本研究通过使用随机森林和深度神经网络来设计一个车辆的横向控制器，并通过预测和控制其信心 / 不确定性来处理它在操作中的不确定性和保证操作安全性，而相对于深度神经网络，基于随机森林的控制器在极少量标记数据的条件下具有更好的泛化能力，并能够在另一个类似的赛道上驾驶，即使在深度神经网络控制器无法驾驶的情况下，同时设置阈值，当控制器不安全时可采取适当的控制措施。

Mar, 2023

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

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

本文提出了基于概率模型预测控制（MPC）的基于模型的 RL 框架，以减少与环境的相互作用次数的方法。该方法使用高斯过程学习概率转换模型来减少模型误差的影响，同时使用 MPC 找到最小化预期长期成本的控制序列，以达到在受限环境下使用 RL 的目的。

Jun, 2017

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

模型预测控制与强化学习相结合并在引导策略搜索框架下应用，通过使用机载传感器数据在训练时间内训练神经网络策略，该策略可成功地控制四旋翼飞行器的避障而无需系统完整状态知识。

Sep, 2015

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

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

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

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