論文の概要: Safety Beyond the Training Data: Robust Out-of-Distribution MPC via Conformalized System Level Synthesis
- arxiv url: http://arxiv.org/abs/2602.12047v1
- Date: Thu, 12 Feb 2026 15:11:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-13 21:07:25.887039
- Title: Safety Beyond the Training Data: Robust Out-of-Distribution MPC via Conformalized System Level Synthesis
- Title（参考訳）: トレーニングデータを超えた安全性:コンフォーマル化システムレベル合成によるロバストアウト・オブ・ディストリビューションMPC
- Authors: Anutam Srinivasan, Antoine Leeman, Glen Chou,
- Abstract要約: 整合予測(CP)とシステムレベル合成(SLS)を用いた配電系統のロバストな配電計画と制御のための新しいフレームワークを提案する。
まず、重み付きCPと学習状態制御依存共分散モデルを用いた高信頼モデル誤差境界を導出する。
これらの境界はSLSに基づく頑健な非線形モデル予測制御(MPC)の定式化に統合され、容積最適化された前方到達可能な集合を通して予測水平線上で制約の締め付けを行う。
- 参考スコア（独自算出の注目度）: 3.5174884177930448
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a novel framework for robust out-of-distribution planning and control using conformal prediction (CP) and system level synthesis (SLS), addressing the challenge of ensuring safety and robustness when using learned dynamics models beyond the training data distribution. We first derive high-confidence model error bounds using weighted CP with a learned, state-control-dependent covariance model. These bounds are integrated into an SLS-based robust nonlinear model predictive control (MPC) formulation, which performs constraint tightening over the prediction horizon via volume-optimized forward reachable sets. We provide theoretical guarantees on coverage and robustness under distributional drift, and analyze the impact of data density and trajectory tube size on prediction coverage. Empirically, we demonstrate our method on nonlinear systems of increasing complexity, including a 4D car and a {12D} quadcopter, improving safety and robustness compared to fixed-bound and non-robust baselines, especially outside of the data distribution.
- Abstract（参考訳）: 本稿では, 学習力学モデルを用いたトレーニングデータ分布以上の安全性とロバスト性を確保することを目的とした, 整合予測(CP)とシステムレベル合成(SLS)を用いた配電系統のロバスト・アウト・オブ・ディストリビューション・プランニングと制御のための新しいフレームワークを提案する。
まず、重み付きCPと学習状態制御依存共分散モデルを用いた高信頼モデル誤差境界を導出する。
これらの境界はSLSに基づく頑健な非線形モデル予測制御(MPC)の定式化に統合され、容積最適化された前方到達可能な集合を通して予測水平線上で制約の締め付けを行う。
本研究では,分布流下における被覆とロバスト性に関する理論的保証を提供し,データ密度と軌跡管径が予測範囲に与える影響を解析する。
実験では, 4D カーと {12D} クアッドコプターを含む非線形システムにおいて, 固定バウンドおよび非ロバストベースライン, 特にデータ分布の外部において, 安全性とロバスト性を向上する手法を実証した。
関連論文リスト
- Robust Probabilistic Load Forecasting for a Single Household: A Comparative Study from SARIMA to Transformers on the REFIT Dataset [0.0]
本稿では,揮発性REFIT家庭データセットを用いた課題に取り組む。
まず、季節計算法を選択するための厳密な比較実験を行うことで、この問題に対処する。
そして、古典的なベースラインから機械学習へと進化するモデル階層を体系的に評価する。
我々の研究結果によると、古典的なモデルはデータの非線形でシステマティックな振る舞いを捉えるのに失敗している。
論文 参考訳（メタデータ） (2025-11-30T12:05:18Z) - A robust and adaptive MPC formulation for Gaussian process models [2.6661512675766037]
不確実な非線形システムに対する頑健で適応的なモデル予測制御(MPC)フレームワークを提案する。
MPC の定式化に取り入れた指標を用いて,GP モデルのロバストな予測を導出する。
本研究では, モデル地盤効果を考慮した平面四重項の数値的な例を示す。
論文 参考訳（メタデータ） (2025-07-02T19:27:14Z) - The Risk of Federated Learning to Skew Fine-Tuning Features and
Underperform Out-of-Distribution Robustness [50.52507648690234]
フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。
3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。
提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
論文 参考訳（メタデータ） (2024-01-25T09:18:51Z) - Forking Uncertainties: Reliable Prediction and Model Predictive Control
with Sequence Models via Conformal Risk Control [40.918012779935246]
本稿では,事前設計した確率予測器が生成した予測に基づいて,信頼性の高いエラーバーを生成する,新しいポストホックキャリブレーション手法を提案する。
最先端技術とは異なり、PTS-CRCはカバレッジ以上の信頼性定義を満たすことができる。
PTS-CRC予測と制御の性能を,無線ネットワークの文脈における多くのユースケースの研究により実験的に検証した。
論文 参考訳（メタデータ） (2023-10-16T11:35:41Z) - CaRT: Certified Safety and Robust Tracking in Learning-based Motion
Planning for Multi-Agent Systems [7.77024796789203]
CaRTは、学習ベースのモーションプランニングポリシーの安全性と堅牢性を保証するために、新しい階層的な分散アーキテクチャである。
定性障害や有界障害があっても,CaRTは軌道追跡誤差の安全性と指数関数性を保証する。
本稿では, 非線形動作計画と制御問題のいくつかの例において, CaRTの有効性を実証する。
論文 参考訳（メタデータ） (2023-07-13T21:51:29Z) - Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。
本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。
多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
論文 参考訳（メタデータ） (2023-06-14T11:41:42Z) - Statistical Safety and Robustness Guarantees for Feedback Motion
Planning of Unknown Underactuated Stochastic Systems [1.0323063834827415]
本研究では, 平均力学モデルを用いたサンプリングベースプランナを提案し, 学習外乱境界による閉ループ追従誤差を同時に有界化する。
この保証は,10次元四角形ロボットのシミュレーションや,クレージーフライ四角形ロボットとクリアパスジャカルロボットの現実世界でのシミュレーションにおいて,経験的安全性に変換されることを検証した。
論文 参考訳（メタデータ） (2022-12-13T19:38:39Z) - Pointwise Feasibility of Gaussian Process-based Safety-Critical Control
under Model Uncertainty [77.18483084440182]
制御バリア関数(CBF)と制御リアプノフ関数(CLF)は、制御システムの安全性と安定性をそれぞれ強化するための一般的なツールである。
本稿では, CBF と CLF を用いた安全クリティカルコントローラにおいて, モデル不確実性に対処するためのガウスプロセス(GP)に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2021-06-13T23:08:49Z) - 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) - Chance-Constrained Trajectory Optimization for Safe Exploration and
Learning of Nonlinear Systems [81.7983463275447]
学習に基づく制御アルゴリズムは、訓練のための豊富な監督を伴うデータ収集を必要とする。
本稿では,機会制約付き最適制御と動的学習とフィードバック制御を統合した安全な探索による最適動作計画のための新しいアプローチを提案する。
論文 参考訳（メタデータ） (2020-05-09T05:57:43Z) - Learning Control Barrier Functions from Expert Demonstrations [69.23675822701357]
制御障壁関数(CBF)に基づく安全な制御器合成のための学習に基づくアプローチを提案する。
最適化に基づくCBFの学習手法を解析し、基礎となる力学系のリプシッツ仮定の下で証明可能な安全保証を享受する。
私たちの知る限りでは、これらはデータから確実に安全な制御障壁関数を学習する最初の結果です。
論文 参考訳（メタデータ） (2020-04-07T12:29:06Z)
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。