Optimistic Online LQR via Intrinsic Rewards
ETH Zürich(苏黎世联邦理工学院)
本文提出IR-LQR算法,通过内在奖励和方差正则化提升不确定性驱动探索,实现最优最坏情况后悔率√T,实验验证其在飞行器pitch角控制中的有效性。
2026-08-24 cs.LG cs.SY eess.SY
Lane-Keeping Control of Autonomous Vehicles Through a Soft-Constrained Iterative LQR
National Yang Ming Chiao Tung University(国立阳明交通大学)
针对自动驾驶车道保持中控制抖动问题,提出软约束迭代LQR(soft-CILQR)算法,通过松弛变量软化约束,在数值与视觉实验中实现平滑转向,平均运行2.55毫秒,满足实时要求。
2024-12-17 cs.CV cs.RO cs.SY
Stochastic Trajectory Influence Functions for LQR: Joint Sensitivity Through Dynamics and Noise Covariance
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出一种三层影响层次结构,用于解决随机LQR中动态和噪声协方差的联合敏感性问题,通过一阶参数位移近似避免重新训练。
2026-08-18 cs.SY eess.SY
Composing MPC with LQR and Neural Network for Amortized Efficiency and Stable Control
模型预测控制(MPC)是一种处理具有约束的动力系统的强有力的控制方法。然而,实时迭代地求解MPC,即,隐式MPC仍然是一个计算挑战。为了解决这个问题,常见的解决方案包括显式MPC和函数逼近。这两种方法,只要适用,可以提高几个数量级的隐式MPC的计算效率。然而,显式MPC往往需要昂贵的预计算,并不容易适用于高维问题。同时,函数逼近虽然随着维度的增加而变得更好,但仍然需要在大数据集上进行预训练,并且通常不能保证找到准确的代理策略,其失败通常会导致闭环不稳定。为了解决这些问题,我们提出了一种三模式混合控制方案,命名为记忆增强MPC,通过结合一个线性二次型调节器,神经网络,和MPC。从它的标准形式,我们进一步推导出这种混合控制方案的两个变体:一个定制的混沌系统和其他慢系统。该方案不需要预先计算,并可以提高摊销的运行时间的组合MPC与一个训练有素的神经网络。此外,该计划保持闭环稳定性与任何神经网络的适当的输入和输出尺寸,减轻了需要证明的神经网络在安全关键应用的最优性。
2022-08-02 cs.SY eess.SY
A Quadratic Control Framework for Dynamic Systems
本文提出统一二次控制框架,结合LQR与iLQR实现线性和非线性离散系统的轨迹跟踪,并可与MPC集成增强鲁棒性。
2025-04-24 cs.SY eess.SY
On the Effectiveness of Iterative Learning Control
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所);Department of Computer Science, Cornell University(康奈尔大学计算机科学系);Aurora Innovation
迭代学习控制(ILC)是一种在存在建模误差的情况下进行高性能跟踪的强大技术,适用于最优控制应用。有大量的先前工作表明其在化学反应器,工业机器人和四轴飞行器等应用中的经验有效性。然而,很少有以前的理论工作,解释的有效性ILC即使在存在大的建模误差,其中最优控制方法使用的误指定模型(MM)往往表现不佳。我们的工作提出了这样一个理论研究的性能ILC和MM的线性二次型调节器(LQR)的问题与未知的过渡动态。我们表明,次优差距,作为测量相对于最优的LQR控制器,ILC是低于MM的高阶项,成为显着的制度中的高建模误差。我们分析的一个关键部分是离散Ricatti方程在有限时域设置,其中的解决方案是不是一个固定点,并需要跟踪使用递归边界的错误的扰动界。我们回到我们的理论研究结果与经验实验的玩具线性动力系统的近似模型,非线性倒立摆系统与错误指定的质量,和非线性平面四旋翼系统在风的存在下。实验表明,ILC优于MM显着,在计算轨迹的成本方面,当建模误差高。
2021-12-08 cs.LG cs.RO cs.SY
Direct Data-Driven Discounted Infinite Horizon Linear Quadratic Regulator with Robustness Guarantees
针对随机线性系统LQR控制,本文提出基于Bellman不等式的单次自适应动态规划数据驱动方法,可直接学习控制增益和值函数,并在噪声下保证鲁棒稳定与次优性能。
2024-10-25 cs.SY eess.SY math.OC
Parallel Branch Model Predictive Control on GPUs
Delft Center for Systems and Control, TU Delft(代尔夫特系统与控制中心,代尔夫特理工大学)
该研究提出基于GPU的分支模型预测控制轨迹规划求解器,结合迭代LQR等方法,开发两种定制内部LQR求解器,在大规模轨迹规划问题上性能优于高性能CPU求解器。
2026-11-17 cs.RO cs.SY eess.SY
A Reduced Order Iterative Linear Quadratic Regulator (ILQR) Technique for the Optimal Control of Nonlinear Partial Differential Equations
本研究提出一种结合快照法降阶的改进ILQR方法,用于非线性偏微分方程最优控制,可在保证性能的同时显著降低计算量,已在Burgers方程等场景验证有效。
2025-01-11 cs.SY eess.SY
Data-enabled Policy Optimization for the Linear Quadratic Regulator
针对线性二次型调节器(LQR)中策略优化数据需求过大的问题,提出数据使能策略优化(DeePO)方法,利用持续激励数据计算策略梯度并证明其全局收敛性,同时通过正则化增强控制器鲁棒性。
2023-09-15 cs.SY eess.SY math.OC
Edge Information Hub: Orchestrating Satellites, UAVs, MEC, Sensing and Communications for 6G Closed-Loop Controls
本文提出一种部署在无人机上的边缘信息枢纽(EIH),通过感知-通信-计算-控制闭环协同优化多机器人任务,构建总LQR成本最小化问题联合优化数据分割与资源分配,并提出迭代算法求得次优解,仿真验证了其优越性。
2024-08-25 cs.SY eess.SY
CAV Traffic Control to Mitigate the Impact of Congestion from Bottlenecks: A Linear Quadratic Regulator Approach and Microsimulation Study
本研究提出基于线性二次调节器(LQR)理论的迭代控制器算法,将CAV车队建模为移动瓶颈以控制周围交通,在微观仿真中有效缓解了固定瓶颈引发的拥堵且计算开销低,适用于实时控制。
2023-07-03 cs.SY eess.SY
Graceful User Following for Mobile Balance Assistive Robot in Daily Activities Assistance
Nanyang Technological University(南洋理工大学);Rehabilitation Research Institute of Singapore(新加坡康复研究所);Tan Tock Seng Hospital(陈笃生医院)
本文提出一种家用移动平衡辅助机器人MRBA及其优雅用户跟随控制方法,通过三自由度机械臂、人机接口和带扰动抑制的LQR控制器,实现康复训练与日常活动辅助。
2023-04-18 cs.RO cs.SY eess.SY
Multi-period Optimal Control for Mobile Agents Considering State Unpredictability
移动Agent的最优控制是一个重要而具有挑战性的问题。近年来的研究表明,在Agent的控制中采用随机化机制可以使Agent的状态不可预测,从而提高Agent的安全性。然而,不可预测的设计只考虑在单周期,这可能会导致不可容忍的控制性能在长时间的地平线。本文旨在权衡的控制性能和状态的不可预测性之间的移动代理在长时间的地平线。利用符合均匀分布的随机扰动最大化攻击者对未来状态的预测误差,将问题转化为多周期凸随机优化问题,并通过动态规划求解。具体而言,我们设计的最优控制策略,同时考虑无约束和输入约束系统。进一步给出了控制的解析迭代表达式。仿真结果表明,该算法在满足控制性能要求的同时,增大了卡尔曼滤波器下的预测误差。
2022-09-02 cs.SY eess.SY
Learning Dynamic Swing-Up of an Inverted Pendulum using Remote Magnetic Actuation
University of Zurich(苏黎世大学);ETH Zurich(苏黎世联邦理工学院);University of Strasbourg(斯特拉斯堡大学)
针对电磁导航系统在远离平衡态轨迹跟踪中的空白,提出结合轨迹优化、时变LQR和迭代学习控制的方法,首次实现倒立摆的磁驱动摆动控制,六次迭代成功,并验证了ILC校正与高保真磁场模型预测的扭矩偏差高度吻合。
2026-06-15 cs.RO cs.SY eess.SY
Control of Multi-Layer Mobile Autonomous Systems in Adversarial Environments: A Games-in-Games Approach
移动自主系统(MAS)在车辆和机器人网络中越来越普遍。多个异构的MAS网络可以集成在一起,作为一个多层的MAS网络提供整体服务。多层MAS网络的连通性对网络中不同层Agent之间的信息交换起着重要的作用。在本文中,我们建立了一个游戏中的游戏框架,以捕捉在不同层次的对抗性环境下的决策不协调的性质。具体而言,每个网络运营商控制自己的子网中的移动代理,并设计一个安全的策略,以最大限度地提高全球网络的连通性,通过考虑干扰攻击者的行为,旨在断开网络。提出了元平衡解的概念来描述自治代理的系统行为。对于在线实现的控制,我们设计了一个弹性算法,迭代地提高网络代数连接。我们证明了所设计的算法渐近收敛到一个亚平衡点。最后,我们使用的两层MAS网络的案例研究,以证实所提出的策略控制的网络的安全性和敏捷的弹性。
2019-12-09 cs.SY eess.SY
Active SLAM over Continuous Trajectory and Control: A Covariance-Feedback Approach
UC San Diego(加州大学圣迭戈分校)
提出了一种在随机机器人动力学模型上进行连续轨迹优化的主动同时定位与地图构建(SLAM)方法。该问题被形式化为一个随机最优控制的连续机器人运动学模型,以尽量减少成本函数,涉及的协方差矩阵的地标状态。我们解决这个问题,分别获得开环控制序列的确定性动力学的迭代协方差调节(iCR)和闭环反馈控制随机机器人和协方差动力学的线性二次型调节器(LQR)。所提出的优化方法捕捉定位和映射之间的耦合,在预测不确定性的演变和合成高度信息化的传感轨迹。我们证明了其性能在主动地标为基础的SLAM使用相对位置测量有限的视野。
2021-10-14 cs.RO cs.SY eess.SY
A Sequential Quadratic Programming Perspective on Optimal Control
Department of Aerospace Engineering, Texas A&M University(德克萨斯农工大学航空航天工程系)
本文以受约束 SQP 统一分析 Newton 法、iLQR 与 DDP,证明 iLQR 具有代价下降和收敛保证,并通过摆及 cart-pole 摆起实验验证。
2025-10-03 cs.SY eess.SY math.OC
Mobile Robot Navigation in Complex Polygonal Workspaces Using Conformal Navigation Transformations
Northeastern University(东北大学)
本文提出了一种新的共形导航变换,用于实现机器人在任意多边形障碍物的工作空间中的无碰撞导航。在这项工作中,以及它的能力,提供一个解决方案的导航问题的共形导航变换的多边形工作空间的性质进行了研究。研究了保角导航变换的性质,为解决复杂多边形环境下的机器人导航问题提供了理论依据。%,这有利于机器人在复杂环境中的导航。导航功能的定义是广义的,以适应非光滑的障碍物边界。基于所提出的变换和广义导航函数,一个可证明正确的反馈控制器的运动学移动机器人的自动导航和运动控制。提出了一种迭代法来构造多连通多边形工作空间中的共形导航变换,将多连通问题转化为多个单连通问题,实现了快速收敛,仿真研究验证了该方法在具有非平凡多边形障碍物的工作空间中的有效性.
2022-08-20 cs.RO cs.SY eess.SY
Resilient and Decentralized Control of Multi-level Cooperative Mobile Networks to Maintain Connectivity under Adversarial Environment
本文提出基于博弈论的框架,设计去中心化算法以最大化全局网络的代数连通性,并通过案例研究验证算法的有效性和网络鲁棒性。
2016-03-16 cs.DC cs.RO cs.SY
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
Co-Design of Watermarking and Robust Control for Security in Cyber-Physical Systems
这项工作讨论了一种新的框架,同时合成的最佳水印信号和鲁棒控制器在网络物理系统中,以尽量减少由于添加水印信号的性能损失,并最大限度地提高检测率的攻击。一个通用的动态控制器的设计,以提高系统的性能方面的$\mathcal H_2$规范,而水印信号被添加到提高安全性能的重放攻击的检测率。本文所考虑的攻击模型是一种重放攻击,当攻击者不知道系统的动态特性时,重放攻击是一种自然的攻击模式。本文首先将已有的关于$χ^2$检测器检测率的结果从静态LQR控制器推广到一般的动态控制器。鲁棒性和安全性方面的设计改进得到迭代求解的凸子集的非凸问题的控制器和水印信号。利用线性矩阵不等式(LMI)的结果,半定规划优化制定解决更大的系统级设计优化问题。我们强调了我们的方法的有效性在一个简化的三罐化学系统。
2022-09-13 cs.SY eess.SY math.OC
From Data to Safe Mobile Robot Navigation: An Efficient and Modular Robust MPC Design Pipeline
department of Cognitive Robotics, Delft University of Technology(认知机器人学系,代尔夫特理工大学);Czech Institute of Informatics, Robotics and Cybernetics, Czech Technical University in Prague(信息学、机器人学与自动化研究所,布拉格技术大学);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)
针对移动机器人导航中因扰动和测量噪声导致的安全问题,提出一种高效模块化的鲁棒 MPC 设计流水线,利用闭环实验数据估计扰动边界并合成鲁棒输出反馈 MPC,在 Gazebo 四旋翼仿真中验证了其鲁棒约束满足和递归可行性。
2025-08-09 cs.RO cs.SY eess.SY