論文の概要: Distribution-Free Stochastic MPC for Joint-in-Time Chance-Constrained Linear Systems
- arxiv url: http://arxiv.org/abs/2512.10738v1
- Date: Thu, 11 Dec 2025 15:25:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:40.287671
- Title: Distribution-Free Stochastic MPC for Joint-in-Time Chance-Constrained Linear Systems
- Title（参考訳）: 連接時間制約線形システムの分布自由確率的MPC
- Authors: Lukas Vogel, Andrea Carron, Eleftherios E. Vlahakis, Dimos V. Dimarogonas,
- Abstract要約: 本研究では,未知の外乱分布下での連帯確率制約を受ける線形系に対するモデル予測制御(MPC)フレームワークを提案する。
パラメトリックあるいはガウス的仮定に依存する既存のMPCの定式化とは異なり、提案手法は、最小の計算労力でシステムの誤差軌跡に対する有限サンプル信頼領域を構築するために、整合予測(CP)を合理化ツールとして活用する。
- 参考スコア（独自算出の注目度）: 6.170271503640481
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work presents a stochastic model predictive control (MPC) framework for linear systems subject to joint-in-time chance constraints under unknown disturbance distributions. Unlike existing stochastic MPC formulations that rely on parametric or Gaussian assumptions or require expensive offline computations, the proposed method leverages conformal prediction (CP) as a streamlined tool to construct finite-sample confidence regions for the system's stochastic error trajectories with minimal computational effort. These regions enable the relaxation of probabilistic constraints while providing formal guarantees. By employing an indirect feedback mechanism and a probabilistic set-based formulation, we prove recursive feasibility of the relaxed optimization problem and establish chance constraint satisfaction in closed-loop. Furthermore, we extend the approach to the more general output feedback setting with unknown measurement noise distributions. Given available noise samples, we establish satisfaction of the joint chance constraints and recursive feasibility via output measurements alone. Numerical examples demonstrate the effectiveness and advantages of the proposed method compared to existing approaches.
- Abstract（参考訳）: 本研究では,未知の外乱分布下での連帯確率制約を受ける線形系に対する確率モデル予測制御(MPC)フレームワークを提案する。
パラメトリックあるいはガウス的仮定に依存したり、高価なオフライン計算を必要とする既存の確率的MPCの定式化とは異なり、提案手法は整合予測(CP)を合理化ツールとして活用し、システムの確率的誤差軌道に対する有限サンプル信頼領域を最小の計算労力で構築する。
これらの領域は、正式な保証を提供しながら確率的制約の緩和を可能にする。
間接フィードバック機構と確率的集合ベース定式化を用いて、緩和最適化問題の帰納的実現可能性を示し、閉ループにおける確率制約満足度を確立する。
さらに、未知の計測ノイズ分布を伴って、より一般的な出力フィードバック設定にアプローチを拡張した。
使用可能なノイズサンプルから,出力測定のみによる連立確率制約の満足度と再帰的実現可能性を確立した。
数値的な例は,提案手法の有効性と利点を既存手法と比較したものである。
関連論文リスト
- Statistical Contraction for Chance-Constrained Trajectory Optimization of Non-Gaussian Stochastic Systems [0.0]
このフレームワークは共形推論を用いて任意の参照軌跡を囲む閉ループ力学に対する信頼セットを生成する。
適切な制約の締め付けにより、基準軌跡上の統計的に妥当な決定論的制約をトラクタブルに修正することができる。
これにより、安全クリティカルな現実世界のアプリケーションにおいて、ニューラルネットワークメトリクスのような学習ベースのモーションプランナとコントローラを活用、検証するフォーマルなパスが可能になる。
論文 参考訳（メタデータ） (2026-03-07T08:01:20Z) - Convex Chance-Constrained Stochastic Control under Uncertain Specifications with Application to Learning-Based Hybrid Powertrain Control [1.9116784879310027]
本稿では,制御仕様の不確かさを考慮に入れた厳密な凸型確率制約制御フレームワークを提案する。
提案手法は,厳密な凸性を確保しつつ,確率的制約満足度を保証し,最適解の特異性と連続性をもたらす。
ハイブリッドパワートレインシステムに適用したモデル予測制御により,提案手法の有効性を実証した。
論文 参考訳（メタデータ） (2026-01-26T09:49:33Z) - End-to-End Probabilistic Framework for Learning with Hard Constraints [43.297232073870866]
ProbHardE2Eは,ハード操作・物理制約を組み込んだ確率予測フレームワークである。
我々の手法は、幅広いニューラルネットワークアーキテクチャと組み合わせられる新しい微分可能確率射影層(DPPL)を用いている。
論文 参考訳（メタデータ） (2025-06-08T05:29:50Z) - Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。
我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
論文 参考訳（メタデータ） (2024-07-01T20:44:48Z) - From Conformal Predictions to Confidence Regions [1.4272411349249627]
モデルパラメータに対する信頼領域を確立するために,モデル出力に共形予測間隔を組み合わせたCCRを導入する。
本稿では,雑音に対する最小限の仮定の下でのカバレッジ保証について述べる。
本手法は, 完全あるいはクロスコンフォーマルなアプローチを含む, 分割共形予測とブラックボックス手法の両方に適用可能である。
論文 参考訳（メタデータ） (2024-05-28T21:33:12Z) - Uncertainty Quantification via Stable Distribution Propagation [60.065272548502]
本稿では,ニューラルネットワークによる安定確率分布の伝播手法を提案する。
提案手法は局所線形化に基づいており,ReLU非線型性に対する全変動距離の近似値として最適であることを示す。
論文 参考訳（メタデータ） (2024-02-13T09:40:19Z) - 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) - 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) - Probabilistic learning inference of boundary value problem with
uncertainties based on Kullback-Leibler divergence under implicit constraints [0.0]
本稿では,境界値問題に対する後続確率モデルを事前確率モデルから推定できる確率論的学習推定法を提案する。
制約を表す暗黙マッピングの統計的代理モデルを導入する。
第2部では、提案した理論を説明するために応用を提示し、また、不均一な線形弾性媒体の3次元均質化への寄与も示している。
論文 参考訳（メタデータ） (2022-02-10T16:00:10Z) - Optimal variance-reduced stochastic approximation in Banach spaces [114.8734960258221]
可分バナッハ空間上で定義された収縮作用素の定点を推定する問題について検討する。
演算子欠陥と推定誤差の両方に対して漸近的でない境界を確立する。
論文 参考訳（メタデータ） (2022-01-21T02:46:57Z) - Sampling-Based Robust Control of Autonomous Systems with Non-Gaussian
Noise [59.47042225257565]
雑音分布の明示的な表現に依存しない新しい計画法を提案する。
まず、連続系を離散状態モデルに抽象化し、状態間の確率的遷移によってノイズを捕捉する。
いわゆる区間マルコフ決定過程(iMDP)の遷移確率区間におけるこれらの境界を捉える。
論文 参考訳（メタデータ） (2021-10-25T06:18:55Z)
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。