Bayesian Active Inference for Intelligent UAV Anti-Jamming and Adaptive Trajectory Planning
University of Genoa（热那亚大学）；Italian National Inter-University Consortium for Telecommunications (CNIT)（意大利国家大学电信联合体（CNIT））
本文提出基于贝叶斯主动推断的无人机抗干扰与自适应轨迹规划方法，通过结合专家示范与概率生成模型，实现高层规划与底层策略的协同，有效减少干扰并提升任务效率。
2025-12-05 cs.AI cs.RO cs.SY
Fast Calibration of Car Following models to Trajectory data using the Adjoint Method
本文将跟车模型校准表述为优化问题，利用伴随方法解析推导梯度以克服无梯度优化的计算成本随参数扩展的缺陷，实验证明拟牛顿算法比遗传算法更快且精度略高。
2020-09-21 cs.SY eess.SY
A Comparison of Bayesian Prediction Techniques for Mobile Robot Trajectory Tracking
Dept. of Electrical Engineering, Pontificia Universidad Católica de Chile（电气工程系，智利天主教大学）
本文比较了移动机器人轨迹跟踪中多种贝叶斯预测技术的性能，包括卡尔曼滤波及其变种和粒子滤波等方法，评估了误差、计算成本和鲁棒性等关键指标。
2026-02-17 cs.RO cs.SY eess.SY
Trajectory tracking model-following control using Lyapunov redesign with output time-derivatives to compensate unmatched uncertainties
Technische Universtät Ilmenau（伊尔梅瑙工业大学）
本文提出了一种基于Lyapunov重设计和输出时间导数的模型跟随控制方法，用于补偿非线性系统中的不匹配不确定性，并通过数值示例验证了其有效性。
2025-01-22 cs.SY eess.SY math.OC
Stochastic Time-Optimal Trajectory Planning for Connected and Automated Vehicles in Mixed-Traffic Merging Scenarios
针对混合交通汇入场景，本文提出一种基于数据驱动人类驾驶行为预测与不确定性量化的CAVs随机时间最优轨迹规划与重规划框架，并在真实仿真环境中验证了其性能。
2023-10-31 cs.SY eess.SY
IDM-Follower: A Model-Informed Deep Learning Method for Long-Sequence Car-Following Trajectory Prediction
Purdue University（普渡大学）
基于模型和基于学习的方法是对车辆跟驰行为建模的两种主要方法。基于模型的方法用显式的数学方程描述跟驰行为，而基于学习的方法则侧重于获得输入和输出之间的映射。这两种方法各有优缺点。同时，大多数车辆跟驰模型是生成式的，只考虑上一个时间步的速度、位置和加速度输入。为了解决这些问题，本研究提出了一种新的框架，称为IDM跟随器，可以产生一个序列的后续车辆轨迹由一个经常性的自动编码器通知的物理跟车模型，智能驾驶模型（IDM）。我们实现了一种新的结构，两个独立的编码器和一个自我注意解码器，可以顺序预测后续轨迹。一个损失函数，考虑预测和标记的数据与基于模型的预测的差异集成之间的差异来更新神经网络参数。在仿真和NGSIM数据集上进行的多设置数值实验表明，与单独的基于模型或基于学习的方法相比，IDM跟随器可以提高预测性能。对不同噪声水平的分析也表明该模型具有较好的鲁棒性。
2022-10-20 cs.LG cs.RO cs.SY
Bayesian Methods in Automated Vehicle's Car-following Uncertainties: Enabling Strategic Decision Making
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本文提出了一种方法来估计不确定性的自动车辆（AV）动态实时通过贝叶斯推理。基于估计的不确定性，该方法的目的是不断监测车辆跟随（CF）性能的AV，以支持战略行动，以保持所需的性能。我们的方法包括三个连续的组成部分：（i）随机梯度Langevin动力学（SGLD）采用估计参数的不确定性相对于车辆动态实时，（ii）动态监测的车辆跟驰稳定性（本地和字符串明智），和（iii）的战略行动，控制调整，如果检测到异常。所提出的方法提供了手段，以衡量AV汽车跟随性能的实时和保持所需的性能对实时的不确定性，在车辆控制算法中未考虑。
2022-10-25 cs.LG cs.RO cs.SY
Bayesian Safe Learning and Control with Sum-of-Squares Analysis and Polynomial Kernels
我们提出了一种迭代的方法来安全地学习未建模动态的非线性系统使用贝叶斯高斯过程（GP）模型与多项式核函数。该方法通过在收集数据的同时确保系统状态保持在稳定控制策略的吸引区域（ROA）内来维护安全性。计算基于二次规划的探测控制策略，以保持探测轨迹在ROA的内近似内，并最大化从轨迹中获得的信息。一个先验GP模型，其中包含有关未知动态的先验信息，用于构建一个初始的稳定化政策。随着GP模型随着数据的更新，它被用来合成新的策略和更大的ROA，这增加了安全探索的范围。多项式核的使用使我们能够计算ROA内近似和稳定的控制律的模型使用平方和编程。我们还提供了一个概率安全保证，确保使用学习模型计算的策略以高置信度稳定真实动态。
2020-04-01 cs.SY eess.SY
Multi-Objective Optimization of a Path-following MPC for Vehicle Guidance: A Bayesian Optimization Approach
RWTH Aachen University（亚琛工业大学）；IAV GmbH（IAV公司）
研究了车辆纵向和横向控制的路径跟踪模型预测控制的代价泛函的多目标优化问题。虽然模型预测控制固有的最优特性和对约束的直接考虑为许多应用提供了非常强大的工具，但是确定适当的成本泛函是一项重要的任务。这一方面由自由度的数量或多个可调参数引起，另一方面由这些参数的耦合引起。为了克服这种情况下的贝叶斯优化过程，它给出了可能性，以确定最佳的成本函数参数为一个给定的愿望。此外，可以计算一组可能的配置的帕累托前沿。
2021-04-08 cs.RO cs.SY eess.SY
Data-driven Fuzzy Control for Time-Optimal Aggressive Trajectory Following
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
本文针对多旋翼飞行器空中翻转等激进机动的时间最优跟踪问题，提出一种数据驱动的Takagi-Sugeno模糊控制框架，结合悬停镇定控制器与模仿时间最优轨迹的ARMA控制器，以应对初始条件和参数误差带来的不良行为。
2025-04-09 cs.LG cs.RO cs.SY
Flatness-Based Geometric Path Following via Guiding Vector Fields
本文提出基于平坦性的几何控制（FGC），融合引导向量场与微分平坦性控制，消除时间参数化轨迹需求，实现路径跟踪的指数收敛，并扩展至无奇点情形。
2026-10-07 cs.SY eess.SY
Coordinated Trajectory Control Algorithm for Quadcopter Motion along a Smooth Spatial Trajectory
ITMO University（ITMO大学）
本文提出一种鲁棒算法，用于四旋翼沿光滑空间轨迹的运动控制，通过引入额外积分器简化控制器调优方法，并证明了控制律的稳定性。
2026-05-14 cs.SY eess.SY
Variational Inference MPC for Bayesian Model-based Reinforcement Learning
Panasonic Corp.（松下公司）；Ritsumeikan Univ.（立命馆大学）
在最近关于基于模型的强化学习（MBRL）的研究中，在前向动力学中引入不确定性是提高学习性能的最新策略，使MBRL与尖端的无模型方法竞争，特别是在模拟机器人任务中。轨迹采样概率集成（Probablenessbles with trajectory sampling，PETS）是MBRL的一种主要类型，它将贝叶斯推理应用于动力学建模和模型预测控制（Model Predictive Control，MPC），并通过交叉熵方法（Cross Entropy Method，CEM）进行随机优化。在本文中，我们提出了一种新的扩展不确定性感知MBRL。我们的主要贡献是两方面的：首先，我们引入了变分推理MPC，它重新制定了各种随机方法，包括CEM，在贝叶斯时尚。其次，我们提出了一个新的框架，称为概率动作合奏与轨迹采样（PaETS）的实例。因此，我们的贝叶斯MBRL可以涉及多模态的不确定性，无论是在动态和最佳轨迹。与PETS相比，我们的方法在几个具有挑战性的运动任务上始终提高了渐近性能。
2019-10-07 cs.LG cs.SY eess.SY
Formation Flight Control of Multi-UAV System Using Neighbor-based Trajectory Generation Topology
提出了一种基于主从编队结构的分布式编队飞行控制拓扑。这种拓扑结构首先取决于在线生成的轨迹，该轨迹应该由地层中的代理遵循。每个代理的轨迹在执行过程中根据其邻居进行规划，并考虑到所需的参考轨迹仅提供给领导者。利用MATLAB/SIMULINK对一个四旋翼无人机编队进行了仿真，验证了该方法的有效性。该拓扑在实现编队和跟随参考轨迹方面显示出非常好的结果。
2021-01-01 cs.SY eess.SY
Real-time Monitoring of Autonomous Vehicle's Time Gap Variations: A Bayesian Framework
本文提出了一种新的监测方法，自动车辆的车辆跟随控制，使用通过车辆传感器获得的间距和速度的实时测量。这项研究的重点是监测的时间间隔，一个关键参数，决定了所需的以下间距的控制车辆。目标是监控实际时间间隔与所需设置的偏差，并检测其何时偏离控制限值。一个随机系数建模系统捕获的时间间隔的随机分布，并推导出一个封闭形式的贝叶斯更新计划的实时推理。然后采用控制图来系统地设置控制限值，并告知何时应更改时间间隔设置。仿真实验证明了该方法的有效性，用于监测时间间隔，并在参数设置需要改变时发出警报。
2021-01-31 cs.SY eess.SY
Bayesian Optimization Parameter Tuning Framework for a Lyapunov Based Path Following Controller
针对非线性几何控制器中参数相互依赖导致手动调优效率低的问题，提出一种将闭环系统视为黑箱、利用高斯过程代理模型进行贝叶斯优化的数据高效调优方法，并在本田AI-Formula三轮机器人上验证了其在32次试验内提升控制器性能的有效性。
2026-05-27 cs.RO cs.SY eess.SY
Learning in Centralized Nonlinear Model Predictive Control: Application to an Autonomous Tractor-Trailer System
拖拉机操作中最关键的任务之一是在田间作业期间的准确转向，例如，在机械除草或喷洒时，精确的轨迹跟踪，以避免损坏作物或在没有作物的情况下种植。为了提高全自主牵引车-拖车系统的转向精度，同时使其轨迹跟踪自动化，提出了一种非线性模型预测控制方法。对于状态和参数估计，选择了滚动时域估计，因为它考虑了同一问题内的状态和参数估计，并且还可以将对输入和状态的约束结合起来。实验结果表明，所提出的控制方案的准确性和效率，其中的平均值的欧氏误差为牵引车和拖车，分别为6.44和3.61厘米的直线轨迹和49.78和41.52厘米的曲线轨迹。
2021-04-05 cs.SY eess.SY
Control Barrier Function Based UAV Safety Controller in Autonomous Airborne Tracking and Following Systems
Virginia Tech（弗吉尼亚理工大学）；University of Kentucky（肯塔基大学）；University of Louisville（路易斯维尔大学）
针对无人机空中跟踪非合作目标时的碰撞风险，提出基于控制屏障函数的二次规划安全控制器，最小化修改轨迹跟踪输入以保证安全，并在AirSim模拟中验证了有效性。
2023-12-28 cs.RO cs.SY eess.SY
Parsimonious shooting heuristic for trajectory control of connected automated traffic part I: Theoretical analysis with generalized time geography
Mississippi State University（密西西比州立大学）；Leidos, Inc.（莱多斯公司）
本文提出一种节俭射击启发式算法，用于在信号化高速公路上控制车辆轨迹，通过将轨迹分解为可解析的段落，解决复杂轨迹控制问题，并利用广义时间地理理论证明算法在温和条件下总能获得可行解。
2015-11-16 cs.SY eess.SY math.OC
SLAS: Speed and Lane Advisory System for Highway Navigation
University of Maryland, College Park（马里兰大学帕克分校）；Honda Research Institute（本田研究院）
本文提出了一种分层的自主车辆导航体系结构，由一个高层次的速度和车道咨询系统（SLAS）与低层次的轨迹生成和轨迹跟踪模块。具体来说，我们的目标是多车道高速公路驾驶场景，其中自主自我车辆在交通中导航。我们提出了一种新的滚动时域混合整数优化为基础的方法，SLAS的目标是最大限度地减少旅行时间，同时考虑乘客的舒适度。我们进一步将各种修改所提出的方法，以提高整体的计算效率，并实现实时性能。我们证明了所提出的方法的有效性与现有的方法相比，当应用与国家的最先进的轨迹生成和轨迹跟踪框架，在CARLA仿真环境。
2023-03-01 cs.RO cs.SY eess.SY
Signatures Meet Dynamic Programming: Generalizing Bellman Equations for Trajectory Following
University of Washington（华盛顿大学）；NVIDIA（英伟达）；University of Sydney（悉尼大学）
本研究建立最优控制价值函数与路径签名的关联，提出签名控制框架推广Bellman方程至轨迹空间，兼具自适应步长等优势，还设计了适用于未知扰动的路径跟踪模型预测控制方法，仿真验证有效。
2024-06-19 cs.LG cs.RO cs.SY
Increasing Air Traffic: What is the Problem?
\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ Thales Research \& Technology, Palaiseau, France \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ Email；\ \ \ \ \ \ \ \ \ \ \ \ \ \ TAO, INRIA Saclay, France \ \ \ \ \ \ \ \ \ \ \ \ \ \ Email
本文提出一个框架，通过贝叶斯网络建模轨迹不确定性，并利用优化和监控过程最小化扇区拥堵和延误概率，以桥接空中交通管理与控制以及不同空域部门之间的差距。
2012-12-17 cs.AI cs.SY eess.SY
Model Predictive Path-Following for Constrained Differentially Flat Systems
University of Toronto Institute for Aerospace Studies (UTIAS)（多伦多大学航空航天研究所（UTIAS））
本文提出一种结合前馈线性化与基于路径的模型预测控制的新型预测路径跟踪方法，通过微分平坦性将非线性问题转化为凸优化问题，并通过动态路径参考提高系统鲁棒性，实验验证了在四旋翼上优于传统轨迹跟踪控制器的性能。
2017-11-02 cs.RO cs.SY eess.SY
Continuous-discrete multiple target tracking with out-of-sequence measurements
University of Liverpool（利物浦大学）；Universidad Antonio de Nebrija（安东尼奥·德·内布里哈大学）；University of Electronic Science and Technology of China（电子科技大学）
本文推导了连续时间多目标跟踪中观测值乱序（OOS）集的最优贝叶斯处理方法。我们考虑一个以连续时间建模的多目标系统，当我们接收到测量值时，该系统在时间步处被离散化，这些测量值根据标准点目标模型分布。在采样时间步长处关于该系统的所有信息由所有轨迹的集合上的后验密度提供。该密度可以通过连续-离散轨迹泊松多伯努利混合（TPBM）滤波器来计算。当我们接收到OOS测量时，最优贝叶斯处理执行追溯步骤，该步骤在OOS测量时间戳处添加轨迹信息，然后执行更新步骤。在OOS测量更新后，后部保持TPBM形式。我们还提供了一个计算更轻的替代方案的基础上的轨迹泊松多伯努利滤波器。两种方法处理OOS测量的有效性进行了评估，通过模拟。
2021-09-01 cs.CV cs.SY eess.SY
Smoothing-Averse Control: Covertness and Privacy from Smoothers
在本文中，我们研究的问题，控制一个部分可观察的随机动力系统，使其状态是难以推断使用（固定区间）贝叶斯平滑。这个问题在希望保持系统的整个状态轨迹隐藏的应用中自然出现。我们将我们的平滑厌恶控制问题作为最大化平滑状态估计的（联合）熵的问题（即，给定测量和控制历史的状态轨迹的联合条件熵）。我们证明了一般非线性状态空间模型的贝叶斯平滑估计的熵可以表示为贝叶斯滤波器给出的边际状态估计的熵之和。这种新的添加剂的形式，使我们能够重新制定的平滑厌恶控制问题作为一个完全观察到的随机最优控制问题的信息（或信念）状态的通常概念，并通过动态规划解决由此产生的问题。我们说明了平滑厌恶控制的隐私在基于云的控制和隐蔽的机器人导航的适用性。
2021-03-23 cs.IT cs.SY eess.SY
Bayesian Algorithms Learn to Stabilize Unknown Continuous-Time Systems
线性动力系统是一类基于学习控制的不确定动态对象的典型模型。该设置由一个随机微分方程，捕捉的状态演变的植物understudy，而真正的动态矩阵是未知的，需要从状态轨迹的观测数据学习。一个重要的问题是确保系统稳定，并尽快排除由于模型不确定性而导致的不稳定控制行为。目前还没有一种可靠的稳定化程序，可以有效地从不稳定的数据中学习，在有限的时间内稳定系统。在这项工作中，我们提出了一种新的贝叶斯学习算法，稳定未知的连续时间随机线性系统。所提出的算法是灵活的，并暴露出有效的稳定性能后，一个非常短的时间内与系统的相互作用。
2021-12-30 cs.AI cs.LG cs.SY
