Mar, 2022

基于贝叶斯优化的鲁棒模型预测控制在模型参数不确定性下的应用

PDF
TL;DR提出了一种自适应优化方法，用于调整随机模型预测控制 (MPC) 的超参数，同时基于性能奖励估计转换模型参数的概率分布。用异方差噪声模型开发贝叶斯优化算法来处理超参数和动力学模型参数空间中的噪声变化。试验结果表明我们的方法可以得到更高的累积回报和更稳定的控制器。
stochastic model predictive controlbayesian optimizationhyper-parametersprobability distributionsparameter spaces
发现论文，激发创造
  • 通过学习分类器实现自适应模型预测控制

    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

  • 自适应贝叶斯优化在高精度运动系统中的应用

    在这项工作中，我们提出了一种基于 GoOSE 算法的实时纯数据驱动的自适应控制方法，用于在线调整低级控制器参数，从而处理性能和稳定性的要求，并通过修改负载和参考步长将其与插值约束优化方法进行比较，用于评估算法在半导体行业应用中实现的真实精密运动系统的性能。

    Apr, 2024

  • 基于稳定性信息的贝叶斯优化用于 MPC 成本函数学习

    设计预测控制器以实现闭环性能最优化，同时保持安全和稳定性是具有挑战性的。本文通过在考虑闭环稳定性的情况下，利用受限贝叶斯优化来学习预测控制参数，将成本函数参数化为前馈神经网络，并进行闭环行为和模型 - 过程不匹配的最小化，从而提供了高自由度和有效全局优化实现期望的闭环行为。我们通过学习控制器参数的稳定性约束扩展了这个框架，并利用底层 MPC 的最优值函数作为一个 Lyapunov 候选。模拟结果验证了所提出方法的有效性，突显了其性能和安全能力。

    Apr, 2024

  • 贝叶斯策略优化模型不确定性

    解决不确定性对于自主系统在现实世界中的可靠适应至关重要。我们提出了一种模型不确定性的连续 Bayes-Adaptive Markov Decision Process（BAMDP）算法，其中代理人维护潜在模型参数的后验分布，并相对于该信念分布最大化其预期长期回报。我们的算法建立在最新的策略优化算法之上，以学习通用策略，以最大化贝叶斯价值函数的探索 - 开发权衡。为了应对从离散化连续潜在参数空间带来的挑战，我们提出了一种新的策略网络体系结构，可将信念分布独立于可观察状态地编码。我们的方法显着优于没有明确考虑信念分布而解决模型不确定性的算法，并且与现有的部分可观测马尔可夫决策过程求解器竞争力相当。

    Oct, 2018

  • 基于 POMDP 的序贯贝叶斯优化方法在无人机环境监测中的应用

    本文提出了一种在部分可观察马尔科夫决策过程 (POMDP) 框架下，针对连续轨迹的贝叶斯优化方法，并通过蒙特卡罗树搜索 (MCTS) 解决了这个问题，该方法在使用 UAV 监测空间现象方面表现优于竞争技术。

    Mar, 2017

  • 通过贝叶斯优化学习模型预测控制参数实现电池快速充电

    通过贝叶斯优化方法，针对模型预测控制中的参数调整问题，提出一种直接优化学习控制器参数的方法，以提高闭环性能。该方法在锂离子电池快速充电系统中应用，实现了安全充电和最大化闭环性能的目标。

    Apr, 2024

  • 通过导引贝叶斯优化选择风险控制模型

    通过将贝叶斯优化方法与严格的风险控制程序相结合，我们寻找一种满足用户指定风险限制的配置，同时在其他冲突指标方面也具有有用性，并展示了在多种任务中的有效性。

    Dec, 2023

  • 迭代学习的贝叶斯优化

    本文提出了一种基于贝叶斯优化的方法，该方法可以利用学习算法的迭代结构来有效地调整超参数。在深度强化学习和卷积神经网络训练中，我们的算法通过选择最佳超参数的方式，以最小时间成本实现了调优。

    Sep, 2019

  • 可证明安全且鲁棒的基于学习的模型预测控制

    本研究介绍了一种学习基础的模型预测控制 (LBMPC) 方案，在提高系统性能的同时提供稳健性的确定性保证。该方案利用统计识别工具识别系统的更丰富模型，通过维护两个模型，可以在一个优化框架中将安全性和性能隔离。LBMPC 通过选择最小化成本的输入来提高性能，并通过检查模糊模型稳定性来确保安全性和鲁棒性。此外，我们证明如果系统充分兴奋，则 LBMPC 控制行动以概率收敛为使用真实动力学计算的 MPC 的行动。

    Jul, 2011

  • 输入噪声下的稳健多目标贝叶斯优化

    本文提出了一种新的多目标贝叶斯优化方法，旨在解决存在输入噪声的多目标优化问题，通过优化多维风险价值 (MVaR) 来产生适应噪声并能够满足多个指标要求的最优设计。

    Feb, 2022