高斯过程回归的一致误差界及其在安全控制中的应用

Jun, 2019

高斯过程回归的一致误差界及其在安全控制中的应用

Uniform Error Bounds for Gaussian Process Regression with Application to Safe Control

Armin Lederer, Jonas Umlauft, Sandra Hirche

TL;DR本文利用高斯过程分布和连续性论证推导出一种新的弱假设下的统一误差界，分析了概率 Lipschitz 常数的演变和 Gaussian Process 模型控制未知动态系统的安全条件，且采用模拟程序验证了此方法的有效性。

Abstract

data-driven models are subject to model errors due to limited and noisy training data. Key to the application of such models in safety-critical domains is the quantification of their →

data-driven models model error gaussian processes uniform error bounds safety-critical domains

发现论文，激发创造

高斯过程回归对未知动力系统的安全验证

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

高效计算的高斯过程在主动学习中的安全界限

基于自适应采样的高斯过程后验中极值中位数的可证明安全边界为活动学习提供了有效的安全约束，以便在物理系统中进行设计空间的探索。

Feb, 2024

基于时序高斯过程的学习控制与消失的跟踪误差

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

控制中的安全探索鲁棒回归

研究在序列控制问题中的安全学习和探索问题，提出了一种深度健壮回归模型来预测安全探索的不确定性界限，证明了该方法在难以指定好的高斯过程先验的情况下优于传统的基于高斯过程的安全探索方法。

Jun, 2019

高斯过程贝叶斯推断的鲁棒性保证

本文探讨了对于 Bayesian 推断模型的输入扰动的鲁棒性估计问题，通过使用高斯过程理论并提出算法计算当前模型在输入空间中的紧密强度，并应用于两个例子中：一个 GP 回归问题和一个全连接深度神经网络来研究 MNIST 数据集上的对抗性例子。

Sep, 2018

高斯过程回归的谨慎模型预测控制

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

通过高斯过程回归形式化验证未知动态系统

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

基于稳定高斯过程的 Lagrangian 系统跟踪控制

使用基于数据的控制法律，通过高斯过程回归来补偿系统未知的动力学，并基于学习的模型的不确定性来自适应反馈部分的增益，以保证全局有界跟踪误差。

Nov, 2018

基于贝叶斯方法的不确定输入高斯过程回归

该研究提出了一种使用贝叶斯方法将观测数据的不确定性与高斯过程回归相结合的方法，因此在科学应用中可以更好地估计不确定性，并获得更稳健的预测结果。

May, 2023

高阶不确定模型中的实时自适应安全关键控制与高斯过程

本文提出了一种适应不确定参数系统的自适应在线学习框架，以确保非平稳环境下的安全临界控制；该方法包括两个阶段，第一阶段基于稀疏高斯过程算法改进，第二阶段提出了基于高阶控制屏障函数的安全过滤器与学习模型相结合，并通过实时障碍物避免实验证明了算法的有效性。

Feb, 2024