Certified Neural Approximation of Robust Nonlinear Model Predictive Control

США и Запад · 22 окт.

arXiv:2610.29559v1 Announce Type: new Abstract: Model predictive control is a high-performance control method, but it incurs comparatively high online computational costs across many control tasks and is challenging to realize in low-level hardware settings.

Созвучно продуктам ЦД

ЦДТ

Заголовок оригинала: Certified Neural Approximation of Robust Nonlinear Model Predictive Control

Читать первоисточник: arXiv — Systems and Control (eess.SY)

Перевод и краткое изложение — машинные, по материалам источника. Полный текст статьи не републикуется; права на него принадлежат источнику.

Рядом по теме

ПрогнозированиеСША и Запад2 дн

Адаптивная кластеризация в робастном распределённом MPC для связанных агентов

Предложена схема динамической кластеризации для tube-based MPC систем связанных агентов: агенты внутри кластера явно координируются, а внешние связи учитываются как ограниченные возмущения. Онлайн-выбор топологии от централизованной до полностью децентрализованной опирается на меру рассогласования по верхней и нижней оценке стоимости и штраф за коммуникации. Доказано сохранение рекурсивной допустимости, выполнение ограничений и практическая асимптотическая устойчивость.

ЦД.ПрогнозarXiv — Systems and Control (eess.SY) ↗

ПрогнозированиеСША и Запад2 дн

Нейросетевая аппроксимация NMPC без экспертных демонстраций

Предложен рекуррентный фреймворк Seq-AMPC, который строит полные последовательности управлений по предсказанным траекториям, используя общие параметры на всём горизонте. Политика обучается напрямую через известную динамику с потерями за стоимость управления, выполнение ограничений и условие снижения стоимости, согласованное с безопасным резервным фильтром. Это снимает необходимость в больших наборах решений экспертного NMPC.

ЦД.ПрогнозarXiv — Systems and Control (eess.SY) ↗

ПрогнозированиеСША и Запад3 дн

Sampling-based MPC сведён к единому алгоритму последовательного Монте-Карло

Авторы показали, что predictive sampling, MPPI, cross-entropy method и их варианты с шумом и отжигом — это частные случаи одного алгоритма последовательного Монте-Карло (SMC), задаваемого тремя независимыми осями: предложением, правилом обновления и порогом эффективного размера выборки для пересэмплирования. Метод проверен на нелинейном управлении в MuJoCo, навигации через поле препятствий, планировании движения 7-DoF и задаче push-T в симуляции и на роботе Franka FR3. Пересэмплирование помогает бороться с деградацией частиц на длинных горизонтах.

arXiv — Systems and Control (eess.SY) ↗