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

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

本文提出了一种基于 Gaussian process regression 的在线学习的 event-triggered 策略，针对计算延迟设计了新的事件触发器，能够在保持追踪精度的前提下优化计算效率。

May, 2023

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

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。

Jun, 2019

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

本研究提出了一种名为 VAR-GPs 的方法，采用贝叶斯定理作为框架，在通过观察数据在线连续学习过程中解决后验更新的问题，并使用稀疏诱导点逼近可扩展后验概率分布，从而避免了灾难性遗忘的问题。经过实验验证，在现代连续学习基准测试中，VAR-GPs 表现优异，证明了作者们建模选择的功效。

Jun, 2020

本研究提出了一种利用双重稀疏变分高斯过程方法，在连续和主动学习等数据有限的情况下，减少使用后续数据产生的误差，从而提高学习的准确性，并在涉及贝叶斯优化，主动学习和连续学习的几个应用程序中证明了其有效性。

Jun, 2023

本文提出了一种利用变分方法处理非线性高斯过程映射中半描述输入的高斯过程框架，完美解决半监督学习和半描述学习问题，并可控制不确定性和补全缺失数据，以及在迭代预测和回归 / 分类中显著提高性能的实验结果。

Sep, 2015

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