Finite-sample-based reachability for safe control with Gaussian Process dynamics

doi:10.1016/j.automatica.2026.113204

Finite-sample-based reachability for safe control with Gaussian Process dynamics

2026-07-01

1

PRE

AI

DOI：10.1016/j.automatica.2026.113204

原文链接

原文求助

摘要

En 中文

高斯过程（GP）回归已被证明在学习和未知动力学方面是有效的，能够实现高效且安全感知的控制策略，适用于各种应用。然而，现有的基于GP的模型预测控制（GP-MPC）方法要么依赖近似，因此缺乏保证，要么过于保守，这限制了其实用性。为解决这一差距，我们提出了一种基于采样的框架，能够高效地传播模型的知识性不确定性。我们建立了一个新的样本复杂度结果，能够使用从GP后验中采样的有限数量的动力学函数构造可达集。在此基础上，我们设计了一种基于采样的GP-MPC方案，该方案是递归可行的，并能以高概率保证闭环安全性和稳定性。最后，我们在两个数值示例中展示了我们方法的有效性，突出了准确的可达集过近似和安全闭环操作。

Keyword:

Gaussian processes

Nonlinear predictive control

Sampling-based algorithm

Randomized methods

Robust control of nonlinear systems

Learning theory

Finite-sample-based reachability for safe control with Gaussian Process dynamics

摘要

期刊

机构

引用论文