本研究提出了一种基于学习的方法，用于解决具有部分未知动力学的切换通信拓扑下的欧拉 - 拉格朗日多智能体系统的跟踪控制问题。该方法借助基于高斯过程回归的关联感知协同算法框架，巧妙地捕捉智能体间的相关性以进行不确定性预测。其显著特点是在避免了计算密集的后验方差计算的情况下，优化了汇聚权重的计算效率。通过李亚普诺夫稳定性分析，分布式控制律确保跟踪误差有很高的概率界限。仿真实验证实了该协议在有效管理复杂情况方面的功效，使其成为处理具有不确定动力学和动态通信结构的多智能体系统的鲁棒跟踪控制的有希望的解决方案。

Feb, 2024

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

利用高斯过程学习补偿多智能体系统中未知的组成部分，并通过基于概率保证的预测误差边界确保了所提出的基于学习的控制器的控制性能。

Feb, 2024

本文提出了一种基于高斯过程状态空间模型的主动学习策略，旨在获取状态操作空间有界子集上的准确模型，并通过模型预测控制集成探索过程中收集的信息和自适应改进探索策略。

May, 2020

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

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

研究上传和下载调度和功率分配的联合问题，通过机器学习和高斯过程回归预测丢失的状态和操作信息，以最小化平均信息新鲜度和传输功率，并利用 Lyapunov drift-plus-penalty 优化框架提出动态控制算法。

Jan, 2021

本文研究了高斯过程状态空间模型的主动学习。通过决定其输入，我们可以通过 GPSSM 最优地学习系统的潜在状态，以便选择最具信息量的输入。我们提出了两种逼近潜在状态下 GPSSM 的互信息的方法，并在多个物理系统中进行了评估。

Jul, 2021

本文主要探讨在包含未知输入信号的物理系统中的学习和随机控制问题，这些未知信号以具有一定参数协方差结构的高斯过程（GP）作为模型，得到的潜在力模型（LFMs）可以看作是包含基于物理原理和非参数 GP 模型部分的混合模型。我们简要介绍了这种模型的统计推断和学习方法，引入了针对这种模型的随机控制方法，并为它们提供了新的理论可观测性和可控性结果。

Sep, 2017

创新地使用高斯过程回归 (GP) 在多智能体系统 (MASs) 中增强分布式合作学习的方法被介绍。该方法的关键贡献是开发了一种选择性学习算法，即先验感知式选择性分布式 GP (Pri-GP)，它赋予智能体有能力根据其可信度有选择地请求邻居智能体的预测结果。所提出的 Pri-GP 在个体预测准确性方面有效提高，特别是在智能体的先验知识不正确的情况下。此外，它消除了在分布式 GP 中计算密集的方差计算来确定聚合权重的需求。此外，在 Pri-GP 框架内确立了预测误差界限，确保了预测的可靠性，这在安全关键型 MAS 应用中被认为是至关重要的属性。

Feb, 2024