Experiments with Tractable Feedback in Robotic Planning under Uncertainty: Insights over a wide range of noise regimes (Extended Report)
Texas A\&M University, College Station TX 77843, USA, .
研究了不确定条件下的机器人规划问题。这个问题可以作为一个随机的最优控制问题,完整的解决方案,这是根本上是棘手的,由于臭名昭著的灾难的维数。我们报告的结果进行了广泛的模拟研究,我们比较了两种方法,这两种方法的目的是通过使用替代,虽然不准确,治疗反馈的手段来挽救易处理性。第一个是最近提出的方法,基于一个接近最佳的“解耦原理”的易处理的反馈设计,其中一个标称开环问题得到解决,其次是一个线性反馈设计的开环。第二种是模型预测控制(MPC),这是一种广泛使用的方法,它在执行过程中使用对标称开环问题的重复重新计算来校正噪声,尽管当被解释为反馈时,这只能说是一种隐式形式。我们研究了一个更广泛的范围比以前报道的噪声水平和经验证据表明,解耦方法允许在广泛的不确定性条件下,而不会过度牺牲性能的易于处理的规划。
2020-07-18 cs.RO cs.SY eess.SY
Robust Data-Driven Output Feedback Control via Bootstrapped Multiplicative Noise
The University of Texas at Dallas(德克萨斯大学达拉斯分校);The Australian National University(澳大利亚国立大学)
我们提出了一个强大的数据驱动的输出反馈控制算法,显式地将固有的有限样本模型估计不确定性的控制设计。该算法有三个组成部分:(1)一个子空间识别标称模型估计;(2)一个自举响应方法,量化的非渐近方差的标称模型估计;和(3)一个非传统的鲁棒控制设计方法,包括耦合的最佳动态输出反馈滤波器和控制器与乘性噪声。所提出的方法的一个主要优点是,系统辨识和鲁棒控制设计过程都使用随机不确定性表示,使实际固有的统计估计不确定性直接对准的不确定性的鲁棒控制器正在设计。此外,控制设计方法容纳了一个高度结构化的不确定性表示,可以捕捉不确定性形状比现有的方法更有效。我们通过数值实验表明,所提出的鲁棒数据驱动的输出反馈控制器可以显着优于确定性等效控制器的样本复杂性和稳定性鲁棒性的各种措施。
2022-05-10 cs.LG cs.SY eess.SY
Regularization of non-overshooting quasi-continuous sliding mode control for chattering suppression at equilibrium
本文针对二阶系统非超调准连续滑模控制在原点处的不连续抖振问题,提出正则化方案,并通过ISS与iISS证明及数值结果验证其有效性。
2025-06-05 cs.SY eess.SY math.OC
Robust adaptive state-feedback control of linear time-varying systems under both potentially unbounded system's modeling uncertainty and external disturbance
针对线性时变(LTV)系统,在系统建模不确定性和非线性外部干扰的情况下,提出了一种基于对数范数的鲁棒自适应状态反馈控制器设计方法。该控制器由自适应和鲁棒两个独立部分组成,使每个LTV系统全局渐近稳定,而不管干扰有多大。
2020-07-14 math.OC
Three Laws of Multivariable Feedback Systems, Extended Spectral Flatness (Extended Wiener Entropy), 'Uncertainty Principles' in Variance Minimization, and Performance Limitations in Minimum Variance Estimation/Filtering
本文推导了多输入多输出反馈系统的三大定律,分别涉及熵域、频域和时域,并提出了新的概念如扩展频谱平坦度等,探讨了最小方差控制中的不确定性原理及最小方差估计滤波的性能限制。
2014-12-19 cs.IT cs.SY eess.SY
Regularization of Port-Hamiltonian Descriptor Systems
National University of Singapore(新加坡国立大学);TU Berlin(柏林工业大学)
本文研究了端哈密顿描述系统的正则化问题,通过比例和导数输出反馈,给出了保证闭环系统正则、指数不超过一且保持端哈密顿性质的充分必要条件。
2025-11-30 math.DS math.OC
Robust Model Predictive Control with Polytopic Model Uncertainty through System Level Synthesis
针对多面体模型不确定性与加性扰动下的离散线性系统,提出基于System Level Synthesis的鲁棒MPC方法,联合在线优化LTV控制器与不确定性影响界,显著降低保守性且计算量相当。
2023-09-26 cs.SY eess.SY math.OC
Robust Predictor Feedback for Discrete-Time Systems with Input Delays
Technical University of Crete(克里特理工大学);University of California, San Diego(加州大学圣地亚哥分校)
针对具有输入时滞的离散时间系统,提出一种基于反步法的预测反馈设计,并通过Lyapunov重设计最小化不确定性影响,实现鲁棒全局指数稳定性。
2012-12-04 cs.SY eess.SY math.OC
Distributional Robustness and Regularization in Reinforcement Learning
Technion(以色列理工学院)
分布鲁棒优化(DRO)已经证明了分类和回归中鲁棒性和正则化之间的等价性,从而提供了正则化在统计学习中推广良好的分析原因。虽然DRO的扩展到顺序决策克服了$\textit{external uncertainty}$通过强大的马尔可夫决策过程(MDP)设置,由此产生的公式是很难解决的,特别是在大的域。另一方面,由于随机性,强化学习中现有的正则化方法仅解决$\textit{internal uncertainty}$。我们的研究旨在通过建立鲁棒MDP和正则化之间的对偶关系来促进鲁棒强化学习。我们引入Wasserstein分布鲁棒MDPs,并证明他们持有样本的性能保证。然后,我们引入了经验值函数的一个新的正则化子,并证明了它是Wasserstein分布鲁棒值函数的下界。我们将结果推广到大状态空间的线性值函数近似。我们的方法提供了一种替代配方的鲁棒性,保证有限样本的性能。此外,它建议使用正则化作为在强化学习方法中处理$\textit{external uncertainty}$的实用工具。
2020-07-14 cs.LG math.OC stat.ML
Static Output Feedback Control for Nonlinear Systems subject to Parametric and Nonlinear Uncertainties
University of Alberta(阿尔伯塔大学)
本文研究了满足局部Lipschitz连续条件的离散非线性系统静态输出反馈控制器设计,通过凸多目标优化同时优化Lipschitz常数和扰动抑制水平,提升系统对非线性不确定性和参数变化的鲁棒性。
2016-06-25 cs.SY eess.SY math.DS
A general framework of rotational sparse approximation in uncertainty quantification
本文提出了一个通用的框架,估计系数的广义多项式混沌(gPC)的不确定性量化通过旋转稀疏近似。特别是,我们的目标是确定一个旋转矩阵,使得旋转后的一组随机变量的gPC展开具有稀疏表示。然而,这种旋转方法改变了要求解的基本线性系统,这使得找到稀疏系数比没有旋转的情况更困难。为了解决这个问题,我们研究了压缩感知(CS)中几种流行的非凸正则化方法,这些方法在经验上优于经典的l1方法。所有这些正则化都可以通过交替方向乘法器(ADMM)来最小化。数值例子表明,所提出的旋转和非凸稀疏促进正则化的组合,没有旋转和旋转,但使用凸l1方法的优越性能。
2021-09-17 math.OC stat.CO
A Generalized Plant Perspective on Linear-Convex Feedback Optimization
University of Stuttgart(斯图加特大学)
本文提出广义被控对象视角,利用Zames-Falb积分二次约束分析优化器与被控对象互联的稳定性,动态乘子比静态乘子提供更紧的稳定裕度,并支持动态输出反馈控制器综合。
2026-06-23 cs.SY eess.SY math.OC
Optimal Regularization Under Uncertainty: Distributional Robustness and Convexity Constraints
University of California, Los Angeles(加州大学洛杉矶分校);Johns Hopkins University(约翰斯·霍普金斯大学);National University of Singapore(新加坡国立大学)
本文提出分布鲁棒最优正则化框架,利用凸对偶转化优化问题,并研究凸性约束下的计算与稳定性,为不确定环境中的可靠正则化设计提供理论基础。
2025-10-03 math.MG math.OC math.ST
Robust feedback stabilization of interacting multi-agent systems under uncertainty
我们考虑不确定性下的大规模交互代理系统的控制策略。特别关注的是鲁棒控制的设计,允许约束随时间变化的受控系统。为此,我们认为$\mathcal{H}_\infty$控制策略的代理和平均场描述的系统。我们证明了一个独立于代理数量的稳定控制器的$\mathcal{H}_\infty$规范上的界。此外,我们比较了新的控制与现有的方法来处理不确定性的广义多项式混沌展开。一维和二维代理系统的数值结果。
2022-10-05 cs.NA math.NA math.OC
Quasi-Monte Carlo integration for feedback control under uncertainty
针对系数依赖无限参数的抛物型偏微分方程最优控制问题,推导了反馈控制,证明基于 Riccati 的反馈算子的解析性,并首次应用高阶 QMC 方法高效计算反馈律,实现了优于普通蒙特卡洛且独立于随机维数的误差率。
2024-09-23 cs.NA math.NA math.OC
Regularization for Wasserstein Distributionally Robust Optimization
最优输运最近已被证明是在需要比较概率测度的各种机器学习应用中的有用工具。其中,分布鲁棒优化的应用自然会在其不确定性模型中涉及Wasserstein距离,捕获数据偏移或最坏情况。受最优输运中Wasserstein距离正则化成功的启发,本文研究了Wasserstein分布鲁棒优化的正则化问题。首先,我们得到了正则化Wasserstein分布鲁棒问题的一般强对偶结果。其次,我们改进了这个对偶结果的熵正则化的情况下,并提供了一个近似结果时,正则化参数消失。
2023-03-23 math.OC
Research on Optimal Control Problem Based on Reinforcement Learning under Knightian Uncertainty
Anhui Polytechnic University(安徽工业大学);University of Shanghai for Science and Technology(上海理工大学)
本文研究了在Knightian不确定性环境下,利用强化学习解决最优控制问题,通过推导HJB方程并分析LQ案例,验证了最优策略在探索与利用之间的平衡及高斯分布特性。
2026-01-24 math.OC
Feedback Control via Integrated Sensing and Communication: Uncertainty Optimisation
University of London(伦敦大学);CentraleSupélec, University of Paris-Saclay(巴黎萨克雷大学中央理工-高等电力学院);University of Maryland College Park(马里兰大学帕克分校)
研究共享平台约束下反馈控制任务的集成传感与通信(ISAC)协调,针对高斯 - 马尔可夫源等,推导最优ISAC和控制策略,证明基站最优ISAC策略及源最优控制策略的结构特点,分析阈值区域变化。
2026-07-07 cs.IT math.IT math.OC
Conformal Prediction in The Loop: A Feedback-Based Uncertainty Model for Trajectory Optimization
School of Automation and Intelligent Sensing(自动化与智能感知学院);Shanghai Jiao Tong University(上海交通大学)
针对轨迹优化中保形预测缺乏决策反馈的问题,提出 Fb-CP 框架,利用已实现轨迹动态调整风险与预测区域,并给出收敛算法和分布偏移扩展。
2025-10-18 cs.AI cs.RO cs.SY
From Uncertainty Data to Robust Policies for Temporal Logic Planning
我们考虑的问题,综合鲁棒干扰反馈政策的系统执行复杂的任务。我们制定的线性时态逻辑规范的任务,并通过混合整数约束编码到一个优化框架。系统动态和规格都是已知的,但受不确定性的影响。不确定性的分布是未知的,但是可以获得实现。我们引入了一个数据驱动的方法,其中的约束满足一组实现,并提供概率泛化保证作为一个函数的数量考虑实现。我们使用单独的机会约束满足规范和操作约束。这使我们能够独立地量化它们的违规概率。我们计算的干扰反馈政策的混合整数线性或二次最优化问题的解决方案。通过使用反馈,我们可以利用过去实现的信息,并提供了更广泛的情况下相比,静态输入序列的可行性。我们证明了所提出的方法在两个强大的运动规划案例研究自动驾驶。
2018-08-27 math.OC
Feedback Control and the Arrow of Time
本文的目的是突出稳定性的时间不对称性在反馈控制中所起的中心作用。我们表明,这提供了一个新的视角上使用双无限或半无限的时间轴信号空间的控制理论。然后,我们专注于这个时间不对称的含义建模不确定性,监管和鲁棒控制。我们指出,建模的不确定性和易于控制的关键取决于时间的方向。我们还讨论了这种基于控制的时间箭头与物理学中众所周知的时间箭头的关系。
2008-04-19 math.DS math.OC
Riccati-ZORO: An efficient algorithm for heuristic online optimization of internal feedback laws in robust and stochastic model predictive control
Department of Microsystems Engineering (IMTEK), University of Freiburg(弗赖堡大学微系统工程学院(IMTEK));Department of Mathematics, University of Freiburg(弗赖堡大学数学系)
本文提出Riccati-ZORO算法,用于管状最优控制问题,通过启发式不确定性成本设计联合优化名义轨迹和不确定性管,将计算复杂度从O(n_x^6)降至O(n_x^3)。
2026-06-05 math.OC