本文提出了一种自适应 MPC 系统,可以通过利用贝叶斯优化和经典的 EI 获取方法自动估计控制和模型参数,通过机器学习方法用于密度比估计从而实现该控制器在多种有挑战性的机器人操作任务上的鲁棒性。
Mar, 2022
本文提出了一种混合预测控制器,使用触觉信息和全身动力学来局部预测机器人的未来动作,实现了机器人快速生成灵活的运动。通过跟踪反馈策略,该预测控制器能够在没有使用单独的全身控制器的情况下执行低级扭矩控制。
通过解决 MPC 控制器在现实场景下系统识别学习失败的问题,将其转化为部分观察马尔科夫决策过程,通过循环强化学习不断地适应动态模型参数,该论文提出了一种自适应控制算法 (MPC-RRL),最终在 CARLA 模拟器中得出了具有鲁棒性和可靠性的自动驾驶控制效果。
Jan, 2023
通过使用集成模型预测控制 (EMPC) 方法,可以实现非线性全模型,将高斯过程作为反向计算的输入,从而提高机器人系统的控制和估计的准确性和效率。
May, 2023
参数自适应近似模型预测控制(AMPC)架构,以此实现对低成本微控制器(MCU)上快速运动系统的实际应用。
Apr, 2024
本文研究了基于模型预测控制和强化学习控制器相结合的四足机器人稳定步态生成问题,并开发了一种融合了这两种方法的混合控制方法,其中采用一个以神经网络建模的 Q 函数形式的尾部成本算法来降低计算复杂度,并证明了我们的控制器在短时间内能够实现稳定步态,具有实时操作的能力。
Jul, 2023
本文提出了一种基于动态镜像下降 (DMD) 的模型预测控制 (MPC) 算法 (DMD-MPC),该算法结合了在线学习算法的思想,是一种通用的 MPC 算法,并在实验中展示了其适用性。
Feb, 2019
该研究论文提出了一种用于动态系统的模型预测控制(MPC)方法,该方法利用深度神经网络(NNs)对系统的非线性和不确定性进行建模,并提出了两种用于解决 MPC 问题的方法:混合整数规划(MIP)方法和线性松弛(LR)方法。进行了广泛的数值模拟来演示和比较 MIP 和 LR 方法的性能。
May, 2024
通过提出基于频率的成本函数在轨迹优化中实现对于机器人模型误差的鲁棒性设计,从而增加运动规划的稳定性和兼容性。在通过模拟和硬件实验优化动作规划并在机器人 ANYmal 上进行实验后,成功地提高了机器人对于不确定环境和具有不同活动性的地形的适应性。
Sep, 2018
基于深度神经网络的非线性模型预测控制(MPC)在同质压燃点火(HCCI)燃烧控制方面的实验实施结果良好,具有优秀的 IMEP 轨迹跟踪性能和过程约束的观测情况。
Oct, 2023