本研究提出了一种基于学习的方法，用于解决具有部分未知动力学的切换通信拓扑下的欧拉 - 拉格朗日多智能体系统的跟踪控制问题。该方法借助基于高斯过程回归的关联感知协同算法框架，巧妙地捕捉智能体间的相关性以进行不确定性预测。其显著特点是在避免了计算密集的后验方差计算的情况下，优化了汇聚权重的计算效率。通过李亚普诺夫稳定性分析，分布式控制律确保跟踪误差有很高的概率界限。仿真实验证实了该协议在有效管理复杂情况方面的功效，使其成为处理具有不确定动力学和动态通信结构的多智能体系统的鲁棒跟踪控制的有希望的解决方案。

Feb, 2024

本文提出了一种使用高斯过程回归模型的模型预测控制方法，用于建模非线性动态系统并计算模型残差不确定性以实现谨慎控制。通过近似计算实现计算效率，并在模拟实验和硬件实现中展示了该方法在自主赛车方面的表现改进。

May, 2017

通过测量数据，我们提出了一种基于贝叶斯预测误差边界的高斯过程回归模型，证明了其具有逐渐减小的跟踪误差并实现了逐渐消失的跟踪误差，有效地解决了复杂技术系统中的问题，并在多个模拟中进行了验证。

Jul, 2023

本文提出了一个基于高斯过程回归的验证框架，将连续空间系统抽象为有限状态不确定马尔可夫决策过程，利用模型检测工具验证抽象的不确定性，并将结果扩展到基础的部分可观测系统，有效地应用于线性、非线性和切换系统等多种情况下。

Dec, 2021

提出了一种使用高斯过程的验证框架来对不确定动态系统进行抽象，并利用已有方法对不确定马尔可夫过程进行安全验证，该方法在多个例子中得到了验证。

Apr, 2020

该论文提出了一种针对非线性机器人系统中存在的概率不确定性和干扰的闭环控制问题的解决方案，并将控制器设计问题作为概率分布的统计量的优化问题来处理，以此来降低跟踪偏差，并通过与现有的概率控制方法的比较来证明其性能。

Mar, 2023

通过模型无关的机器学习框架和储水计算方法，实现对双臂机器人操纵器的跟踪控制，仅使用部分观测状态，并且该控制框架在周期性和混沌信号方面表现出有效性和对测量噪声、干扰和不确定性的鲁棒性。

Sep, 2023

高斯过程学习模型预测控制（GP-MPC）系统地介绍了一种先进的方法，将高斯过程（GP）与模型预测控制（MPC）相结合，以提高复杂系统中的控制效果。它从 GP 回归基础知识开始，说明了它如何提高 MPC 的预测准确性和鲁棒性处理。本教程的一个重点贡献是对 GP-MPC 进行了首次详细、系统的数学形式化，重点关注了推导用于 GP 多步预测的均值和方差传播近似方法。通过讨论在机器人控制中的实际应用，如移动机器人在具有挑战性的地形中的路径跟随和混合车辆编队等，展示了 GP-MPC 的实际有效性和适应性。本教程旨在使 GP-MPC 对研究人员和实践者更加易于理解，为学习控制领域提供深入的理论和实践洞察，并促进复杂系统控制领域的进一步创新。

Apr, 2024

本文主要探讨在包含未知输入信号的物理系统中的学习和随机控制问题，这些未知信号以具有一定参数协方差结构的高斯过程（GP）作为模型，得到的潜在力模型（LFMs）可以看作是包含基于物理原理和非参数 GP 模型部分的混合模型。我们简要介绍了这种模型的统计推断和学习方法，引入了针对这种模型的随机控制方法，并为它们提供了新的理论可观测性和可控性结果。

Sep, 2017

利用高斯过程学习补偿多智能体系统中未知的组成部分，并通过基于概率保证的预测误差边界确保了所提出的基于学习的控制器的控制性能。

Feb, 2024