数据包丢失的无线网络中，针对线性随机系统卡尔曼滤波的功率调度问题，通过最小化估计均方误差来优化传输功率，推导出最小均方误差估计器并分析其稳定性条件。
2014-03-14 cs.SY eess.SY
Data driven synthesis of provable invariant sets via stochastically sampled data
Duke University（杜克大学）；University of Virginia（弗吉尼亚大学）；University of New Mexico（新墨西哥大学）
本文提出了一种基于随机采样的数据驱动方法，用于合成正不变集，通过树状数据结构和利普希茨连续性保证不变性，并给出样本数的概率界。
2026-09-09 cs.SY eess.SY
Data-Driven Abstraction and Synthesis for Stochastic Systems with Unknown Dynamics
本文提出一种数据驱动方法，仅利用带噪声观测数据和Lipschitz常数上界构建区间MDP抽象，从而以预定义置信度综合满足概率时序性质的控制策略。
2025-09-02 cs.SY eess.SY
Data-driven Cyberattack Synthesis against Network Control Systems
网络控制系统（NCS）由于严重依赖通信渠道而对网络攻击造成独特的脆弱性。这些通道可能容易受到窃听、错误数据注入（FDI）和拒绝服务（DoS）的影响。因此，更聪明的网络攻击可以采用多种技术的组合来降低所考虑的NCS性能。我们考虑了一种白盒网络攻击合成技术，其中攻击者最初窃听收集系统数据，并构建等效系统模型。我们利用等效模型来合成混合网络攻击-对NCS的FDI和DoS攻击的组合。等效NCS模型的可达集为选择要攻击的NCS代理提供了快速，实时的指令。所设计的方法提供了一个显着更现实的方法对网络攻击的合成与未知参数的NCS。我们证明了所提出的方法使用多飞行器编队控制方案。
2022-11-09 cs.SY eess.SY
Model Predictive Path Integral Control of I2RIS Robot Using RBF Identifier and Extended Kalman Filter
Department of Mechanical Engineering and Laboratory for Computational Sensing and Robotics, Johns Hopkins University（机械工程系和计算感知与机器人实验室，约翰霍普金斯大学）；Department of Computer Science and Laboratory for Computational Sensing and Robotics, Johns Hopkins University（计算机科学系和计算感知与机器人实验室，约翰霍普金斯大学）；Laboratory for Computational Sensing and Robotics, Johns Hopkins University（计算感知与机器人实验室，约翰霍普金斯大学）；Wilmer Eye Institute, Johns Hopkins Hospital（威尔默眼科研究所，约翰霍普金斯医院）
针对I2RIS线驱动蛇形机器人的非线性建模与控制难题，提出基于GMM-GMR数据驱动模型的MPPI控制器，并利用EKF在线更新RBF辨识器以应对未知干扰，仿真证明其优于传统MPC算法。
2025-03-18 cs.RO cs.SY eess.SY
Continuous-time Data-driven Barrier Certificate Synthesis
本文提出一种连续时间数据驱动的屏障证书合成方法，利用有限采样轨迹训练安全神经网络验证系统安全性，并提供概率泛化保证，数值实验验证了其有效性。
2025-08-08 cs.SY eess.SY
AI-Aided Kalman Filters
School of ECE, Ben-Gurion University of the Negev（本·古里安大学电子工程学院）；Institute for Signal and Information Processing, D-ITET, ETH Zürich（苏黎世联邦理工学院信号与信息处理研究所）；School of EE and CS, KTH Royal Institute of Technology（皇家理工学院电子工程与计算机科学学院）；Faculty of Applied Science, University of West Bohemia（西波维亚大学应用科学学院）；Dept. of CS, University of Massachusetts Boston（马萨诸塞大学波士顿分校计算机科学系）；Dept. of ECE, Northeastern University（东北大学电子工程系）；Math and CS Faculty, Weizmann Institute of Science（魏茨曼科学研究所数学与计算机科学系）
本文以教程形式系统综述了将深度神经网络与卡尔曼滤波相融合的AI辅助状态估计设计方法，分类梳理了面向任务和面向状态空间模型的技术路线，并通过定性与定量实验验证了混合模型-数据驱动设计的优势。
2025-05-06 cs.LG cs.SY eess.SP
Data-driven synthesis of Robust Invariant Sets and Controllers
针对基于管的鲁棒模型预测控制，提出一种通过求解半定规划问题、从状态-输入数据集中同时辨识不确定LTI模型、反馈增益与不变集的并行方法，其得到的不变集保守性低于序贯方法。
2021-11-18 cs.SY eess.SY
RCUKF: Data-Driven Modeling Meets Bayesian Estimation
University of New Mexico（新墨西哥大学）
RCUKF结合数据驱动建模与贝叶斯估计，用于高维或混沌系统中准确的状态估计与实时校正。
2025-08-07 cs.LG cs.SY eess.SY
Iteratively Convex Frequency Data-Driven Synthesis of Structured MIMO Controllers
Eindhoven University of Technology（埃因霍温理工大学）；ASMPT Center of Competence（ASMPT能力中心）；Institute for Computer Science and Control（计算机科学与控制研究所）
针对结构化MIMO控制器，提出基于频率响应函数的广义IQC迭代凸综合方法，结合自举设计实现控制器灵活参数化与性能优化，经工业键合机运动台实验验证可直接从实测数据合成高性能多变量控制器。
2026-10-15 cs.SY eess.SY
A Kalman Filter-Assisted Data-Predictive SAR ADC With Reduced Switching Energy for Low-Power Applications
School of Integrated Circuits (School of Microelectronics) Northwestern Polytechnical University（西北工业大学集成电路学院（微电子学院））；Suzhou Institute of Nano-Tech Nano-Bionics Chinese Academy of Sciences（中国科学院苏州纳米技术与纳米仿生研究所）
针对超低功耗 ADC 需求，提出卡尔曼滤波器辅助数据预测型 SAR ADC，通过预测 4 个 MSB 实现并行切换，减少开关能量和量化周期，优化切换方案，双模式操作，降低功耗，适用于无线传感器网络。
2026-07-20 cs.SY eess.SP eess.SY
Data-driven control of continuous-time systems: A synthesis-operator approach
Graduate School of System Informatics, Kobe University（神户大学系统信息学研究科）
本文提出基于合成算子的连续时间系统数据驱动控制框架，无需状态导数和采样，直接利用连续时间数据进行系统辨识与稳定化。
2026-06-28 cs.SY eess.SY math.OC
Differentially Private Controller Synthesis With Metric Temporal Logic Specifications
Oden Institute for Computational Engineering and Sciences, University of Texas, Austin（奥斯汀德克萨斯大学奥登计算工程与科学研究所）；University of Florida（佛罗里达大学）
隐私是一个重要的问题，在各种多智能体系统中，从代理收集的数据是敏感的。我们提出了一个差分私人控制器合成方法的多智能体系统受到高层次的规格表示度量时序逻辑（MTL）。我们考虑这样一种设置，每个代理通过一组本地集线器将数据发送到云（计算站），云负责计算代理的控制输入。具体地，每个代理添加隐私噪声（例如，高斯噪声）在与本地集线器共享它们之前，在时间上逐点地到其自己的输出。每个本地集线器运行卡尔曼滤波器来估计相应代理的状态，并定期将这种状态估计发送到云。云根据MTL规范计算每个代理的最佳输入。在保证每个代理的差分隐私，控制器也合成，以确保概率保证满足MTL specification.We提供了一个实现所提出的方法的仿真案例研究与两个车轮上的机器人作为代理。
2019-09-29 cs.RO cs.SY eess.SY
Data-driven Estimation, Tracking, and System Identification of Deterministic and Stochastic Optical Spot Dynamics
针对光学系统光斑稳定与扰动抑制问题，提出一种经实验验证的数据驱动框架，结合协方差估计、非线性优化与子空间辨识进行光斑扰动建模及卡尔曼滤波器调优，并在压电镜与CMOS相机实验中验证了有效性。
2023-01-29 cs.SY eess.SY math.OC
Duality-Based Stochastic Policy Optimization for Estimation with Unknown Noise Covariances
控制和估计的双重性允许将数据引导控制的最新进展映射到估计设置。本文形式化，并利用这样的映射，考虑学习的最佳（稳态）卡尔曼增益过程和测量噪声统计是未知的。具体而言，建立在合成最优控制和估计增益之间的对偶性，滤波器设计问题被形式化为直接策略学习。在这个方向上，对偶性是用来扩展现有的理论保证的直接政策更新线性二次型调节器（LQR）建立全局收敛的梯度下降（GD）算法的估计问题-同时解决两个合成问题之间的细微差别。随后，采用随机梯度下降（SGD）方法来学习最优卡尔曼增益，而无需噪声协方差的知识。通过几个数值例子说明了结果。
2023-03-06 cs.SY eess.SP eess.SY
Model-Free Dynamic Mode Adaptive Control for Data-Driven Control Synthesis
University of Maryland, Baltimore County（马里兰大学巴尔的摩分校）
本文提出了一种无模型、数据驱动的控制合成方法，即动态模式自适应控制（DMAC），用于数学模型不可用或不适合经典控制设计的系统。该方法结合数据驱动的动力学近似与自适应控制合成，通过测量系统数据实现在线控制器设计。DMAC包含两个主要模块：动力学近似模块和控制器合成模块。
2026-04-29 cs.SY eess.SY math.OC
Explicit feedback synthesis for nonlinear robust model predictive control driven by quasi-interpolation
提出QuIFS算法，基于拟插值离线综合显式非线性鲁棒极小极大MPC反馈策略，保证ε-逼近最优解，并建立闭环稳定性与递归可行性。
2024-04-19 cs.SY eess.SY math.OC
BVE + EKF: A viewpoint estimator for the estimation of the object's position in the 3D task space using Extended Kalman Filters
INESC TEC；FEUP（波尔图工程学院）；ISR, University of Coimbra（科英布拉大学系统与机器人研究所）；KUCARS, Khalifa University（哈利法大学 KUCARS）
针对RGB-D传感器易受环境干扰及深度学习方案复杂难预测的问题，提出由EKF驱动的高斯视点估计器BVE预测物体3D位置，实验平均欧几里得误差约32 mm。
2024-10-03 cs.LG cs.RO cs.SY
Data-Driven System Level Synthesis
University of Pennsylvania（宾夕法尼亚大学）
我们建立数据驱动版本的系统级综合（SLS）参数化的可实现的闭环系统响应的线性定常系统在有限的地平线。最近的工作的启发，数据驱动的控制，利用工具从行为理论，我们表明，最优化问题的系统响应，可以构成只使用过去的系统轨迹库，没有明确确定一个系统模型。我们首先考虑无噪声轨迹的理想化设置，并显示传统和数据驱动的SLS之间的确切等价性。然后，我们表明，在由过程噪声驱动的系统的情况下，来自鲁棒SLS的工具可以用来表征噪声对闭环性能的影响，并进一步利用来自矩阵集中的工具来表明，可以使用简单的轨迹平均技术来减轻这些影响。最后，我们的数值实验表明我们的方法的合理性。
2021-03-06 cs.LG cs.SY eess.SY
On the Synthesis of Bellman Inequalities for Data-Driven Optimal Control
在数据驱动控制的线性规划（LP）方法的背景下，假设动力系统是未知的，但可以通过其演变的数据间接观察。理论和经验证据都表明，所需的次优差距往往只有通过对状态空间的大规模探索才能实现。在线性系的情况下，我们讨论了如何利用一个相对较小但足够丰富的数据集来离线生成新的约束，而无需观察相应的转换。此外，我们展示了如何重建相关的未知阶段成本，当系统是随机的，我们提供的见解估计的期望值在贝尔曼算子的相关问题，而无需重新初始化的动态在相同的状态输入对。
2021-09-27 cs.SY eess.SY math.OC
Capacity-Driven Low-Interference Fast Beam Synthesis for Next Generation Base Stations
实时多输入多输出（MIMO）阵列控制的容量性能，小区外干扰，和计算效率的要求同时执行时的问题是通过一个创新的混合波束成形技术来解决。首先将MIMO系统的激励合成重新表述为沿角坐标匹配理想的“混合”模式拟合容量或低干扰约束。然后，一个非迭代的处理方案，推导出每个MIMO波束的数字有效的合成技术是有益的组合。有代表性的结果，从广泛的数值验证，进行了讨论，显示，也比较，所提出的合成方法的优点和当前的局限性，当处理不同的传播情况下，发射机/接收机的数量，和噪声水平。
2021-04-12 cs.IT cs.SY eess.SY
EKF-SINDy: Empowering the extended Kalman filter with sparse identification of nonlinear dynamics
本文提出将EKF与SINDy结合，用数据驱动方式高效辨识非线性系统动力学，并通过时间延迟嵌入处理部分观测问题，为预测性数字孪生奠定基础。
2024-07-24 cs.SY eess.SY math.DS
Data-Driven Linear Quadratic Optimization for Controller Synthesis with Structural Constraints
对于各种典型的情况和情况下，制定的结果在一个最优控制问题，线性二次调节器（LQR）的方法和它的变种仍然是非常有吸引力的。在某些情况下，可能会出现对增益矩阵的某些规定的结构约束。因此，代数Riccati方程（ARE）不再以直接的方式适用于获得最优解。这项工作提出了一个相当有效的替代优化方法的基础上梯度投影。利用梯度通过数据驱动的方法获得，然后投影到适用的约束超平面上。本质上，该投影梯度确定了增益矩阵更新的前进方向和计算方向，其中功能成本降低;然后在迭代框架中进一步细化增益矩阵。利用该公式，总结了一种数据驱动的结构约束控制器综合优化算法。这种数据驱动的方法的主要优点是，它避免了精确建模的必要性，而精确建模在经典的基于模型的方法中总是需要的;因此，该方法可以额外地适应各种模型的不确定性。文中还提供了一些说明性的例子来验证理论结果。
2023-02-12 cs.SY eess.SY math.OC
A convex data-driven approach for nonlinear control synthesis
Sandia National Laboratories（桑迪亚国家实验室）；Clemson University（克莱姆森大学）；Georgia Institute of Technology（佐治亚理工学院）
我们考虑一类非线性控制综合问题的基础数学模型是不明确的。我们提出了一个数据驱动的方法来稳定系统时，只有样本轨迹的动态是可访问的。我们的方法是建立在基于密度函数的几乎处处稳定性证明，这是对偶的李雅普诺夫函数的动态系统。与基于李雅普诺夫的方法，密度函数导致一个凸的制定的联合搜索的控制策略和稳定性证书。这种类型的凸问题可以通过调用平方和（SOS）的机制来有效地解决。对于数据驱动的部分，我们利用的事实，对偶结果的稳定性理论的动力系统可以理解使用线性Perron-Frobenius和Koopman运营商。这种连接使我们能够使用数据驱动的方法来近似这些运营商结合SOS技术的凸制定控制合成。所提出的方法的有效性证明通过几个例子。
2020-06-28 cs.RO cs.SY eess.SY
Ontology-Driven Robotic Specification Synthesis
Warsaw University of Technology (WUT)（华沙技术大学）；NASA Jet Propulsion Laboratory (JPL)（美国国家航空航天局喷气推进实验室）；California Institute of Technology（加州理工学院）
本文提出基于本体的RSTM2方法，用于安全关键任务中机器人系统规范综合，通过随机时Petri网实现多层级蒙特卡洛模拟，支持架构权衡与资源分配。
2026-02-05 cs.AI cs.RO cs.SY
