Feasibility Analysis and Regularity Characterization of Distributionally Robust Safe Stabilizing Controllers
针对含模型不确定性的控制仿射系统,提出分布鲁棒安全镇定控制器的可行性检查条件(一个必要、两个充分),刻画计算复杂度并验证其比直接SOCP求解更快,同时分析控制律的正则性。
2023-12-29 cs.SY eess.SY math.OC
Distributionally Robust CVaR-Based Safety Filtering for Motion Planning in Uncertain Environments
The University of Texas at Dallas(德克萨斯大学达拉斯分校)
本文针对不确定动态障碍物环境下的机器人运动规划安全问题,提出一种基于分布鲁棒优化计算安全半空间并结合类MPC安全滤波器的方案,以降低碰撞风险,并通过数值仿真验证其有效性与计算效率。
2023-09-16 cs.RO cs.SY eess.SY
Distributionally Robust Safety Under Arbitrary Uncertainties: A Safety Filtering Approach
本文研究如何在分布模糊性下确保非线性系统的概率安全,提出了一种基于备份的安全过滤框架,通过在高性能名义策略和认证备份策略之间切换来保证安全,并采用分布鲁棒方法处理任意不确定性,通过采样方法验证了方法的有效性。
2026-08-14 cs.RO cs.SY eess.SY
Sensor-Based Distributionally Robust Control for Safe Robot Navigation in Dynamic Environments
Contextual Robotics Institute, University of California San Diego(情境机器人研究所,加州大学圣地亚哥分校)
本文提出一种基于机载传感与分布鲁棒优化的DR-CBF方法,结合CLF实现动态未知环境中移动机器人的安全高效导航,并通过仿真与差速驱动机器人实验验证其有效性和鲁棒性。
2025-05-06 cs.RO cs.SY eess.SY
Distributionally Robust Safety Filter for Learning-Based Control in Active Distribution Systems
Chung-Ang University(中央大学)
针对 DRL 智能体在主动配电系统训练中可能违反运行约束的问题,提出通用 DRSF,将其构建为含机会约束的分布鲁棒优化问题,以最小动作修正实现近优控制与概率安全保证,并在 IEEE 33/123 节点系统中验证。
2023-07-31 cs.AI cs.SY eess.SY
Distributionally Robust Safe Motion Planning with Contextual Information
Department of Electrical Engineering, IIT Kharagpur(电子工程系,印度IIT Kharagpur)
本文提出一种基于条件核均值嵌入的分布鲁棒运动规划方法,将障碍物未来轨迹的条件分布嵌入RKHS并构造模糊集,从而在滚动时域规划中引入鲁棒避障约束,仿真验证其在多个挑战性场景下具有更高的避障成功率。
2025-09-23 cs.RO cs.SY eess.SY
Safe Learning-Based Control of Stochastic Jump Linear Systems: a Distributionally Robust Approach
KU Leuven(荷语鲁汶大学);Queen’s University Belfast(贝尔法斯特女王大学)
本文研究了设计随机跳跃线性系统控制器的问题,其中扰动从有限样本空间中随机抽取,但其分布未知且通过i.i.d.观测样本估计。采用分布鲁棒方法计算具有给定概率的均方稳定反馈增益。样本量越大,控制器越不保守,但我们的方法在任意样本数量下都能提供高概率的稳定性保证。利用统计学习理论工具,我们估计未知概率分布的置信区域(模糊集),其形状为总变差球体,中心在经验分布周围。我们利用这些置信区域设计适当的分布鲁棒控制器,并证明相关的稳定性条件可以转换为可处理的线性矩阵不等式(LMI)。所提出的方法在概率空间和系统维度大小上具有良好的可扩展性。通过数值示例,我们展示了所提出方法的样本复杂性优于随机方法。
2019-10-30 cs.SY eess.SY
Wasserstein Distributionally Robust Motion Control for Collision Avoidance Using Conditional Value-at-Risk
Seoul National University(首尔国立大学);Automation and Systems Research Institute(自动化与系统研究院)
在不确定性的真实概率分布未知的情况下,本文提出了一种移动机器人规避随机运动障碍物的风险感知运动控制方案。我们提出了一种新的模型预测控制(MPC)的方法,限制不安全的风险,即使当障碍物的运动的真实分布偏离,在一个模糊集内,从经验分布获得使用有限数量的样本数据。通过选择的模糊集作为一个统计球,其半径测量的Wasserstein度量,我们实现了概率保证的样本外的风险,评估使用新的样本数据产生独立的训练数据。为了解决分布鲁棒MPC问题中固有的无穷维问题,我们将其重新表述为一个有限维的非线性规划,使用现代分布鲁棒优化技术的基础上的Kantorovich对偶原理。为了在仿射动力学和输出方程的情况下找到全局最优解,使用McCormick松弛设计了空间分支定界算法。所提出的方法的性能进行了演示和分析,通过仿真研究,使用非线性车一样的车辆模型和线性化的四旋翼模型。
2020-01-14 cs.RO cs.SY eess.SY
Integrating Predictive Motion Uncertainties with Distributionally Robust Risk-Aware Control for Safe Robot Navigation in Crowds
University of California, Berkeley(加州大学伯克利分校)
针对人群中机器人安全导航时人类运动预测不确定性难融入控制的问题,提出分布鲁棒机会约束MPC方法,用分布鲁棒条件风险价值近似实现实时计算,经真实行人数据验证可高效安全导航。
2024-03-08 cs.RO cs.SY eess.SY
A dynamic game approach to distributionally robust safety specifications for stochastic systems
University of Southern California(南加州大学)
本文提出了一种新的安全规范方法,该方法对扰动概率分布的误差具有鲁棒性。通过动态博弈方法构建安全策略,识别非随机化马尔可夫策略最优的条件,并开发了一种在对扰动分布了解有限的情况下设计安全导向的随机控制器的方法,同时在概率意义上确保安全。
2017-01-31 cs.SY eess.SY math.OC
Quantification of Distributionally Robust Risk of Cascade of Failures in Platoon of Vehicles
本文提出分布鲁棒风险框架研究车辆队列中的级联故障,基于时延网络模型和双变量正态分布建立闭式风险公式,量化时延、噪声和通信图等影响,为设计安全鲁棒队列提供依据。
2023-09-10 cs.SY eess.SY
Distributionally Robust Cascading Risk in Multi-Agent Rendezvous: Extended Analysis of Parameter-Induced Ambiguity
Lehigh University(理海大学)
本文提出了一种分析多智能体会合中分布鲁棒级联风险的理论框架,通过引入条件分布鲁棒函数和闭合形式风险表达式,揭示了参数不确定性对集体安全的影响,并通过模拟验证了方法的有效性。
2025-11-25 cs.SY eess.SY
Distributionally Safe Reinforcement Learning under Model Uncertainty: A Single-Level Approach by Differentiable Convex Programming
Mississippi State University(密西西比州立大学)
针对Wasserstein分布偏移下的安全强化学习双层优化难题,提出基于对偶转换与可微凸规划的单层端到端框架,显著提升一阶和二阶系统的安全保证。
2023-10-03 cs.LG cs.RO cs.SY
Distributionally Robust Safety Verification of Neural Networks via Worst-Case CVaR
National Institute of Informatics(国立信息研究所)
本文将最坏情况CVaR整合到基于二次约束和半定规划的神经网络验证框架中,提出一种分布鲁棒且关注尾部风险的安全性验证方法,并通过数值实验验证其在控制系统可达性和分类任务中的有效性。
2025-09-22 cs.AI cs.LG cs.SY
Distributionally Robust Planning with $\mathcal{L}_1$ Adaptive Control
National Polytechnic University of Armenia(亚美尼亚国立理工大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);American University of Armenia(亚美尼亚美国大学);University of Michigan(密歇根大学)
本文提出DRP-$\mathcal{L}_1$AC框架,结合分布鲁棒模型预测控制与$\mathcal{L}_1$自适应控制,通过在线分布证书保证安全性和鲁棒性,无需分布样本即可处理系统和环境不确定性。
2026-04-22 cs.SY eess.SY
Distributionally Robust Model Predictive Control with Total Variation Distance
California Institute of Technology(加州理工学院)
研究了基于全变差距离模糊集的分布鲁棒模型预测控制问题。对于具有附加干扰的离散线性系统,我们提供了一个条件风险值的MPC优化问题,该问题在期望成本和机会约束下具有分布鲁棒性。分布鲁棒的机会约束被过度近似为一个更简单的,收紧的机会约束,减少了计算负担。数值实验支持我们的结果的概率保证和计算效率。
2022-06-24 cs.RO cs.SY eess.SY
Wasserstein Distributionally Robust Adaptive Covariance Steering
针对受一般不确定性影响的非线性随机过程,提出基于$\text{L}_1$-自适应架构的Wasserstein分布鲁棒协方差转向控制方法,无需有限样本或先验模糊集即可保障控制安全。
2025-09-04 cs.SY eess.SY
Distributionally Robust Cascading Risk Quantification in Multi-Agent Rendezvous: Effects of Time Delay and Network Connectivity
针对多智能体会合任务的安全挑战,提出分布鲁棒级联风险分析框架,用时延网络模型结合双变量正态分布推导闭式风险表达式,揭示多因素对风险的影响,为弹性网络设计提供依据并经仿真验证有效。
2025-07-31 cs.SY eess.SY
Consistency of Distributionally Robust Risk- and Chance-Constrained Optimization under Wasserstein Ambiguity Sets
我们研究了具有机会和风险约束的随机最优化问题,在后者中,风险被量化为条件风险价值(CVaR)。我们考虑这些问题的分布鲁棒版本,其中的约束条件是必须持有的家庭的分布构造从观察到的实现的不确定性通过Wasserstein距离。我们的主要研究结果表明,如果样本是独立地从一个潜在的分布和问题满足适当的技术假设,那么这些问题的分布鲁棒版本的最优值和优化收敛到各自的数量的原始问题,作为样本量的增加。
2020-12-16 cs.SY eess.SY math.OC
Data-driven distributionally robust iterative risk-constrained model predictive control
本文考虑了一个风险约束的无限期最优控制问题,并提出了一种迭代求解的方法。算法的每次迭代通过实施分布式鲁棒风险约束模型预测控制(MPC)方案来生成从起始点到目标平衡态的轨迹。在每次迭代中,一组安全状态(以高概率满足风险约束)和一定数量的独立和相同分布的样本的不确定性管理的风险约束是可用的。这些状态和样本在先前的迭代中累积。安全状态被用作MPC方案中的终端约束,并且样本被用于构造一组分布,称为模糊集,使得它包含具有高概率的不确定性的潜在分布。每次迭代中的风险约束要求对模糊度集中的所有分布都成立。我们建立我们的迭代过程中产生的轨迹是可行的,安全的,并渐近收敛到平衡。仿真例子说明了我们的结果的情况下,找到一个风险约束路径的移动机器人在存在不确定的障碍。
2021-11-25 cs.SY eess.SY math.OC
Wasserstein Distributionally Robust Control Barrier Function using Conditional Value-at-Risk with Differentiable Convex Programming
Mississippi State University(密西西比州立大学)
本文提出分布鲁棒控制屏障函数DR-CBF,通过单层凸重构估计Wasserstein分布偏移下的CVaR,并利用可微凸规划实现前向不变性,在保持计算效率的同时提升安全控制器对分布偏移的鲁棒性。
2023-09-15 cs.LG cs.RO cs.SY
Wasserstein distributionally robust risk-constrained iterative MPC for motion planning: computationally efficient approximations
针对迭代MPC结合分布鲁棒风险约束的运动规划问题计算量随迭代升高的问题,提出数据聚类调整模糊集和预确定DR安全区域两种高效近似方法,保证安全性的同时降低实时计算负担。
2023-10-06 cs.SY eess.SY math.OC
Towards Integrated Perception and Motion Planning with Distributionally Robust Risk Constraints
在不确定和动态的环境中安全部署机器人需要系统地考虑各种风险,包括从感知到运动规划和控制的自主堆栈中的层内和层间的风险。许多广泛使用的运动规划算法没有充分地结合固有的感知和预测不确定性,通常完全忽略它们或做出可疑的高斯假设。我们提出了一个分布式鲁棒增量采样为基础的运动规划框架,明确和连贯地结合感知和预测的不确定性。我们设计了输出反馈政策,并考虑基于矩的模糊集的分布,以执行概率避碰约束下的最坏情况下的模糊集中的分布。我们的解决方案的方法,称为输出反馈分布鲁棒$RRT^{*}$(OFDR- $RRT^{*})$),产生渐近最优的风险有界的轨迹机器人在动态,杂乱,和不确定的环境中,明确纳入映射和定位误差,随机过程干扰,不可预测的障碍物运动,和不确定的障碍物位置。数值实验表明了该算法的有效性。
2020-02-07 cs.SY eess.SY
Grid-Interactive Thermal Management of AI Data Centers via Contextual Distributionally Robust Optimization
针对AI数据中心突发工作负载和不确定热量生成导致的热违规问题,提出情境分布鲁棒优化(CDRO)框架,通过动态调整Wasserstein半径实现电网交互冷却控制,在极端负载下实现近零热违规,并将鲁棒性成本溢价降低约13.7个百分点。
2026-07-02 cs.SY eess.SY
Data-Driven Distributionally Robust Optimization for Real-Time Economic Dispatch Considering Secondary Frequency Regulation Cost
随着可再生能源发电的大规模并网,对调频资源的容量要求越来越高,对调频辅助服务的需求也越来越大。因此,有必要在考虑实时经济调度的同时考虑频率调节成本和约束。提出了一种考虑自动发电控制(AGC)的分布式鲁棒优化(DRO)方法。首先,一个基于Copula的AGC信号模型,以反映AGC信号,负荷功率和可再生能源发电量的变化之间的相关性。其次,根据预测的负荷功率和可再生能源发电量的变化,从AGC信号的条件概率分布中提取AGC信号的样本。第三,建立了考虑频率调节成本和约束的分布式鲁棒RTED模型,并利用基于Wasserstein度量的DRO技术将其转化为线性规划问题。仿真结果表明,该方法可以降低发电和调频的总成本。
2021-01-26 cs.SY eess.SY
Data-driven distributionally robust MPC using the Wasserstein metric
提出了一种基于分布鲁棒优化的数据驱动MPC方案,用于安全控制约束随机线性系系统。基于Wasserstein度量的分布鲁棒约束被施加到存在过程扰动的状态约束违反。一个反馈控制法律解决,以保证预测的状态符合约束。关于Wasserstein球内以其离散经验概率分布为中心的最坏情况分布,满足随机约束。所得到的分布式鲁棒MPC框架是计算上易处理的和高效的,以及递归可行的。这种方法的创新之处在于,所有关于不确定性的信息都可以从数据中凭经验确定。通过数值算例验证了该方法的有效性。
2021-05-18 cs.SY eess.SY math.OC
Distributionally Robust Stochastic Data-Driven Predictive Control with Optimized Feedback Gain
针对部分观测未知随机LTI系统,提出可优化仿射反馈增益、用CVaR处理安全约束的分布鲁棒数据驱动预测控制,并证明其与模型基随机预测控制等价。
2024-09-11 cs.SY eess.SY
Data-driven distributionally robust MPC for systems with uncertain dynamics
针对未知离散线性定常系统受未知和可能无界的附加不确定性影响的问题,提出了一种新的数据驱动分布鲁棒模型预测控制方法.我们使用离线收集的数据和动力学的近似模型,制定一个有限时间的最优化问题。为了考虑到与动态和干扰作用于系统的不确定性,我们诉诸于一个分布鲁棒的制定,优化成本预期,同时满足条件风险价值约束的最坏情况下的概率分布的不确定性内的模糊度定义使用Wasserstein度量。利用分布鲁棒优化文献的结果,我们得到了一个易于处理的有限维凸优化问题,有限样本保证类凸分段仿射成本和约束函数。一个简单的数值例子上的闭环仿真证明了所提出的算法的性能。
2022-09-19 cs.SY eess.SY math.OC
Distributionally Robust Acceleration Control Barrier Filter for Efficient UAV Obstacle Avoidance
University of Klagenfurt(克拉根福大学)
本文提出分布鲁棒加速控制屏障函数(DR-ACBF)用于高效无人机避障,通过考虑动态和延迟的清晰度处理延迟、执行器限制和障碍物加速度,利用Cantelli紧缩和DR-CVaR提前触发提高安全性,实现实时执行。
2026-03-26 cs.SY eess.SY
Safety Screening for Voltage Control in Active Distribution Grids via Distributionally Robust Conformal Screening
RWTH Aachen University(亚琛工业大学);Technical University of Denmark(丹麦技术大学)
针对主动配电网新电压控制策略预部署的安全评估难点,提出DR-CSS框架,经IEEE标准节点系统实验验证可识别所有不安全场景,支持更安全的策略部署决策。
2026-09-01 cs.AI cs.LG cs.SY
Distributionally robust risk map for learning-based motion planning and control: A semidefinite programming approach
Seoul National University(首尔国立大学);Automation and Systems Research Institute(自动化与系统研究所)
本文提出了一种新的安全规范工具,称为分布式鲁棒风险地图(DR风险地图),在学习环境中运行的移动机器人。给定机器人的位置,该地图旨在可靠地评估与障碍物碰撞的条件风险值(CVaR),障碍物的运动由高斯过程回归(GPR)推断。不幸的是,推断的分布是受误差,使得难以准确地评估碰撞的CVaR。为了克服这一挑战,该工具在所谓的模糊性集合中测量最坏情况分布下的风险,该模糊性集合表征了允许的分布误差。为了解决无限维问题固有的DR-风险图的建设,我们推导出一个易于处理的半定规划公式,提供了一个上限的风险,利用现代分布鲁棒优化技术。作为运动规划的一个具体应用,一个分布式鲁棒RRT* 算法被认为是使用的风险地图,解决由GPR造成的分布错误。此外,运动控制方法的设计使用DR风险图在基于学习的模型预测控制(MPC)制定。特别地,提出了风险图的神经网络近似,以减少求解MPC问题的计算成本。建议的风险地图的性能和实用性证明,通过模拟研究,显示其能力,以确保移动机器人的安全,尽管学习错误。
2021-05-03 cs.RO cs.SY eess.SY
Data-Driven Distributionally Robust Safety Verification Using Barrier Certificates and Conditional Mean Embeddings
School of Computing, Newcastle University(纽卡斯尔大学计算机学院);Imperial College London(帝国理工学院);Max Planck Institute for Software Systems(马克斯·普朗克软件系统研究所)
本文提出一种数据驱动的分布鲁棒安全性验证方法,利用屏障证书和条件均值嵌入,无需精确模型,通过平方和优化高效求解,降低样本复杂度。
2024-03-15 cs.LG cs.SY eess.SY
Residual-Aware Distributionally Robust EKF: Absorbing Linearization Mismatch via Wasserstein Ambiguity
Department of Mechanical Science and Engineering, Grainger College of Engineering, University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校格雷格工程学院机械科学与工程系);Department of Electrical and Computer Engineering and Automation and Systems Research Institute, Seoul National University(首尔国立大学电气与计算机工程系及自动化与系统研究所);Center for Scientific Innovation and Education and the National Polytechnic University of Armenia(亚美尼亚国立理工大学科学创新与教育中心)
本文提出一种残差感知的分布鲁棒扩展卡尔曼滤波,通过瓦瑟斯坦模糊性框架同时解决噪声模型不匹配和线性化误差问题,提供可计算的有效半径和确定性误差界。
2026-04-03 cs.SY eess.SY
Iterative risk-constrained model predictive control: A data-driven distributionally robust approach
本文提出迭代分布鲁棒MPC方案求解带风险约束的无限时域最优控制问题,通过累积数据逐步优化轨迹代价与安全性,证明了递归可行性与收敛性,并给出可计算重构与仿真验证。
2023-08-22 cs.SY eess.SY math.OC
Gaussian Mixture Model Based Distributionally Robust Optimal Power Flow With CVaR Constraints
提出了一种考虑风力发电的输电网分布式鲁棒最优潮流模型。该模型采用条件风险价值(CVaR)约束来控制风电功率预测误差引起的备用和支路流量限制违规。同时,将高斯混合模型(GMM)引入CVaR约束中,以防止预测误差的非高斯分布。与以往研究中考虑GMM参数固定的情况不同,本文允许GMM参数在一定的可信区间内变化,并提出了一种基于数据驱动的GMM模糊度集,以实现分布式鲁棒性。此外,而不是使用传统的基于样本的近似CVaR的高计算负担,本文设计了一个可扩展的切割平面算法来处理分布鲁棒CVaR约束。IEEE 2736节点系统的算例表明了该模型的有效性和可扩展性。
2021-10-26 cs.SY eess.SY math.OC
Path Planning Using Wassertein Distributionally Robust Deep Q-learning
Lund University(隆德大学)
本文从深度强化学习和分布鲁棒优化的角度研究了风险规避机器人路径规划问题。我们的问题制定涉及到建模的机器人作为一个随机线性动力系统,假设收集的过程噪声样本是可用的。我们投风险规避运动规划问题作为一个马尔可夫决策过程,并提出了一个连续的奖励函数设计,明确考虑到与障碍物碰撞的风险,同时鼓励机器人的运动目标。我们通过Lipschitz近似Wasserstein分布鲁棒深度Q学习来学习风险规避机器人控制动作,以对冲噪声不确定性。学习的控制动作导致从源到目标的安全和风险规避轨迹,避免所有障碍物。各种支持的数值模拟来证明我们所提出的方法。
2022-11-04 cs.RO cs.SY eess.SY
Distributionally Robust Infinite-horizon Control: from a pool of samples to the design of dependable controllers
针对仅具备不确定性部分统计信息的受约束线性系统,提出基于Wasserstein歧义集的分布鲁棒无限时域控制方法,结合凸规划新结果与系统级参数化将问题转化为半定规划,验证了方法有效性与经验分布的价值。
2024-07-11 cs.SY eess.SY math.OC
Wasserstein Distributionally Robust Look-Ahead Economic Dispatch
考虑了可再生能源发电量不确定的前瞻经济调度问题。这个问题的目标是最大限度地减少成本的传统能源发电受到不确定的操作限制。违反这些约束的风险必须低于具有与观察到的过去数据或预测类似的特征的概率分布族的给定阈值。我们提出了两个数据驱动的方法,基于两个新的数学重新制定这个分布式强大的判定问题。第一个是一个易处理的凸规划,其中的不确定性约束定义通过分布鲁棒条件风险值。第二个是一个可扩展的强大的优化程序,产生一个近似的分布鲁棒的机会约束LAED。IEEE 39节点系统的数值实验与真实的太阳能发电数据和预测说明了这些方法的有效性。我们讨论了系统运营商应该如何调整这些技术,以寻求所需的鲁棒性和性能的权衡,我们比较他们的计算可扩展性。
2020-10-31 cs.SY eess.SY math.OC
Distributionally robust minimization in meta-learning for system identification
IDSIA Dalle Molle Institute for Artificial Intelligence USI-SUPSI(IDSIA达摩斯人工智能研究所USI-SUPSI)
本文提出在系统辨识的元学习中使用分布鲁棒优化,优先处理高损失任务以增强最坏情况性能,减少安全关键应用中的失败。
2025-06-22 cs.AI cs.LG cs.SY
Data-Driven Distributionally Robust Mitigation of Risk of Cascading Failures
提出一种数据驱动的分布鲁棒有限时域最优控制方法,通过求解DRMPC问题的凸公式,在输入时间延迟下有效缓解LTI系统的级联失效风险并维持性能。
2023-10-18 cs.SY eess.SY math.OC
Risk-Sensitive Orbital Debris Collision Avoidance using Distributionally Robust Chance Constraints
University of California Berkeley(加州大学伯克利分校)
针对非线性轨道动力学下非高斯分布碰撞概率难以准确评估和计算的问题,提出一种基于条件风险价值(CVaR)近似的分布鲁棒机会约束避碰算法,在有限分布信息下保证安全并实现计算可处理。
2024-12-23 cs.RO cs.SY eess.SY
A distributionally robust optimization approach to two-sided chance constrained stochastic model predictive control with unknown noise distribution
针对双边机会约束离散线性系统受加性噪声干扰的问题,提出了一种分布鲁棒随机模型预测控制(DR-SMPC)算法.处理双边机会约束的普遍机制是所谓的风险分配方法,该方法通过应用布尔不等式将双边机会约束保守地近似为两个单机会约束。在这个建议的DR-SMPC框架中,一个精确的易处理的二阶锥(SOC)的方法是通过考虑噪声的一阶和二阶矩抽象的双边机会约束。所提出的DR-SMPC算法能够保证违反安全约束的上限和下限的最坏情况下的概率是在预先指定的最大概率(PsMP)。通过灵活地调整该PsMP,可以增加SMPC问题的初始状态的可行域。通过引入标称状态的二进制初始化策略,严格证明了DR-SMPC的递归可行性和收敛性。两个实际案例的仿真研究进行了证明所提出的DR-SMPC算法的有效性。
2022-03-16 cs.SY eess.SY
Distributionally Robust PAC-Bayesian Control
本文提出一种分布鲁棒的PAC-Bayesian框架,用于验证基于学习的有限时间 horizon 控制器性能。通过结合PAC-Bayes泛化理论和基于类型1 Wasserstein距离的分布鲁棒优化,解决无界损失和环境分布偏移问题,提供高概率安全证书。
2026-04-12 cs.LG cs.SY eess.SY
Learning-Based Distributionally Robust Model Predictive Control of Markovian Switching Systems with Guaranteed Stability and Recursive Feasibility
针对切换概率未知的机会约束马尔可夫切换系统,提出了一种数据驱动的模型预测控制方法。利用马尔可夫链的样本,估计转移概率的模糊集,其中包括具有高概率的真实条件概率分布。这些集在线更新,并用于制定一个随时间变化的,规避风险的最优控制问题。我们证明了所得到的MPC计划的递归可行性,并表明,原来的机会约束仍然满足在每个时间步。此外,我们表明,充分降低的置信水平下,由此产生的MPC计划使闭环系统的均方稳定的真实,但未知的分布,同时保持保守性比一个完全强大的方法。
2020-10-01 cs.SY eess.SY math.OC
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
Distributionally Robust Game for Proof-of-Work Blockchain Mining Under Resource Uncertainties
Northwestern Polytechnical University(西北工业大学);Xi’an Jiaotong University(西安交通大学);Nanyang Technological University(南洋理工大学);University of Houston(休斯顿大学);Kyung Hee University(庆熙大学)
本文提出了一种分布鲁棒游戏模型,用于应对区块链挖矿中的资源不确定性,通过非合作博弈和交替优化算法实现矿工的鲁棒性能保障。
2026-01-06 cs.SY eess.SY
Data-driven distributionally robust control of partially observable jump linear systems
我们研究安全的,数据驱动的控制(马尔可夫)跳跃线性系未知的转移概率,其中离散模式和连续状态是从输出测量推断。为此,我们开发了一个滚动时域估计,它唯一地识别过去的模式转换和相应的连续状态的子序列,允许任意切换行为。与传统的模式估计方法不同,我们不需要对模式序列进行离线穷举搜索来确定观察窗口的大小,而是在线选择。如果系统是弱模式可观测的,则窗口大小将是上界的,从而导致有限记忆观测器。我们集成了一个简单的分布鲁棒控制器,它对冲由于有限的样本量的转移概率的估计过程。当观察到额外的模式转换时,更新所使用的模糊度集合,从而导致控制性能的持续改进。小的数值例子说明了该方法的实际适用性。
2021-05-06 cs.SY eess.SY math.OC
Distributionally Robust Surrogate Optimal Control for High-Dimensional Systems
本文提出了一种新的方法,可追溯地解决最优控制和离线强化学习问题的高维系统。这项工作的动机是不断挑战的安全性,计算和高维最优控制的最优性。我们通过以下方法来解决这些关键问题。首先,我们确定了一个序列建模代理方法,作为输入的初态和控制输入的时间序列,并输出近似的目标函数和轨迹的约束函数。重要的是,这种方法完全吸收了单个状态转换动态。仅依赖于初态意味着我们可以应用降维来压缩模型输入,同时保留其大部分信息。代理目标的不确定性会影响结果的最优性。然而,至关重要的是,代理约束函数中的不确定性将导致不可行性,即不安全的动作。当考虑离线强化学习时,最显著的建模误差将出现在分布外的数据上。因此,我们将Wasserstein模糊集应用于基于测试数据残差分布的最坏情况样本外建模误差的“鲁棒性”代理建模方法。我们证明了这种组合方法的有效性,通过一个案例研究的安全最佳快速充电的高维锂离子电池模型在低温下。
2022-07-04 cs.SY eess.SY math.OC
A General Framework for Learning-Based Distributionally Robust MPC of Markov Jump Systems
针对切换概率未知的机会约束马尔可夫跳变系统,提出了一种学习模型预测控制(MPC)方案。利用马尔可夫链的样本,估计转移概率的模糊集,其中包括具有高概率的真实条件概率分布。这些集在线更新,并用于制定一个随时间变化的,规避风险的最优控制问题。我们证明了所得到的MPC计划的递归可行性,并表明,原来的机会约束仍然满足在每个时间步。此外,我们表明,充分降低的置信水平下,由此产生的MPC计划使闭环系统的均方稳定的真实,但未知的分布,同时保持保守性比一个完全强大的方法。最后,我们证明了学习MPC的值函数从上面收敛到其标称对应的样本量增长到无穷大。我们说明我们的方法上的一个数值例子。
2023-01-05 cs.SY eess.SY math.OC
Explicit Reformulation of Discrete Distributionally Robust Optimization Problems
Toyota Central R&D Labs., Inc.(丰田中央研究开发研究所);Toyota Motor Corporation(丰田汽车公司)
本文提出离散DRO的显式重构方法,利用两类不确定性球将其转化为单层光滑凸规划,并给出球尺寸选择及均值-标准差、CVaR两种形式,在巡逻智能体设计中取得显著效果。
2025-10-21 cs.SY eess.SY math.OC
Data-based Distributionally Robust Stochastic Optimal Power Flow, Part I: Methodologies
The University of Texas at Dallas(德克萨斯大学达拉斯分校);University of Colorado Boulder(科罗拉多大学博尔德分校);Tsinghua University(清华大学)
本文提出了一种基于数据的方法,用于解决具有有限预测误差分布信息的多阶段随机优化功率流问题,通过结合多阶段反馈策略和任何预测方法及历史预测误差数据,确定可控设备的功率调度策略,以平衡运营成本和设备及网络约束违规的条件风险价值(CVaR)。
2018-10-26 cs.SY eess.SY math.OC
Data-Driven Risk-sensitive Model Predictive Control for Safe Navigation in Multi-Robot Systems
Indian Institute of Technology (IIT) Kharagpur(印度理工学院卡拉格普尔分校)
安全导航是多机器人系统中的一个基本挑战,这是由于机器人未来轨迹的不确定性,这些机器人相互之间充当障碍物。在这项工作中,我们提出了一个原则性的数据驱动的方法,每个机器人反复解决有限的地平线优化问题,避免碰撞的约束,后者被制定为分布式强大的条件风险值(CVaR)的代理和多面体障碍几何之间的距离。具体而言,CVaR约束要求对所有接近经验分布的分布都成立,该经验分布是从执行期间收集的预测误差的观察样本构建的。该方法的一般性使我们能够鲁棒性地对抗在分布式和分散式设置中通常施加的假设下产生的预测误差。我们推导出易于处理的有限维近似这类约束,利用凸和极大极小对偶结果Wasserstein分布鲁棒优化问题。在Gazebo平台上实现的多无人机导航环境中说明了所提出方法的有效性。
2022-09-16 cs.RO cs.SY eess.SY
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
Stochastic Optimal Power Flow Based on Data-Driven Distributionally Robust Optimization
The University of Texas at Dallas(德克萨斯大学达拉斯分校);The University of Colorado, Boulder(科罗拉多大学博尔德分校);National Renewable Energy Laboratory(国家可再生能源实验室);Tsinghua University(清华大学)
本文提出一种数据驱动方法,用于解决基于有限预测误差分布信息的随机优化潮流问题,通过分布鲁棒优化平衡运行成本和设备及网络约束违反的条件风险。
2018-01-19 cs.SY eess.SY math.OC