Stochastic Approximation for Risk-aware Markov Decision Processes
Shenzhen Research Institute of Big Data（深圳大数据研究院）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Purdue University（普渡大学）
我们开发了一个随机逼近型算法来解决有限状态/动作，无限时域，风险意识马尔可夫决策过程。我们的算法有两个循环。内部循环通过求解随机鞍点问题来计算风险。外部循环执行$Q$学习以计算最优风险感知策略。我们的算法涵盖了几个广泛研究的风险度量（例如条件风险值，优化的确定性等价物和绝对半偏差）。建立了算法的几乎必然收敛和收敛速度。对于最佳$Q$值估计间隙和学习速率$k\in(1/2,\,1]$的容错$ε>0$，我们的算法的总体收敛速度为$Ω((\ln(1/δε)/ε^{2})^{1/k}+(\ln(1/ε))^{1/(1-k)})$，概率至少为$1-δ$。
2019-12-04 cs.AI math.OC
Risk-Aware Reward Shaping of Reinforcement Learning Agents for Autonomous Driving
Eindhoven University of Technology（埃因霍温理工大学）；Northwestern Polytechnical University（西北工业大学）
针对自动驾驶强化学习奖励函数难确定、传统方法缺风险感知的问题，提出风险感知奖励塑形方法，新增鼓励探索、惩罚风险行为的奖励项，仿真验证对多类智能体有效，且PPO方法配合效果最佳。
2023-08-25 cs.AI cs.RO
Don't Get Yourself into Trouble! Risk-aware Decision-Making for Autonomous Vehicles
The Pennsylvania State University（宾夕法尼亚州立大学）
风险传统上被描述为不期望结果的预期可能性，例如自动驾驶车辆的碰撞。准确预测风险或潜在风险情况对于自动驾驶汽车的安全运行至关重要。在我们以前的工作中，我们表明风险可以由两个组成部分来表征：1）不期望结果的概率和2）对结果（损失）的不期望程度的估计。本文是我们以前工作的一个扩展。在本文中，使用我们训练的深度强化学习模型在人群中导航，我们为自动驾驶汽车开发了一个基于风险的决策框架，该框架集成了基于风险的高级路径规划和基于强化学习的低级控制。我们评估了我们的方法在一个高保真度的模拟，如CARLA。这项工作可以提高安全性，让自动驾驶汽车有一天可以避免和应对危险情况。
2021-06-08 cs.AI cs.RO
Risk-Aware High-level Decisions for Automated Driving at Occluded Intersections with Reinforcement Learning
Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
强化学习是当今解决自动驾驶中不同决策问题的流行框架。然而，仍有一些关键挑战需要解决，以提供更可靠的政策。在本文中，我们提出了一个通用的风险意识的DQN方法，以学习高层次的行动，通过无信号闭塞路口驾驶。所提出的状态表示提供了基于车道的信息，其允许用于多车道场景。此外，我们提出了一个基于风险的奖励函数，它惩罚有风险的情况，而不仅仅是碰撞失败。这种奖励方法有助于将风险预测纳入我们的深度Q网络，并学习更可靠的策略，在具有挑战性的情况下更安全。所提出的方法的效率相比，与传统的碰撞为基础的奖励计划，也与基于规则的交叉口导航政策的DQN学习。评估结果表明，所提出的方法优于这两种方法。它提供了比冲突感知DQN方法更安全的操作，并且比基于规则的策略更谨慎。
2020-04-09 cs.AI cs.LG cs.RO
Efficient Heteroscedastic Bayesian Optimization for Risk-Aware AutoRL
提出ERAHBO方法，将RL学习结果的均值和方差建模为HP配置的函数，通过自适应重采样提升样本效率，在多种RL算法与环境上优于相关基线。
2026-07-30 cs.AI cs.LG
Mind the Uncertainty: Risk-Aware and Actively Exploring Model-Based Reinforcement Learning
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；University of Tübingen（图宾根大学）
提出一种基于轨迹采样的模型强化学习方法，通过概率安全约束及分离认知与偶然不确定性来平衡乐观与悲观，有效管理风险，在不确定及安全关键的控制环境中表现优异。
2023-09-11 cs.AI cs.LG cs.RO
Robust Stochastic Shortest-Path Planning via Risk-Sensitive Incremental Sampling
University of Maryland（马里兰大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对现有随机最短路径增量采样方法保守、未考虑尾部风险的问题，提出结合CVaR的风险敏感RRT*算法，在保证复杂度相近的同时提升路径鲁棒性、降低故障率。
2024-08-16 cs.AI cs.RO cs.SY
Delay Independent Safe Control with Neural Networks: Positive Lur'e Certificates for Risk Aware Autonomy
Department of Electrical & Computer Engineering, Northeastern University（电气与计算机工程系，东北大学）
本文提出一种风险感知安全认证方法，利用正性结构推导时延无关的线性证书，保证神经网络控制系统的局部指数稳定性，并比SDP-based IQC快数个数量级。
2025-10-08 cs.AI cs.SY eess.SY
Risk-Aware Control of Systems with Quasi-Cone-Bounded Nonlinearities
University of Toronto（多伦多大学）
针对一类具有锥状有界非线性的系统，提出一种基于风险感知性能准则的解析次优控制器，填补了非线性系统风险感知控制缺乏易处理工具的空白。
2026-06-06 cs.SY eess.SY math.OC
Risk-Aware Stability of Discrete-Time Systems
我们开发了一个广义的随机离散时间系统的稳定性框架，其中的一般性属于的状态能量的分布可以表征的方式。我们使用金融和运筹学中称为风险泛函的工具（即，风险措施），以促进多样化的分布特征。与此相反，经典的随机稳定性的概念，平均或概率的状态能量，这可能会掩盖随机系统行为的可变性。在绘制各种风险意识的稳定性概念之间的连接非线性系统，我们专门线性系统，并获得一些风险意识的稳定性的满足的充分条件。这些结果涉及到实值相干风险泛函和均值条件方差泛函。结果揭示了新的噪声状态的稳定性，评估干扰的方式，反映了所选择的风险措施。我们通过例子说明了理论的鲁棒性，参数选择和状态反馈控制器。
2022-11-22 cs.SY eess.SY
Risk- and Variance-Aware Electricity Pricing
随机可再生能源（RES）的推出破坏了电力系统的效率和市场运作。本文提出了一种方法来获得电力价格的内部RES随机性。我们利用机会约束的AC最优潮流（CC AC-OPF）模型，该模型对RES不确定性具有鲁棒性，并且还知道系统状态变量的变化（方差）。利用圆锥对偶理论，我们推导和分析的能量和平衡备用价格，内部化的系统极限违反和系统状态变量的方差的风险。我们比较了IEEE 118节点测试平台上的风险和方差感知价格。
2020-03-27 cs.SY eess.SY
Risk-Aware Value-Oriented Net Demand Forecasting for Virtual Power Plants
针对虚拟电厂净需求预测，本文提出风险感知、价值导向的双层参数估计方法，将CVaR运营成本风险纳入训练，并证明线性模型下可转化为凸优化，实验显示其优于风险中性预测。
2024-06-14 cs.SY eess.SY
Learning Disturbances Online for Risk-Aware Control: Risk-Aware Flight with Less Than One Minute of Data
安全关键风险感知控制的最新进展是基于对系统可能面临的干扰的先验知识。本文提出了一种方法，有效地学习这些干扰在线，在风险意识的背景下。首先，我们引入了风险表面的概念，随机过程的风险度量，扩展了风险价值-风险意识控制社区中常用的风险度量。其次，我们将模型与真实系统演化之间的状态差异的范数建模为标量值随机过程，并通过高斯过程回归确定其风险面的上界。第三，我们提供的理论结果的准确性，我们的拟合表面受到温和的假设，是可验证的系统运行过程中收集的数据集。最后，我们通过增强无人机的控制器来实验验证我们的程序，并在收集不到一分钟的操作数据后，通过我们的风险感知方法突出显示性能提高。
2022-12-12 cs.IT cs.LG cs.RO
Approximate Value Iteration for Risk-aware Markov Decision Processes
National University of Singapore（新加坡国立大学）
本文提出基于近似动态规划的算法，用于解决大规模风险感知马尔可夫决策过程，同时推导了算法的样本复杂度界。
2017-05-16 cs.SY eess.SY math.OC
STEP: Stochastic Traversability Evaluation and Planning for Risk-Aware Off-road Navigation
University of Tokyo（东京大学）；California Institute of Technology（加州理工学院）；Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）
虽然地面机器人自主性在结构化和受控环境中得到了广泛的应用，但在未知和越野地形中的自主性仍然是一个难题。极端、越野和非结构化的环境，如未开发的荒野、洞穴和瓦砾，给自主导航带来了独特而具有挑战性的问题。为了解决这些问题，我们提出了一种方法来评估可穿越性和规划一个安全的，可行的，快速的轨迹实时。我们的方法，我们命名为STEP（随机可通行性评估和规划），依赖于：1）快速的不确定性感知映射和可通行性评估，2）尾部风险评估使用的条件风险值（CVaR），和3）有效的风险和约束感知运动规划使用基于序列二次规划（SQP）模型预测控制（MPC）。我们分析了我们的方法在模拟和验证其有效性轮式和腿式机器人平台探索极端地形，包括废弃的地铁和地下熔岩管。
2021-06-25 cs.AI cs.RO cs.SY
Risk-Aware AoII-Based Scheduling with Hybrid Transmission for a Semi-Markov Source
针对半马尔可夫源的多接收器状态更新系统，提出风险感知调度策略，通过模型基和无模型方法最小化平均错误信息年龄、风险比和传输成本的加权和，数值结果验证其优于基线并利用单播与广播混合传输。
2026-06-11 cs.SY eess.SY
Risk-perception-aware control design under dynamic spatial risks
University of California at San Diego（加州大学圣地亚哥分校）
这项工作提出了一种新的风险感知感知（RPA）控制设计使用不确定的动态空间成本相关的风险的非理性感知。我们使用累积前景理论（CPT）的决策者（DM）的风险感知模型，并使用它来构建感知风险函数，将不确定的动态空间成本的DM确定性感知风险。然后，这些风险被用来建立安全集，可以代表风险厌恶风险不敏感的感知。我们定义了一个概念的“包容性”和“多功能性”的基础上的安全集，并使用它来比较与其他模型，如条件风险价值（CVaR）和预期风险（ER）。我们从理论上证明，CPT是最“包容性”和“通用”的模型的很多风险感知控制的背景下。我们进一步使用感知风险函数以及来自控制障碍函数（CBF）的思想来构建一类感知风险CBF。对于一类截断高斯成本，我们找到了这类CBF有效性的充分几何条件，从而保证了安全性。然后，我们生成感知安全关键控制使用二次规划（QP），以指导代理安全地根据给定的感知风险模型。我们提出了在2D环境中的模拟来说明所提出的控制器的性能。
2021-09-09 cs.RO cs.SY eess.SY
Risk-Aware Objective-Based Forecasting in Inertia Management
基于目标的预测考虑了预测误差对决策目标的非对称性和非线性影响，从而提高了其下游决策过程的有效性。然而，现有的基于目标的预测方法是风险中性的，不适合任务，如电力系统惯性管理和机组组合，其中决策者通常偏向于风险规避在实践中。为了解决这个问题，本文提出了一种通用的风险感知的基于目标的预测方法。它使决策者能够根据不同的风险偏好定制他们的预测。首次证明了该方法与不确定性优化（随机/鲁棒优化）之间的等价性。案例研究进行了英国2030年电力系统与国家电网的系统运行数据。结果表明，所提出的模型与确定性优化可以近似随机规划或鲁棒优化的性能，只有一小部分的计算成本。
2023-03-21 cs.SY eess.SY
Risk-Aware Trajectory Optimization and Control for an Underwater Suspended Robotic System
针对 USV-UUV 水下悬挂系统自主垃圾收集中的参数不确定性，提出基于条件风险价值的风险感知轨迹优化方法，仿真验证其可降低碰撞风险与能耗。
2025-07-07 cs.SY eess.SY
Risk-Aware Dimensioning and Procurement of Contingency Reserve
目前的应急储备标准忽略了个别突发事件的可能性，因此，他们对系统的可靠性和风险的影响。本文开发了一种迭代方法，受当前安全约束机组组合（SCUC）实践的启发，使系统运营商能够以最小的改动来确定风险认知应急储备要求及其分配。所提出的方法使用发电机和输电系统的可靠性模型，包括故障同步和不利条件下，计算事故概率，通知基于风险的系统可靠性评估，并确保备用输送能力，通过学习发电机的响应后应急状态内SCUC。使用网格现代化实验室联盟的可靠性测试系统的更新证明了所提出的方法的有效性。
2022-05-09 cs.SY eess.SY
Risk Aware Safe Control with Multi-Modal Sensing for Dynamic Obstacle Avoidance
The Ohio State University（俄亥俄州立大学）
本文提出一种融合概率状态估计与条件风险值控制障碍函数的安全框架，通过 Wasserstein barycenter 结合多模感知数据，提升自动驾驶在动态环境中的安全性和鲁棒性。
2026-03-14 cs.SY eess.SY
Risk-Aware Reinforcement Learning through Optimal Transport Theory
Rochester Institute of Technology（罗切斯特理工学院）
本文将最优传输理论与强化学习结合，构建风险感知框架，通过修改目标函数引入风险约束，在最大化期望奖励的同时实现风险控制，为RL平衡奖励与风险提供了新方向。
2023-09-12 cs.LG cs.SY eess.SY
A Risk-aware Bi-level Bidding Strategy for Virtual Power Plant with Power-to-Hydrogen System
本文针对含电转氢系统的虚拟电厂，提出融合CVaR的风险感知双层投标策略，通过上层收益最大化与下层市场出清协同优化，提升波动市场下的盈利能力和财务对冲能力。
2025-03-07 cs.SY eess.SY
A Scenario Approach to Risk-Aware Safety-Critical System Verification
随着在非结构化和不确定的环境中部署机器人的兴趣越来越大，人们对将风险因素纳入安全关键控制开发的兴趣也越来越大。同样，作者认为，在验证这些控制器时也应该考虑风险。在追求样本有效的方法不确定的黑盒验证，然后，我们首先详细介绍了一种方法来估计任意标量随机变量的风险值，而不需要\textit{apriori}的知识，其分布。然后，我们重新制定的不确定性验证问题的风险价值估计问题，利用我们以前的结果。在这样做时，我们提供了基本的采样要求，以高置信度约束可能产生不安全现象的黑盒系统的状态和参数的量。我们还表明，这个过程的工作原理独立于系统的复杂性，通过模拟的例子的机器人。
2022-03-04 cs.SY eess.SY
Risk-Aware Robotics: Tail Risk Measures in Planning, Control, and Verification
California Institute of Technology（加州理工学院）；University of California, Los Angeles（加州大学洛杉矶分校）；Gatik AI；University of Southern California（南加州大学）；University of Toronto（多伦多大学）；University of Pennsylvania（宾夕法尼亚大学）
本文综述自主系统的风险感知方法，主张引入金融领域的尾部风险度量，以应对罕见严重后果，并梳理其在机器人规划、控制与验证中的应用。
2024-09-09 cs.RO cs.SY eess.SY
Risk-Aware Hosting Capacity Analysis for Flexible Load Interconnection in Distribution Networks
本文提出一种考虑风险的承载能力框架，通过控制过度削减的风险和干预频率，提升配电网在灵活负荷接入中的承载能力。
2026-04-22 cs.SY eess.SY
Central-limit approach to risk-aware Markov decision processes
National University of Singapore（新加坡国立大学）；Concordia University（康考迪亚大学）
本文提出利用中心极限定理评估长期时间范围内策略的风险，无论转移概率是否已知，并提供基于梯度的策略改进算法以寻找风险目标的局部最优解。
2015-12-02 cs.SY eess.SY math.OC
Risk-Aware MPC for Stochastic Systems with Runtime Temporal Logics
本文针对运行时动态分配时序逻辑规范的随机系统，提出一种可证明正确的风险感知模型预测控制方案，在保证既有规范满足的前提下动态评估并满足新规范，并通过机器人运动规划案例验证。
2024-04-30 cs.LO cs.SY eess.SY
Risk-Aware Learning for Scalable Voltage Optimization in Distribution Grids
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
分布式能源（DER）的实时协调是调节配电网电压分布的关键。通过利用可扩展的神经网络（NN）架构，可以实现分散的DER决策，以解决缺乏实时通信的问题。本文通过考虑无功预测和电压偏差的潜在风险，提出了一种先进的学习型DER协调方案。这种风险量化的条件风险价值（CVaR）仅使用最坏情况下的样本，我们提出了一个小批量选择算法，以解决训练速度问题，最大限度地减少CVaR正则化损失。使用IEEE 123-bus测试用例的真实世界数据的数值测试已经证明了所提出的用于分散DER决策的风险感知学习算法的计算和安全改进，特别是在减少馈线电压违规方面。
2022-04-18 cs.LG cs.SY eess.SY
Risk-Aware Optimal Control with Rulebooks
Iowa State University（爱荷华州立大学）
该研究针对含多优先级要求与评估不确定性的安全关键控制问题，提出基于规则手册的风险感知最优控制方法，开发任意时刻过滤分支定界算法并通过合成基准与高速仿真验证有效性。
2026-09-07 cs.RO cs.SY eess.SY
Risk-Aware Safety Filters with Poisson Safety Functions and Laplace Guidance Fields
Department of Mechanical and Civil Engineering, Caltech（加州理工学院机械与土木工程系）；Department of Computing and Mathematical Sciences, Caltech（加州理工学院计算与数学科学系）；Department of Mechanical Engineering, Tufts University（塔夫茨大学机械工程系）
在现实世界中导航的机器人系统需要对其环境的语义理解，以正确确定安全操作。这项工作旨在开发这种表示的数学基础-具体来说，目标是开发具有风险意识的安全过滤器。为此，我们采取了两个步骤的方法：通过泊松方程编码环境的理解，并通过拉普拉斯指导领域的相关风险。也就是说，我们首先解决泊松方程的Dirichlet问题，以生成一个安全函数，将系统安全性编码为其0-超水平集。然后，我们单独解决拉普拉斯方程的狄利克雷问题，以合成一个安全的\textit{guidance field}，它通过强制执行可调通量边界条件来编码障碍物周围的可变谨慎级别。然后，将安全功能和引导字段组合以定义安全约束，并用于合成风险感知安全过滤器，给定对具有环境特征的相关联风险等级的环境的语义理解，该安全过滤器在优先避免较高风险障碍物的同时保证安全。我们演示了这种方法在模拟和讨论如何\textit{a priori}的障碍风险的理解可以直接纳入安全过滤器，以产生安全的行为，是风险意识。
2025-10-29 cs.RO cs.SY eess.SY
Risk-Aware Kinodynamic Motion Planning Under Uncertainty For Safe Navigation on Planetary Environments
Daniel Guggenheim School of Aerospace Engineering（丹尼尔·古根海姆航空航天工程学院）；Georgia Institute of Technology（佐治亚理工学院）
针对自主空间探索中环境交互与感知系统的不确定性导致的安全规划问题，提出结合AO-RRT采样规划与序列凸规划的风险感知动力学运动规划方法，可将轨迹风险降低约97%。
2026-08-12 cs.RO cs.SY eess.SY
A Risk-Aware Control: Integrating Worst-Case CVaR with Control Barrier Function
针对带随机不确定性的离散时间非线性系统安全控制问题，本文将最坏情况CVaR与控制屏障函数结合，提出基于优化的风险感知控制方法，针对三类安全集给出相应求解方式，经倒立摆实验验证了方法有效性。
2023-08-28 cs.SY eess.SY math.OC
Risk-Aware Model Predictive Path Integral Control Using Conditional Value-at-Risk
Georgia Institute of Technology（佐治亚理工学院）
针对具有任意形式不确定性的自主机器人，提出了一种新的模型预测控制方法。建议的风险感知模型预测路径积分（RA-MPPI）控制利用条件风险值（CVaR）措施，以产生安全关键的机器人应用程序的最优控制行动。与大多数现有的随机MPC和CVaR优化方法将原始动态线性化并将控制任务表示为凸规划不同，该方法直接使用原始动态而不限制代价函数的形式或噪声。我们将新的RA-MPPI控制器应用于自动驾驶汽车，在混乱的环境中执行积极的驾驶机动。我们的模拟和实验表明，建议的RA-MPPI控制器可以实现约相同的单圈时间，显着减少碰撞相比，基线MPPI控制器。建议的控制器进行在线计算的更新频率高达80 Hz，利用现代图形处理单元（GPU）的多线程生成的轨迹以及CVaR值。
2022-09-26 cs.RO cs.SY eess.SY
A Risk Aware Two-Stage Market Mechanism for Electricity with Renewable Generation
在过去的几十年里，世界各地的电力市场都采用了多结算结构，随着更准确的预测信息的出现，可以实现供需平衡。由于采用可再生能源而增加了不确定性，最近的市场设计工作侧重于优化某些数量的预期，例如社会福利。然而，社会规划者和决策者往往不愿承担风险，因此，这种风险中性的提法不能充分反映对风险的普遍态度，也不能解释随后作出的决定。因此，我们将常用的风险度量条件风险价值（CVaR）的中央规划目标，并研究如何两阶段的市场运作时，个别发电商是风险中性的。我们的主要结果是显示存在（建设）的顺序竞争均衡（SCEq）在这个风险意识的两阶段市场。给定均衡价格，我们设计了一个市场机制，实现社会成本最小化假设代理人是非战略性的。
2020-03-13 cs.SY econ.TH eess.SY
Safety-Aware Optimal Control of Stochastic Systems Using Conditional Value-at-Risk
University of Southern California（南加州大学）
本文提出利用条件价值风险和集距离度量安全风险，解决随机系统多目标控制问题，通过极值表示方法获得可计算的动态规划解，并引入风险约束安全集作为新的随机安全验证工具，通过库存控制问题分析风险容忍度与均值性能的权衡。
2018-02-22 cs.SY eess.SY math.OC
RCMS: Risk-Aware Crash Mitigation System for Autonomous Vehicles
University of Maryland, College Park（马里兰大学帕克分校）；Honda Research Institute（本田研究所）
本文提出风险感知碰撞缓解系统RCMS，通过结合瞬时与预测风险评估的滞回带激活机制和滚动时域优化轨迹规划，增强现有运动规划器，使自动驾驶车辆在高风险场景下有效规避碰撞或降低碰撞严重程度。
2023-09-21 cs.RO cs.SY eess.SY
Risk-Sensitive Model Predictive Control for Interaction-Aware Planning -- A Sequential Convexification Algorithm
本文针对人机交互场景中具有决策依赖分布的随机系统，提出一种风险敏感模型预测控制的序列凸化算法，通过推导目标函数与碰撞避免惩罚项的凸上界，将非凸最优控制问题转化为一系列凸问题高效求解，并在机器人导航仿真中验证了其有效性与计算优势。
2025-05-30 cs.SY eess.SY math.OC
An Efficient Risk-aware Branch MPC for Automated Driving that is Robust to Uncertain Vehicle Behaviors
Delft University of Technology（代尔夫特理工大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）
针对自动驾驶中因其他车辆行为预测不准导致轨迹不安全的问题，提出一种风险感知运动规划框架，将其表述为min-max优化问题并通过引入正则化项开发高效迭代方法，数值研究验证了其收敛性及优于现有方法的性能。
2024-03-27 cs.RO cs.SY eess.SY
Risk-Aware Finite-Horizon Social Optimal Control of Mean-Field Coupled Linear-Quadratic Subsystems
本文研究平均场耦合线性二次子系统的风险感知社会最优控制，通过引入依赖扰动协方差和偏度的成本量化状态能量变异性，并提出利用具有解析性质的矩阵族从标准LQR解中提取平均场耦合解。
2024-06-07 cs.SY eess.SY math.OC
Risk-Aware MMSE Estimation
尽管最小均方误差（MMSE）估计的简单和直观的解释，其有效性在某些情况下是值得怀疑的。实际上，最小化平均平方误差不提供任何形式的稳定性，因为估计误差的波动性不受约束。当这种波动性在统计上是显著的时，MMSE估计器的平均性能和实现性能之间的差异可以是显著不同的。为了解决这个问题，我们引入了一个新的风险意识的MMSE制定明确约束所涉及的平方误差的预期预测方差的平均性能和风险之间的交易。我们表明，在温和的矩有界性条件下，相应的风险意识的最优解可以显式地评估，并具有适当偏置的非线性MMSE估计的形式。我们通过几个数值例子进一步说明了我们的方法的有效性，这也展示了风险感知MMSE估计对风险中性MMSE估计的优势，特别是在涉及偏斜，重尾分布的模型。
2019-12-06 cs.IT cs.SY eess.SP
Context-aware LLM-based Safe Control Against Latent Risks
Carnegie Mellon University（卡内基梅隆大学）
本文提出一种融合大语言模型、数值优化与模型预测控制的上下文感知安全控制框架，通过多时间尺度迭代学习将复杂任务分解为考虑潜在风险的子任务，并在机械臂与自动驾驶仿真中验证其能高效学习复杂行为并确保安全。
2025-05-06 cs.RO cs.SY eess.SY
Risk-Aware Stability, Ultimate Boundedness, and Positive Invariance
该研究从风险视角基于最坏情况CVaR定义随机系统的稳定性、最终有界性与正不变性概念，推导满足指定界的事件触发控制策略，为随机系统分析与控制提供了关注尾部行为的新框架。
2022-04-19 cs.SY eess.SY math.OC
Risk-Aware Decision Making in Restless Bandits: Theory and Algorithms for Planning and Learning
GERAD
本文提出了一种风险意识的 restless bandits 决策方法，结合理论与算法，用于规划和学习场景中降低风险暴露。
2026-02-19 cs.LG cs.SY eess.SY
Risk-Aware Optimization of Age of Information in the Internet of Things
最小化信息年龄（AoI）的期望值是一种风险中性方法，因此它无法捕获具有潜在大AoI的罕见但关键的事件。为了捕捉这些事件的影响，本文提出了条件风险价值（CVaR）的概念，作为一种有效的一致性风险度量，适用于实时物联网状态更新的AoI最小化。在所考虑的监控系统中，IoT设备监控物理过程并将状态更新发送到具有更新成本的远程接收器。最优状态更新过程被设计为联合最小化接收器处的AoI、接收器处的AoI的CVaR以及能量成本。这个随机优化问题被制定为一个无限时域折扣风险意识马尔可夫决策过程（MDP），这是计算上难以解决的，由于时间不一致的CVaR。通过利用相干风险度量的特殊性质，风险感知的MDP减少到一个标准的MDP与增广的状态空间，我们推导出最佳的静态策略使用动态规划。特别是，最佳的历史依赖的政策的风险意识MDP的依赖于历史，只有通过增强系统的状态，可以很容易地构建使用最佳的静态政策的增强MDP。所提出的解决方案被证明是计算上易于处理的，并且能够以风险感知的方式最小化实时物联网监控系统中的AoI。
2020-02-26 cs.IT cs.NI cs.SY
Risk-Aware Fixed-Time Stabilization of Stochastic Systems under Measurement Uncertainty
本文针对测量噪声下不确定随机非线性系统，提出风险感知固定时间李雅普诺夫函数和路径积分控制李雅普诺夫函数，实现依概率固定时间镇定，并在仿真中验证其优于现有方法。
2024-03-29 cs.SY eess.SY math.OC
Risk-Aware Rulebooks for Multi-Objective Trajectory Evaluation under Uncertainty
Department of Computer Science, Iowa State University（计算机科学系，爱荷华州立大学）
本文提出一种考虑风险的正式主义，用于在系统与环境不确定交互下评估轨迹。通过建模轨迹对环境的影响，系统地处理复杂的关系，确保一致性并防止循环偏好。
2026-04-25 cs.RO cs.SY eess.SY
Safety Under Uncertainty: Tight Bounds with Risk-Aware Control Barrier Functions
本文提出风险感知控制屏障函数RA-CBF，利用随机水平交叉理论为随机安全关键系统在有限时间内的不安全概率给出更紧上界，并通过移动机器人与密集交通高速汇入场景验证优势。
2023-04-03 cs.SY eess.SY math.OC
Risk-Aware Autonomous Driving with Linear Temporal Logic Specifications
Department of Electrical Engineering, Eindhoven University of Technology（电子工程系，埃因霍温理工大学）；College of Engineering, Peking University（工程学院，北京大学）
本文提出一种基于线性时序逻辑规范的风险感知自动驾驶方法，通过扩展风险度量方法以涵盖更复杂的驾驶场景，结合线性规划解决控制合成问题，从而平衡碰撞风险和交通违规风险。
2026-03-05 cs.FL cs.RO cs.SY
Reactive and Risk-Aware Control for Signal Temporal Logic
在不确定和动态环境中部署自治系统提出了一些基本问题。解决这些问题对于构建完全自主的系统至关重要，需要系统地整合规划和控制。我们首先提出反应性风险信号间隔时间逻辑（ReRiSITL）作为扩展的信号时间逻辑（STL）制定复杂的时空规范。与STL不同，ReRiSITL允许考虑不可控的命题，这些命题可能模拟人类以及随机环境事件，如传感器故障。此外，ReRiSITL允许纳入风险度量，例如（但不限于）条件风险价值，以衡量违反某些空间规范的风险。其次，我们提出了一个算法来检查ReRiSITL规范是否可满足。为此，我们将ReRiSITL规范抽象为定时信号换能器，并设计了一种基于游戏的方法。第三，我们提出了ReRiSITL规范下的动态控制系统的反应式规划和控制框架。
2021-08-30 cs.FL cs.LO cs.SY
