.png){kind=icon}
返回
Gaussian processes for dynamics learning in model predictive control
.png){kind=icon}
OA
AI
DOI：10.1016/j.arcontrol.2025.101034.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
由于其在具有严格且非保守的不确定性界限的状态估计性能方面处于领先地位，高斯过程回归已成为增强动态系统模型并应对其不准确性的热门工具。这促使近年来在多种应用中涌现出大量基于高斯过程的模型预测控制成功实施案例。然而，尽管其实际有效性显而易见，但在尝试从理论上分析相关最优控制问题以及利用高斯过程回归在安全学习型控制方面的全部潜力时，仍存在许多悬而未决的问题。本综述的贡献分为两个方面。第一方面是回顾该领域现有文献，重点阐述主要理论挑战，例如（i）解决高斯过程回归的可扩展性问题；（ii）考虑获得可处理MPC（模型预测控制）表述所需的必要近似；（iii）通过利用运行期间收集的数据，将在线模型更新纳入其中以优化动态描述。第二方面是提供对未来研究方向的大范围讨论，收集了与最优控制相关（但尚未被利用）的不确定性量化结果等成果。最终，本文提供了一套工具包，用于研究和推进基于高斯过程的模型预测控制。
Keyword:
60G15
62F15
62G05
62J07
93B45
93E20
Model predictive control
Gaussian process regression
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
10.7
论文数:
835
被引数:
5.9K
机构
暂无机构信息
引用论文
R. Soloperto, M. A. Müller, S. Trimpe, F. Allgöwer, Learning-Based Robust Model Predictive Control with State-Dependent Uncertainty, IFAC-PapersOnLine 51 (2018) 442–447.R. Soloperto, M. A. Müller, S. Trimpe, F. Allgöwer, 基于学习的鲁棒模型预测控制：具有状态相关不确定性的方法, IFAC-PapersOnLine 51 (2018) 442–447..png)
IF0
PREAI
分享收藏Nonparametric, Nonasymptotic Confidence Bands With Paley-Wiener Kernels for Band-Limited FunctionsCsáji, B.C., Horváth, B., 2022. 非参数、非渐近置信带：基于Paley-Wiener核的带限函数。IEEE Control Systems Letters 6, 3355–3360.
PREAI
分享收藏
查看更多内容