論文の概要: Stochastic Control through Approximate Bayesian Input Inference
- arxiv url: http://arxiv.org/abs/2105.07693v1
- Date: Mon, 17 May 2021 09:27:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-18 14:19:29.307505
- Title: Stochastic Control through Approximate Bayesian Input Inference
- Title（参考訳）: 近似ベイズ入力推論による確率制御
- Authors: Joe Watson, Hany Abdulsamad, Rolf Findeisen and Jan Peters
- Abstract要約: 不確実性下での最適制御は、最適化問題のためのトラクタブルソリューションの作成が困難であるため、制御の一般的な課題です。
制御問題を入力推定の1つとすることで、高度な近似推論技術を用いて統計近似を原理的かつ実用的な方法で処理することができる。
- 参考スコア（独自算出の注目度）: 23.65155934960922
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Optimal control under uncertainty is a prevailing challenge in control, due
to the difficulty in producing tractable solutions for the stochastic
optimization problem. By framing the control problem as one of input
estimation, advanced approximate inference techniques can be used to handle the
statistical approximations in a principled and practical manner. Analyzing the
Gaussian setting, we present a solver capable of several stochastic control
methods, and was found to be superior to popular baselines on nonlinear
simulated tasks. We draw connections that relate this inference formulation to
previous approaches for stochastic optimal control, and outline several
advantages that this inference view brings due to its statistical nature.
- Abstract（参考訳）: 不確実性の下での最適制御は、確率的最適化問題に対するトラクタブルな解の生成が困難であるため、制御において一般的な課題である。
入力推定の1つとして制御問題を説明することにより、原理的かつ実用的な方法で統計近似を扱うために高度な近似推論技術が利用できる。
ガウス集合を解析した結果,数種類の確率的制御法が可能な解法を示し,非線形シミュレートタスクの一般的なベースラインよりも優れていることがわかった。
我々は、この推論定式化と確率的最適制御の以前のアプローチを関連づけた接続を描き、この推論が統計的性質からもたらすいくつかの利点を概説する。
関連論文リスト
- Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。
本手法は, 精度の高い問題に特に適している。
提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
論文 参考訳（メタデータ） (2023-11-08T00:10:21Z) - Multistage Stochastic Optimization via Kernels [3.7565501074323224]
我々は,多段階最適化問題に対する非パラメトリック,データ駆動,トラクタブルアプローチを開発した。
本稿では,提案手法が最適に近い平均性能で決定ルールを生成することを示す。
論文 参考訳（メタデータ） (2023-03-11T23:19:32Z) - Learning to Optimize with Stochastic Dominance Constraints [103.26714928625582]
本稿では,不確実量を比較する問題に対して,単純かつ効率的なアプローチを開発する。
我々はラグランジアンの内部最適化をサロゲート近似の学習問題として再考した。
提案したライト-SDは、ファイナンスからサプライチェーン管理に至るまで、いくつかの代表的な問題において優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-14T21:54:31Z) - Probabilistic Control and Majorization of Optimal Control [3.2634122554914002]
確率論的制御設計は、有理エージェントが任意の所望の閉ループ系軌道密度をモデル化しようとする原理に基づいている。
本研究では、所望の閉ループ挙動の代替パラメトリゼーションを導入し、密度間の代替近接測度を探索する。
論文 参考訳（メタデータ） (2022-05-06T15:04:12Z) - Outlier-Robust Sparse Estimation via Non-Convex Optimization [73.18654719887205]
空間的制約が存在する場合の高次元統計量と非破壊的最適化の関連について検討する。
これらの問題に対する新規で簡単な最適化法を開発した。
結論として、効率よくステーションに収束する一階法は、これらのタスクに対して効率的なアルゴリズムを導出する。
論文 参考訳（メタデータ） (2021-09-23T17:38:24Z) - Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。
本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
論文 参考訳（メタデータ） (2021-05-17T08:36:18Z) - Advancing Trajectory Optimization with Approximate Inference:
Exploration, Covariance Control and Adaptive Risk [29.811633555275666]
制御(i2c)アルゴリズムの入力推論を検討し、高度な軌道最適化を可能にする3つの重要な特性を導出する。
非線形システムを最適化する際に、オープンループオプティマとクローズドループ分散低減の利点を組み合わせた専門家の線形ガウスコントローラ。
論文 参考訳（メタデータ） (2021-03-10T19:52:31Z) - Stein Variational Model Predictive Control [130.60527864489168]
不確実性の下での意思決定は、現実の自律システムにとって極めて重要である。
モデル予測制御 (MPC) 法は, 複雑な分布を扱う場合, 適用範囲が限られている。
この枠組みが、挑戦的で非最適な制御問題における計画の成功に繋がることを示す。
論文 参考訳（メタデータ） (2020-11-15T22:36:59Z) - Gaussian Process-based Min-norm Stabilizing Controller for
Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。
この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
論文 参考訳（メタデータ） (2020-11-14T01:27:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。