May, 2023

状态相关噪声的高斯过程用于随机控制

PDF
TL;DR该论文考虑了使用高斯过程学习动态系统的残差模型不确定性的随机控制框架，其中残差模型不确定性包括非线性函数和状态相关噪声，并提出了一种后验高斯过程来近似残差模型不确定性和一种先验高斯过程来解释状态相关噪声，这两种高斯过程相互依赖并使用迭代算法共同学习，该方法有快速收敛和准确的状态相关噪声估计的优势。
stochastic controlgaussian processdynamical systemnonlinear functionstate-dependent noise
发现论文，激发创造
  • 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

  • 高斯过程学习非线性动力学

    科学机器学习中，通过贝叶斯推断模型参数，利用状态数据和相关性构建似然函数，从而学习非线性动力学模型。

    Dec, 2023

  • 利用粒子 MCMC 对高斯过程状态空间模型进行贝叶斯推断和学习

    通过向状态转移动力学分布中添加高斯过程先验，结合分析型建模和蒙特卡罗采样器进行直接联合平滑分布推断的方法，提出了一种非线性非参数状态空间模型的完全贝叶斯方法。

    Jun, 2013

  • 变分高斯过程状态空间模型

    该论文介绍了利用稀疏高斯过程进行非线性状态空间建模的高效变分贝叶斯学习的过程，以及后续的可处理的非线性动态系统建模、模型容量和计算成本的平衡、避免过度拟合以及使用混合推理方法（变分贝叶斯和顺序蒙特卡洛）进行主算法等。

    Jun, 2014

  • 高效的贝叶斯学习高斯过程空间模型

    本文介绍了一种用高斯过程状态空间模型进行高效贝叶斯学习的方法，其中高斯过程投影到利用先验协方差结构导出的一组近似特征函数集合上。通过谨慎设计的粒子 MCMC 算法，可以在这种模型家族下进行学习。相比传统的系统识别工具或现有的学习方法，我们在模型不确定性的可靠量化方面表现更具竞争力。

    Jun, 2015

  • 高斯过程的鲁棒滤波和平滑

    提出了一种基于高斯过程模型的非参数鲁棒贝叶斯滤波和平滑方法，用于非线性随机动态系统的系统识别和控制。在机器学习，机器人和控制领域，这种现代的 “系统识别” 方法比参数化函数表示更具鲁棒性。数值评估表明，所提出的方法在其他最先进的高斯滤波器和平滑器无法处理的情况下表现出鲁棒性。

    Mar, 2012

  • 通过正式抽象实现非高斯噪声动态系统的鲁棒控制

    该研究论文提出了一种新颖的控制器合成方法，它不需要任何明确表示噪声分布的方式，而是通过将控制系统抽象为捕捉噪声的有限状态模型，然后使用从场景方法中的工具来计算可能正确的限制，基于一些噪声的有限数量样本。通过缩小合成过程的复杂性，该方法在实际控制系统上的应用具有广泛的适用性。

    Jan, 2023

  • 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

  • 参数高斯过程回归器

    提出了两种可扩展的高斯过程回归方法，通过应用变分推断和直接处理后验预测分布来改善模型预测不确定性。

    Oct, 2019