論文の概要: Robust Model Predictive Control Design for Autonomous Vehicles with Perception-based Observers

• arxiv url: http://arxiv.org/abs/2509.05201v1
• Date: Fri, 05 Sep 2025 16:03:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-08 14:27:25.642824
• Title: Robust Model Predictive Control Design for Autonomous Vehicles with Perception-based Observers
• Title（参考訳）: 知覚型オブザーバを用いた自動運転車のロバストモデル予測制御設計
• Authors: Nariman Niknejad, Gokul S. Sankar, Bahare Kiumarsi, Hamidreza Modares,
• Abstract要約: 本稿では、状態推定に使用されるディープラーニングに基づく知覚モジュールに固有の非ガウス雑音を明示的に扱う。 セットベースの状態推定と制約付きゾノトープを用いて、偏りのある重み付き不確かさをキャプチャする。 知覚認識型MPCは、重音条件下での安定かつ正確な制御性能を提供する。
• 参考スコア（独自算出の注目度）: 5.388633782438152
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a robust model predictive control (MPC) framework that explicitly addresses the non-Gaussian noise inherent in deep learning-based perception modules used for state estimation. Recognizing that accurate uncertainty quantification of the perception module is essential for safe feedback control, our approach departs from the conventional assumption of zero-mean noise quantification of the perception error. Instead, it employs set-based state estimation with constrained zonotopes to capture biased, heavy-tailed uncertainties while maintaining bounded estimation errors. To improve computational efficiency, the robust MPC is reformulated as a linear program (LP), using a Minkowski-Lyapunov-based cost function with an added slack variable to prevent degenerate solutions. Closed-loop stability is ensured through Minkowski-Lyapunov inequalities and contractive zonotopic invariant sets. The largest stabilizing terminal set and its corresponding feedback gain are then derived via an ellipsoidal approximation of the zonotopes. The proposed framework is validated through both simulations and hardware experiments on an omnidirectional mobile robot along with a camera and a convolutional neural network-based perception module implemented within a ROS2 framework. The results demonstrate that the perception-aware MPC provides stable and accurate control performance under heavy-tailed noise conditions, significantly outperforming traditional Gaussian-noise-based designs in terms of both state estimation error bounding and overall control performance.
• Abstract（参考訳）: 本稿では、状態推定に使用されるディープラーニングに基づく知覚モジュールに固有の非ガウス雑音を明示的に対処する頑健なモデル予測制御(MPC)フレームワークを提案する。 認識モジュールの正確な不確実性定量化が安全なフィードバック制御に不可欠であることを認識し,従来のゼロ平均ノイズ定量化の前提から逸脱する。 代わりに、制約付きゾノトープによるセットベースの状態推定を使用して、境界付き推定エラーを維持しながらバイアスのある重み付き不確実性をキャプチャする。 計算効率を向上させるため、ロバストなMPCは線形プログラム(LP)として再構成され、ミンコフスキー=リャプノフに基づくコスト関数とスラック変数を加えて解の退化を防ぐ。 閉ループ安定性はミンコフスキー・リャプノフの不等式と縮退なゾノトピック不変量を通して確保される。 最大安定化端子セットとその対応するフィードバックゲインは、ゾノトープの楕円近似によって導出される。 提案フレームワークは、カメラとROS2フレームワーク内に実装された畳み込みニューラルネットワークベースの知覚モジュールとともに、全方向移動ロボットのシミュレーションおよびハードウェア実験により検証される。 その結果, 知覚認識型MPCは, 重み付き雑音条件下での安定かつ高精度な制御性能を実現し, 従来のガウス雑音に基づく設計よりも, 状態推定誤差と全体制御性能の両面において有意に優れていた。

関連論文リスト

• Bisimulation metric for Model Predictive Control [44.301098448479195]
  Bisimulation Metric for Model Predictive Control (BS-MPC) は、目的関数にbisimulation metric lossを組み込んでエンコーダを直接最適化する新しい手法である。 BS-MPCは、トレーニング時間を削減することにより、トレーニング安定性、入力ノイズに対する堅牢性、および計算効率を向上させる。 我々は,DeepMind Control Suiteから連続制御および画像ベースタスクのBS-MPCを評価する。
  論文  参考訳（メタデータ） (2024-10-06T17:12:10Z)
• Learning the Uncertainty Sets for Control Dynamics via Set Membership: A Non-Asymptotic Analysis [18.110158316883403]
  本稿では,未知の線形システムに対するセットメンバシップ推定(SME)に焦点を当てる。 本稿では,中小企業の収束率境界について述べるとともに,緩和された仮定の下での中小企業の変動について論じる。 また,中小企業の実用性を示す数値的な結果も提供する。
  論文  参考訳（メタデータ） (2023-09-26T03:58:06Z)
• Gaussian Processes with State-Dependent Noise for Stochastic Control [2.842794675894731]
  力学系の残留モデル不確実性はガウス過程(GP)を用いて学習される 2つのGPは相互依存しており、反復アルゴリズムを用いて共同で学習される。
  論文  参考訳（メタデータ） (2023-05-25T16:36:57Z)
• Robust Control for Dynamical Systems With Non-Gaussian Noise via Formal Abstractions [59.605246463200736]
  雑音分布の明示的な表現に依存しない新しい制御器合成法を提案する。 まず、連続制御系を有限状態モデルに抽象化し、離散状態間の確率的遷移によってノイズを捕捉する。 我々は最先端の検証技術を用いてマルコフ決定プロセスの間隔を保証し、これらの保証が元の制御システムに受け継がれるコントローラを演算する。
  論文  参考訳（メタデータ） (2023-01-04T10:40:30Z)
• Probabilities Are Not Enough: Formal Controller Synthesis for Stochastic Dynamical Models with Epistemic Uncertainty [68.00748155945047]
  複雑な力学系のモデルにおける不確実性を捉えることは、安全なコントローラの設計に不可欠である。 いくつかのアプローチでは、安全と到達可能性に関する時間的仕様を満たすポリシーを形式的な抽象化を用いて合成する。 我々の貢献は、ノイズ、不確実なパラメータ、外乱を含む連続状態モデルに対する新しい抽象的制御法である。
  論文  参考訳（メタデータ） (2022-10-12T07:57:03Z)
• Error-based Knockoffs Inference for Controlled Feature Selection [49.99321384855201]
  本手法では, ノックオフ特徴量, エラーベース特徴重要度統計量, ステップダウン手順を一体化して, エラーベースのノックオフ推定手法を提案する。 提案手法では回帰モデルを指定する必要はなく,理論的保証で特徴選択を処理できる。
  論文  参考訳（メタデータ） (2022-03-09T01:55:59Z)
• Learning Robust Output Control Barrier Functions from Safe Expert Demonstrations [50.37808220291108]
  本稿では,専門家によるデモンストレーションの部分的な観察から,安全な出力フィードバック制御法を考察する。 まず,安全性を保証する手段として,ロバスト出力制御バリア関数(ROCBF)を提案する。 次に、安全なシステム動作を示す専門家による実証からROCBFを学習するための最適化問題を定式化する。
  論文  参考訳（メタデータ） (2021-11-18T23:21:00Z)
• Reliably-stabilizing piecewise-affine neural network controllers [5.203329540700177]
  モデル予測制御(MPC)ポリシーのニューラルネットワーク(NN)近似に影響を与える一般的な問題は、NNベースのコントローラの動作の下でクローズドループシステムの安定性を評価するための分析ツールがないことである。 本稿では、そのような制御器の性能を定量化したり、与えられたMPCスキームの望ましい特性を保持する最小の複雑性NNを設計するための一般的な手順を提案する。
  論文  参考訳（メタデータ） (2021-11-13T20:01:43Z)
• 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。