論文の概要: Amortized Nonlinear Model Predictive Control

• arxiv url: http://arxiv.org/abs/2606.05840v1
• Date: Thu, 04 Jun 2026 08:15:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.639794
• Title: Amortized Nonlinear Model Predictive Control
• Title（参考訳）: 補正非線形モデル予測制御
• Authors: Francesco Pillitteri, Alberto Bemporad,
• Abstract要約: 最適制御は、現在の状態と参照に依存するコストパラメータを持つ状態依存二次プログラム(QP)によって近似できることを示す。 カーテシアンエンドエフェクタートラッキングを用いた3リンク平面ロボットアームのアプローチを検証し,NLPソルバ上でのオーダー・オブ・マグニチュード・スピードアップを実証した。
• 参考スコア（独自算出の注目度）: 3.2228025627337864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nonlinear Model Predictive Control requires solving a constrained nonlinear program (NLP) in real-time at every sampling instant, a computational bottleneck that limits deployment on resource-constrained hardware or at high sampling rates. We address this challenge for the broad class of input-affine nonlinear systems to show that the optimal control move can be approximated by a state-dependent quadratic program (QP) whose cost parameters depend on the current state and reference. We propose a single-network residual-corrector architecture: a state-dependent analytic baseline provides initial QP parameters, and the network learns only the corrections needed to match the full NLP solution; the QP is solved by a differentiable interior-point layer, guaranteeing constraint satisfaction for the first control action. The network is trained offline on data generated by an NLP solver using a hybrid loss that combines supervised imitation and KKT-residual penalties. We validate the approach on a three-link planar robotic arm with Cartesian end-effector tracking, demonstrating orders-of-magnitude speedup over the NLP solver while maintaining comparable tracking performance.
• Abstract（参考訳）: 非線形モデル予測制御は、資源制約のあるハードウェアや高いサンプリングレートでの展開を制限する計算ボトルネックであるサンプリング瞬間毎に、リアルタイムに制約付き非線形プログラム(NLP)を解く必要がある。 入力-アフィン非線形系の幅広いクラスにおいて、コストパラメータが現在の状態と参照に依存する状態依存二次プログラム(QP)によって最適制御の移動が近似可能であることを示す。 状態依存分析ベースラインが初期QPパラメータを提供し、ネットワークは完全なNLPソリューションに適合するために必要な修正のみを学習し、QPは微分可能なインテリアポイント層によって解決され、第1の制御動作に対する制約満足度が保証される。 ネットワークは、教師付き模倣とKKT-残留ペナルティを組み合わせたハイブリッド損失を用いて、NLPソルバによって生成されたデータに基づいてオフラインでトレーニングされる。 カーテシアンエンドエフェクタトラッキングを用いた3リンク平面ロボットアームのアプローチを検証し,同等のトラッキング性能を維持しつつ,NLPソルバ上でのオーダー・オブ・マグニチュード・スピードアップを実証した。

関連論文リスト

• AdamFLIP: Adaptive Momentum Feedback Linearization Optimization for Hard Constrained PINN Training [9.082213877961541]
  物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)によって支配される前方および逆問題を解くフレキシブルな枠組みを提供する 標準的なPINNトレーニングは、通常、手動で選択した重みを使ったPDE残差、データミスマッチ、初期/境界条件を組み合わせたソフトペナルティの定式化に依存している。 本研究では, PINN トレーニングを等式制約付き最適化問題として再検討し, 適応モーメントフィードバック線形化最適化をハード制約型 PINN (AdamFLIP) に適用する。
  論文  参考訳（メタデータ） (2026-05-08T19:13:15Z)
• Ensemble based Closed-Loop Optimal Control using Physics-Informed Neural Networks [0.6157382820537719]
  本研究は,最適コスト・ツー・ゴーおよびそれに対応する最適制御信号を学習するための多段階アンサンブル・フレームワークを提案する。 安定化項は使用せず、特異学習制御信号またはアンサンブル制御信号ポリシーを介して非線形システムを制御する手段を提供する。
  論文  参考訳（メタデータ） (2025-10-21T00:41:41Z)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• A Guaranteed-Stable Neural Network Approach for Optimal Control of Nonlinear Systems [3.5000297213981653]
  非線形システムの最適制御に対する有望なアプローチは、システムを反復線形化し、最適制御入力を決定するために各タイミングで最適化問題を解くことである。 このアプローチはオンライン最適化に依存するため、計算コストがかかるため、限られた計算資源を持つシステムでは非現実的である。 この問題の潜在的な解決策の1つは、ニューラルネットワーク(NN)を制御ループに組み込むことである。
  論文  参考訳（メタデータ） (2025-01-28T22:55:47Z)
• Offline Minimax Soft-Q-learning Under Realizability and Partial Coverage [100.8180383245813]
  オフライン強化学習(RL)のための値ベースアルゴリズムを提案する。 ソフトマージン条件下でのバニラQ関数の類似した結果を示す。 我々のアルゴリズムの損失関数は、推定問題を非線形凸最適化問題とラグランジフィケーションとしてキャストすることによって生じる。
  論文  参考訳（メタデータ） (2023-02-05T14:22:41Z)
• Fully Stochastic Trust-Region Sequential Quadratic Programming for Equality-Constrained Optimization Problems [62.83783246648714]
  目的と決定論的等式制約による非線形最適化問題を解くために,逐次2次プログラミングアルゴリズム(TR-StoSQP)を提案する。 アルゴリズムは信頼領域半径を適応的に選択し、既存の直線探索StoSQP方式と比較して不確定なヘッセン行列を利用することができる。
  論文  参考訳（メタデータ） (2022-11-29T05:52:17Z)
• 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)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)

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。