Apr, 2024

基于高斯过程学习的模型预测控制教程

PDF
TL;DR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。
gaussian process learning-basedmodel predictive controlgp regressionuncertainties handlingrobotics control
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

  • 基于概率模型预测控制的高效数据强化学习

    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

  • 基于模型的高斯过程演示学习

    本文提出了一种基于高斯混合回归的新型多输出高斯过程（MOGP）方法，利用 MOGP 的协方差将从演示中检索的变异性捕获起来，使机器人能够精确跟踪经过点，同时在高变异地区保持的柔顺性。

    Oct, 2019

  • 提升混合交通的安全性：基于学习的建模与有效的自动驾驶和人工驾驶车辆控制

    使用先进的人类驾驶车辆模型和高斯过程学习相结合的方法来预测人类驾驶车辆的行为，并利用该模型开发了一种增强型模型预测控制策略，以提高混合车辆编队的安全性和运行效率。

    Apr, 2024

  • 基于稳定高斯过程的 Lagrangian 系统跟踪控制

    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

  • 基于学习的模型预测控制用于安全探索

    本文提出了一种基于学习的模型预测控制方案，其可以提供可证明的高概率安全保证，并利用正态分布先验的规则性假设来构建可证明准确的置信区间，保证轨迹满足安全约束，通过终端集约束递归地保证每个迭代中存在安全控制动作。在实验中展现了该算法可以用来安全、高效地探索和学习动态系统。

    Mar, 2018

  • 通过学习分类器实现自适应模型预测控制

    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

  • 基于 MPC 引导的策略搜索学习自主飞行器深度控制策略

    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

  • 模型预测控制中的优化学习

    通过机器学习优化基于样本的模型预测控制中的更新规则，以在有限的样本数下获得更好的控制效果。

    Dec, 2022

  • 基于时序高斯过程的学习控制与消失的跟踪误差

    通过测量数据，我们提出了一种基于贝叶斯预测误差边界的高斯过程回归模型，证明了其具有逐渐减小的跟踪误差并实现了逐渐消失的跟踪误差，有效地解决了复杂技术系统中的问题，并在多个模拟中进行了验证。

    Jul, 2023