使用梯度优化算法，利用隐函数定理及反向黑塞矩阵逼近来提高超参数优化的效率，成功应用于训练超大规模网络架构，例如数据增强网络，整个过程只比标准训练多花费少量内存与计算资源。

Nov, 2019

研究了有限时间内的逆控制问题，提出了一种能够从观测中推断出代理行为驱动成本的成本估计方法，并将结果转化为了算法过程，并通过实验验证了方法的有效性。

Jun, 2023

本文提出了一种端到端的方法，采用隐式微分直接优化期望回报，以求克服最大似然方法在模型不匹配或表示能力有限的情况下出现的缺点。具体来说，我们将一个满足模型引导的贝尔曼最优算符的值函数视为模型参数的隐函数，并展示了如何对该函数进行微分。理论和实证实验证明了该方法在模型失配情况下相对于基于最大似然方法的优势。

Jun, 2021

文章利用 KL 最小化问题来表述非线性随机最优控制问题，通过将最优控制计算转化为推理计算，应用了近似推理方法以高效计算近似优化控制。通过实例，作者展示了近似推理方法的成功应用，在讨论 KL 控制方法与其他控制推理方法之间的联系。

Jan, 2009

本文提出了一种解决 Hamilton-Jacobi 方程的算法，用于优化车辆在指定区域内行驶的最佳轨迹问题，旨在利用数值方法来找到最小化行驶成本和终端成本的轨迹，并将此算法应用于图像处理领域。

Mar, 2013

本文提出了一种可微分的线性二次模型预测控制（MPC）框架，用于安全模仿学习，其中利用从离散时间代数 Riccati 方程（DARE）获得的终端成本函数强制实施无限地平线成本，以便能够证明所学控制器在闭环中稳定。该框架的学习能力在一组数值研究中得到了证明。

Jan, 2020

本文探讨了深度学习神经网络作为最优控制问题的离散化，提出了一类算法来解决离散最优控制问题，并探讨了在时间离散化方面的延伸。

Apr, 2019

本文介绍了一种在机器人控制、优化和估计中求取系统动态的导数的新方法，该方法利用了自动微分技术，以及在四足机器人 HyQ 和 6 自由度机械臂动态路径规划方面的实际应用。

Sep, 2017

通过使用基于迭代学习控制（ILC），时滞相图（TLPP）和高斯过程回归（GPR）的迭代，轨迹优化和参数调整方法，我们开发了一种替代的主动控制系统，该方法可以控制系统的动力学，尽管控制器速度远慢于动力学的速度。我们在 Lorenz 方程组中演示了这个控制器，它通过迭代调整（调谐）系统的输入参数来成功复制所需的振荡轨迹或状态。此外，我们还研究了系统对其控制参数的动态敏感性，识别了期望动态轨迹的连续和有界区域，并证明了只要满足某些要求，控制器对于缺失信息和不可控参数具有鲁棒性。本文提出的控制器为各种快速非线性系统提供了低速控制的框架，可以帮助抑制和减轻不稳定性。

May, 2024

本文讨论了非线性动态系统的线性二次控制问题，并将其转化为线性方程。通过使用路径积分方法，解决了传统反向计算的问题，并给出了路径积分方法的有效计算方法，如 MC 抽样、Laplace 逼近和变分逼近。通过例子来说明了随机和确定性控制的区别以及噪声的对称性破坏现象的发生。

May, 2005