Learning-Based Design of Off-Policy Gaussian Controllers: Integrating Model Predictive Control and Gaussian Process Regression
本文提出了一种非策略高斯预测控制框架,通过高斯过程建模优化过程并利用高斯过程回归学习模型预测控制算法,以实现更高效的最优控制。实验表明该方法在轨迹跟踪和避障任务中表现出良好的适应性和有效性。
2024-03-16 cs.RO cs.SY eess.SY
Distributed Motion Coordination Using Convex Feasible Set Based Model Predictive Control
Noweigian University of Science and Technology(挪威科技大学);Carnegie Mellon University(卡内基梅隆大学)
基于优化的运动协调方法在现实世界的多智能体系统中的实现仍然具有挑战性,由于其高计算复杂性和潜在的死锁。提出了一种基于凸可行集(CFS)算法的分布式模型预测控制(MPC)方法,用于自动驾驶中的多车运动协调。利用CFS对避碰约束进行凸化处理,可以实时的计算出避碰轨迹。我们分析了潜在的死锁,并表明可以通过改变车辆的期望速度来解决死锁。MPC结构确保了我们的算法对低水平跟踪误差具有鲁棒性。所提出的分布式方法已在多个具有挑战性的多车辆环境中进行了测试,包括非结构化道路,交叉口,交叉口,队列形成,合并和超车的情况。数值结果和与其他方法(包括集中MPC和倒数速度障碍)的比较表明,该方法计算效率高,鲁棒性好,避免了死锁。
2021-06-02 cs.RO
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
Learning Model Predictive Control for Competitive Autonomous Racing
Hamburg University of Technology(汉堡工业大学);UC Berkeley(加州大学伯克利分校)
本论文的目标是设计一个学习模型预测控制器(LMPC),允许多个智能体在预定义的赛道上实时竞争。本论文解决了两个主要的缺点,在现有的单剂配方。以前,代理确定局部最优轨迹,但不探索状态空间,这可能是必要的超车机动。此外,过去已经通过使用非凸终端集来实现LMPC的障碍物避免,这增加了确定优化问题的解决方案的复杂性。所提出的多代理竞赛算法通过执行多个不同初始化的LMPC来探索状态空间,从而产生更丰富的终端安全集。此外,一个新的方法来选择在终端集的状态,它保持了凸性的终端安全集,并允许采取次优状态。
2020-05-02 cs.LG cs.RO math.OC
Model Predictive Control for Autonomous Driving Based on Time Scaled Collision Cone
IIIT-Hyderabad(印度国际信息技术研究所海得拉巴分校);Tampere University of Technology(坦佩雷理工大学);Mathworks Inc.(Mathworks公司)
本文提出了一种基于路径速度分解范式的自动驾驶模型预测控制框架。基于MPC的优化具有两层结构,其中首先,为车辆计算适当的路径,然后计算沿其的最佳前进速度。所提出的路径速度分解的性质允许优化的两层之间的无缝兼容性。所提出的工作的一个关键特征是,它卸载的碰撞避免的速度优化层的计算效率的配方可以推导出的大部分责任。特别是,我们扩展了我们以前开发的时间尺度碰撞锥(TSCC)约束的概念,并制定了前向速度优化层作为一个凸二次规划问题。我们对自动驾驶场景进行验证,其中提出的MPC以滚动时域的方式重复求解两个优化层,以计算多个动态障碍物之间的车道变换,超车和合并机动。
2018-03-07 cs.RO
M-Predictive Spliner: Enabling Spatiotemporal Multi-Opponent Overtaking for Autonomous Racing
Center for Project-Based Learning, D-ITET, ETH Zurich(项目导向学习中心,D-ITET,苏黎世联邦理工学院)
本文提出一种基于卡尔曼滤波跟踪与高斯过程回归预测的多对手自主竞速超车方法,在1:10实车上实现91.65%超车成功率并提升10.13%安全性。
2025-06-19 cs.RO
Deep Reinforcement-Learning-Guided Model Predictive Control for Preventing Overtakes in Autonomous Racing
University of Michigan(密歇根大学);National University of Singapore(新加坡国立大学)
研究自主赛车防御性阻挡问题,通过分层强化学习引导的模型预测控制框架,将防御转化为空间占用调节问题。在仿真中提升平均超车时间,减少对手前进距离,使车辆有效利用轮胎力,且求解时间短,支持实时高速对抗。
2026-07-24 cs.RO
Model Predictive Control for Autonomous Driving considering Actuator Dynamics
International Institute of Information Technology, Hyderabad(海得拉巴国际信息技术学院);Tampere University of technology(坦佩雷理工大学)
在本文中,我们提出了一种新的模型预测控制(MPC)制定的自动驾驶。我们的MPC的新颖性源于以下结果。首先,我们采用交替最小化的方法,其中线速度和角加速度交替优化。我们表明,在对比的联合优化,交替最小化更好地利用问题的结构,这反过来又转化为减少计算时间。其次,我们的MPC明确纳入了时间相关的非线性致动器动态捕捉车辆的瞬态响应给定的命令速度。这种增加的复杂性提高了预测组件的MPC,从而提高了裕度的车辆间的距离在操纵,如超车,换道等,虽然,过去的作品也纳入了致动器的动态MPC,有很少的尝试耦合致动器的动态碰撞避免约束通过非完整运动模型的车辆和分析所产生的行为。我们使用一个高保真度的模拟器来基准我们的致动器动态增强MPC与其他相关的方法,如车辆间的距离,轨迹平滑度,速度过冲的指标。
2018-10-12 cs.RO
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
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
A Tutorial on Gaussian Process Learning-based Model Predictive Control
Concordia University(康考迪亚大学)
本教程系统阐述 GP-MPC 的回归基础、均值与方差多步传播近似的数学表述,并通过机器人路径跟踪和混合车辆编队验证其有效性。
2026-11-13 cs.LG cs.RO cs.SY
Learning to Control an Unstable System with One Minute of Data: Leveraging Gaussian Process Differentiation in Predictive Control
California Institute of Technology(加州理工学院)
我们提出了一个简单而有效的方法来控制不稳定的机器人系统,使用估计的动力学模型。具体来说,我们将展示如何利用高斯过程的可微性来创建一个状态相关的线性化近似的真实连续动态,可以集成模型预测控制。我们的方法是兼容的大多数高斯过程方法的系统辨识,并可以学习一个准确的模型,使用适量的训练数据。我们通过学习一个不稳定系统的动态来验证我们的方法,例如具有7-D状态空间和2-D输入空间的赛格威(仅使用一分钟的数据),并且我们表明所得到的控制器对未建模动态和干扰具有鲁棒性,而基于标称模型的最先进的控制方法在小扰动下可能会失败。代码在https://github.com/learning-and-control/core上开源。
2021-08-01 cs.LG cs.RO cs.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
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
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
Model Predictive Control of Nonlinear Latent Force Models: A Scenario-Based Approach
University of Kansas(堪萨斯大学)
非线性不确定系统的控制是机器人领域的一个共同挑战。非线性潜力模型,其中包括潜在的不确定性特征为高斯过程,进行有效地表示这样的系统的承诺,我们专注于他们在这项工作中的控制设计。为了使设计,我们采用高斯过程的状态空间表示来重铸非线性潜在力模型,从而建立预测未来状态和不确定性的能力。利用这一特点,一个随机模型预测控制问题制定。为了得到一个计算算法的问题,我们使用的基于神经网络的方法来制定一个确定性的近似的随机优化。我们评估所得到的基于神经网络的模型预测控制方法通过仿真研究的基础上的运动规划的自主车辆,这表明了很大的有效性。所提出的方法可以在各种其他机器人应用中找到潜在的用途。
2022-07-28 cs.RO cs.SY eess.SY
Multi-Modal Model Predictive Control through Batch Non-Holonomic Trajectory Optimization: Application to Highway Driving
IIIT Hyderabad(海得拉巴国际信息技术研究所);University of Tartu(塔尔图大学)
标准的模型预测控制(MPC)或轨迹优化方法仅执行局部搜索以解决复杂的非凸优化问题。因此,它们无法捕捉人类驾驶的多模态特性。全局优化器可能是一种潜在的解决方案,但在实时设置中计算上是棘手的。在本文中,我们提出了一个实时MPC能够搜索不同的驾驶模式。我们的基本想法很简单:我们运行几个目标导向的并行轨迹优化,并基于用户定义的Meta成本函数对所得到的轨迹进行评分。这使我们能够在几个局部最优运动计划上执行全局搜索。虽然概念上很简单,但从技术和计算的角度来看,用现有的优化器实时实现这个想法是非常具有挑战性的。基于这个动机,我们提出了一种新的批量非完整轨迹优化,其基础矩阵代数是很容易并行化的问题实例,并减少到计算大批量矩阵向量乘积。这种结构,反过来,是通过推导一个线性化自由的多凸重构的非完整运动学和碰撞避免约束。我们广泛验证我们的方法使用合成和真实的数据集(NGSIM)的交通场景。我们强调我们的算法如何自动变道和超车决定的基础上定义的Meta成本函数。我们的批处理优化器以更低的Meta成本实现轨迹,比竞争基线快6倍。
2022-03-14 cs.RO
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
Safe Machine-Learning-supported Model Predictive Force and Motion Control in Robotics
TU Darmstadt(达姆施塔特工业大学);Otto-von-Guericke-Universität Magdeburg(奥托·冯·格里克马格德堡大学)
许多机器人任务,如人机交互或易碎物体的处理,需要严格控制和限制出现的力和力矩以及合理的运动控制,以实现安全而高性能的操作。我们提出了一个学习支持的模型预测力和运动控制方案,提供随机安全保证,同时适应不断变化的情况。高斯过程用于学习将机器人的状态映射到力和力矩的不确定关系。模型预测控制器使用这些高斯过程模型,以实现精确的运动和力控制下的随机约束满足。由于不确定性只发生在静态模型部分-输出方程-一个计算效率高的随机MPC制定。分析了静态不确定情况下最优控制问题的递归可行性和闭环系统的收敛性。基于高斯过程的方差,构造了机会约束公式和退避,以保证安全运行。在一个轻量级的机器人在模拟和实验中说明了这种方法。
2023-03-08 cs.LG cs.RO cs.SY
Overtaking Moving Obstacles with Digit: Path Following for Bipedal Robots via Model Predictive Contouring Control
University of Delaware(特拉华大学)
本文提出一种基于模型预测轮廓控制(MPCC)的双足机器人步态选择方法,使Digit能在最大化路径推进的同时,在忠实路径跟随与快速路径跟随间决策,实现超越移动障碍物。
2023-07-31 cs.RO
Integrated Graph Search and Model Predictive Control for Smooth and Efficient Path Planning in Autonomous Vehicles
Institute of Automotive Engineering, Graz University of Technology(格拉茨工业大学汽车工程研究所);Drone Engineering, University of Applied Science Kufstein Tirol(库夫施泰因蒂罗尔应用科学大学无人机工程系);Automation and Control Institute (ACIN), Vienna University of Technology(维也纳工业大学自动化与控制研究所)
提出一种顺序路径规划框架,利用图搜索得到的粗糙路径指导基于模型预测控制的路径细化,在多个超车场景评估算法,相比之前方法能降低横向加速度等,还减少计算成本。
2026-07-07 cs.RO
Gaussian Process based Stochastic Model Predictive Control for Cooperative Adaptive Cruise Control
School of Electrical & Computer Engineering, Univ. of Georgia(佐治亚大学电气与计算机工程学院);Dept. of Electrical & Computer Engineering, Univ. of Central Florida(中佛罗里达大学电气与计算机工程系)
协同驾驶依赖于车辆之间的通信来创建态势感知。协同驾驶的一个应用是协同自适应巡航控制(CACC),其目的是提高公路运输的安全性和能力。基于模型的通信(MBC)是一种新的模式,具有灵活的内容结构,用于广播联合车辆-驾驶员预测行为模型。车辆复杂的动力学特性和多样化的驾驶行为增加了建模过程的复杂性。高斯过程(GP)是一种完全数据驱动的非参数贝叶斯建模方法,可用作MBC的建模组件。关于不确定性的知识通过生成车辆的本地GPS并将其超参数作为模型广播给相邻车辆来进行预测。在这项研究中,GP被用来模拟每辆车的速度轨迹,这使得车辆能够在通信丢失和/或低速率通信期间访问其前车的未来行为。此外,为了克服车队中的安全问题,考虑了每辆车的两种运行模式:自由跟随和紧急制动。本文提出了一种离散混合随机模型预测控制,它结合了系统的模式,以及由GP模型捕获的不确定性。所提出的控制设计方法,找到最佳的车辆速度轨迹的目标是实现一个安全和有效的车队的车辆与小车辆间的差距,同时减少依赖的车辆上频繁的通信。仿真研究表明,所提出的控制器的有效性,考虑上述通信模式与低速率间歇通信。
2021-11-13 cs.RO
Model Predictive Control with Gaussian Processes for Flexible Multi-Modal Physical Human Robot Interaction
Fraunhofer IPK(弗劳恩霍夫生产设备与设计技术研究所)
本文提出基于高斯过程的模型预测控制方法,用于多模态人机协作交互,通过贝叶斯推断和在线控制提升任务灵活性和效率。
2021-10-24 cs.RO cs.SY eess.SY
Quasi-Periodic Gaussian Process Predictive Iterative Learning Control
IITB-Monash Research Academy, IIT Bombay(IITB-蒙纳士研究学院,IIT博伊斯瓦尔);Department of Mathematics, IIT Bombay(数学系,IIT博伊斯瓦尔);Department of Electrical and Computer Systems Engineering, Monash University(电气与计算机系统工程系,蒙纳士大学)
本文提出一种基于准周期高斯过程的预测迭代学习控制方法,通过高效建模和预测扰动,提升重复性任务的收敛速度和鲁棒性。
2026-02-20 cs.RO cs.SY eess.SY
ObserveNet Control: A Vision-Dynamics Learning Approach to Predictive Control in Autonomous Vehicles
RovisLab(罗维斯实验室);BitDefender(比特梵德);Technical University of Cluj-Napoca(克卢日-纳波卡技术大学)
自动驾驶的一个关键组成部分是自动驾驶汽车理解、跟踪和预测周围环境动态的能力。尽管在目标检测、跟踪和观测预测领域中存在显著的工作,但是没有先前的工作证明原始观测预测可以用于运动规划和控制。在本文中,我们提出了ObserveNet控制,这是一个视觉动力学方法的预测控制问题的自动驾驶汽车。我们的方法由以下部分组成:i)深度神经网络,能够在长达10秒的时间范围内自信地预测未来的传感数据; ii)时间规划器,旨在根据预测的传感数据计算安全的车辆状态轨迹。给定车辆的历史状态和激光雷达点云形式的传感数据,该方法旨在以自我监督的方式学习观察到的驾驶环境的动态,而无需手动指定训练标签。实验在模拟和现实生活中进行,使用CARLA和RovisLab的AMTU移动平台作为1:4比例的汽车模型。我们评估ObserveNet控制在侵略性驾驶环境中的能力,如超车机动或侧切情况,同时将结果与基线动态窗口方法(DWA)和两个最先进的模仿学习系统,即作弊学习(LBC)和世界铁路(WOR)进行比较。
2021-07-19 cs.RO
GeoPredict: Leveraging Predictive Kinematics and 3D Gaussian Geometry for Precise VLA Manipulation
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Hunan University(湖南大学);Voyager Research, Didi Chuxing(滴滴出行沃歌研究)
GeoPredict通过引入轨迹级模块和预测3D高斯几何模块,提升VLA模型在3D空间推理中的精度,实验表明其在几何密集和空间要求高的任务中表现优异。
2026-04-07 cs.CV cs.RO
Trust Your Robots! Predictive Uncertainty Estimation of Neural Networks with Sparse Gaussian Processes
German Aerospace Center (DLR)(德国航空航天中心);Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院);Technical University of Munich (TUM)(慕尼黑工业大学);ETH Zürich (ETHZ)(苏黎世联邦理工学院)
本文提出了一个概率框架,以获得可靠和快速的不确定性估计与深度神经网络(DNN)的预测。我们的主要贡献是DNN与稀疏高斯过程(GP)的实用和原则性组合。我们从理论上证明,DNN可以被看作是一个特殊的情况下,稀疏GP,即GP专家的混合物(MoE-GP),我们设计了一个学习算法,将派生的理论付诸实践。在实验中,从两个不同的机器人任务-逆动力学的机械手和目标检测的微型飞行器(MAV)-我们展示了我们的方法的有效性方面的预测不确定性,提高可扩展性,和运行时的效率Jetson TX 2。因此,我们认为,我们的方法可以铺平道路,可靠和快速的机器人学习系统的不确定性意识。
2021-09-21 cs.AI cs.CV cs.LG
Motoneuron-Inspired Sampling for Model Predictive Path Integral Control
本文提出运动神经元启发的Spike-MPPI采样方法,通过结构化扰动提升MPPI控制平滑度,并揭示频谱结构与高阶统计的作用。
2026-10-30 cs.RO
Model Predictive Impedance Control with Gaussian Processes for Human and Environment Interaction
Fraunhofer IPK(弗劳恩霍夫生产设备与设计技术研究所)
本文提出基于高斯过程的模型预测控制框架,用于处理人机交互中的多种不确定性,通过非线性优化提升机器人轨迹和阻抗的适应性与安全性。
2022-12-10 cs.RO
Forecast-aware Gaussian Splatting for Predictive 3D Representation in Language-Guided Pick-and-Place Manipulation
KTH Royal Institute of Technology(皇家理工学院)
本文提出Forecast-GS框架,通过预测3D状态提升语言引导的机器人操作性能,实验显示其在抓取与放置任务中优于基线方法,表明明确预测任务完成状态有助于更可靠的行动评估。
2026-05-11 cs.RO