AI 中文总结
研究在高保真随机模拟器上进行认证控制器合成问题，核心方法是将协方差控制与选学元算法结合，通过迭代评估策略等步骤提供概率保证，在航天器动力下降问题上取得较好效果，相比单独协方差控制有改进。
AI 中文摘要
我们提出了CS-P2L，这是一个将协方差控制（CS）与选学（P2L）元算法相结合的框架，用于在高保真随机模拟器上进行认证控制器合成。该方法在模拟器展开中迭代评估策略，利用最坏情况违规收紧代理约束，并在给定置信水平下提供基于压缩的真实违规概率的概率保证。在具有不确定重力的航天器动力下降问题上，CS-P2L通过600次展开认证了4.9%的违规界限，而单独的协方差控制将违规率低估了约两倍。
英文摘要
We present CS-P2L, a framework coupling covariance steering (CS) with the Pick-to-Learn (P2L) meta-algorithm for certified controller synthesis over high-fidelity stochastic simulators. The method iteratively evaluates policies on simulator rollouts, tightens surrogate constraints using the worst-case violations, and provides compression-based probabilistic guarantees on the true violation probability given a confidence level. On a spacecraft powered-descent problem with uncertain gravity, CS-P2L certifies a violation bound of 4.9\% with 600 rollouts, whereas standalone covariance steering underestimates the violation rate by roughly a factor of two.
CommentsTo appear in the 65th IEEE Conference on Decision and Control
