論文の概要: A Decade of Learning-Based Control: From Theoretic Foundations to Practical Deployment

• arxiv url: http://arxiv.org/abs/2610.29187v1
• Date: Wed, 21 Oct 2026 04:18:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.203548
• Title: A Decade of Learning-Based Control: From Theoretic Foundations to Practical Deployment
• Title（参考訳）: 学習ベースコントロールの10年 - 理論的基礎から実践的展開へ-
• Abstract要約: 本チュートリアルでは、機械学習と制御の交差点における重要な進歩についてレビューする。 我々は、機械学習技術の柔軟性と、制御の構造と理論的基礎を結合する手法に焦点をあてる。
• 参考スコア（独自算出の注目度）: 19.429398037373485
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motivated by ten years of Learning-Based Control Invited Sessions at the IEEE Conference on Decision and Control (CDC), this tutorial paper reviews key advances at the intersection of machine learning and control. We focus on methods that combine the flexibility of machine learning techniques with the structure and theoretical foundations of control to design autonomous systems that are capable, reliable, and safe. We first introduce core notions for establishing stability and safety guarantees, then review approaches that learn dynamics models to improve control under uncertainty, and finally discuss data-driven methods that directly synthesize or learn policies, including reinforcement learning, imitation learning, and Bayesian optimization. We further discuss representative applications and open challenges. The goal is to provide an accessible entry point to the field and to support continued progress toward reliable learning-based control in real-world systems. To support learning and practical exploration, we share implementations and illustrative examples along with our discussion, together with additional resources on our website: https://learning-based-control.github.io/tutorial/.
• Abstract（参考訳）: IEEE Conference on Decision and Control (CDC)で10年間にわたって開催された学習ベースの制御招待セッション(Learning-Based Control Invited Sessions)に触発されたこのチュートリアルは、機械学習と制御の交差点における重要な進歩をレビューする。 我々は、機械学習技術の柔軟性と、有能で信頼性があり、安全である自律システムを設計するための制御の構造と理論的基盤を組み合わせる方法に焦点を当てる。 まず、安定性と安全性の保証を確立するための中核的な概念を紹介し、次に、不確実性の下で制御を改善するためにダイナミクスモデルを学習するアプローチをレビューし、最後に、強化学習、模倣学習、ベイズ最適化を含むポリシーを直接合成または学習するデータ駆動手法について議論する。 代表的応用とオープン課題についても論じる。 目標は、現場へのアクセス可能なエントリポイントを提供し、現実世界のシステムにおける信頼性の高い学習ベースの制御への継続的な進歩を支援することである。 学習と実践的な探索を支援するため、私たちは、私たちのWebサイトにある追加のリソースとともに、私たちの議論とともに、実装と図解的な例を共有しています。

関連論文リスト

• Stabilization Learning: A Paradigm Transition Bridging Control Theory and Machine Learning [12.657204866483681]
  安定化学習は、制御理論と機械学習を橋渡しする学際パラダイムである。 安定性を第一の目標としており、証明書学習と強化学習を区別している。 本稿では、安定化学習における安定性の2つの主要なカテゴリと、3つの典型的なアプリケーションシナリオについて詳述する。
  論文  参考訳（メタデータ） (2026-06-30T12:19:05Z)
• Efficient Knowledge Transfer for Jump-Starting Control Policy Learning of Multirotors through Physics-Aware Neural Architectures [11.449763494464053]
  我々は,マルチロータ構成間の効果的な知識伝達を実現するためのライブラリベースのスキームを開発した。 提案手法は, 様々な四面体および六面体の設計において, 環境相互作用の最大7.3.5%(スクラッチから政策を訓練する)を平均的に削減することを示した。
  論文  参考訳（メタデータ） (2026-02-17T12:31:53Z)
• A Review of Learning-Based Motion Planning: Toward a Data-Driven Optimal Control Approach [9.141034088788233]
  高レベルの自律運転のための運動プランニングは、透明で不安定なパイプライン方式と、現代の学習ベースシステムの適応的で不透明な「ブラックボックス」特性とのトレードオフによって制約される。 本稿では,古典的制御と機械学習の適応能力を統合する統一フレームワークとして,データ駆動型最適制御パラダイムを提案する。 本稿では,「Human-Centric」のカスタマイズ,「Platform-Adaptive」の動的適応,自己学習による「System Self-Optimization」の3つの重要な次世代機能を実現するためのフレームワークの可能性を検討する。
  論文  参考訳（メタデータ） (2025-12-12T14:01:24Z)
• In-Context Learning for Gradient-Free Receiver Adaptation: Principles, Applications, and Theory [54.92893355284945]
  ディープラーニングベースの無線受信機は、様々なチャネル環境に動的に適応する能力を提供する。 ジョイントトレーニング、ハイパーネットワークベースの手法、メタラーニングを含む現在の適応戦略は、限られた柔軟性を示すか、勾配降下による明示的な最適化を必要とする。 本稿では、インコンテキスト学習(ICL)の新たなパラダイムに根ざした勾配なし適応手法を提案する。
  論文  参考訳（メタデータ） (2025-06-18T06:43:55Z)
• Exploring Federated Unlearning: Review, Comparison, and Insights [101.64910079905566]
  フェデレーション・アンラーニングは、フェデレーション・システムで訓練されたモデルからデータを選択的に除去することを可能にする。 本稿では,既存のフェデレーション・アンラーニング手法について検討し,アルゴリズムの効率,モデル精度への影響,プライバシ保護の有効性について検討する。 フェデレートされたアンラーニング手法を評価するための統一ベンチマークであるOpenFederatedUnlearningフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-30T01:34:33Z)
• Set-to-Sequence Ranking-based Concept-aware Learning Path Recommendation [49.85548436111153]
  SRC(Set-to-Sequence Ranking-based Concept-Aware Learning Path Recommendation)という新しいフレームワークを提案する。 SRCは、セット・ツー・シーケンス・パラダイムの下でレコメンデーション・タスクを定式化する。 実世界の2つの公開データセットと1つの産業データセットについて広範な実験を行う。
  論文  参考訳（メタデータ） (2023-06-07T08:24:44Z)
• Learning Multi-Objective Curricula for Deep Reinforcement Learning [55.27879754113767]
  深部強化学習(DRL)のサンプル効率と最終性能を向上させるために,各種自動カリキュラム学習(ACL)手法が提案されている。 本稿では,多目的だがコヒーレントなカリキュラムを作成するための統合された自動カリキュラム学習フレームワークを提案する。 既存の手設計のカリキュラムパラダイムに加えて,抽象カリキュラムを学習するためのフレキシブルなメモリ機構を設計する。
  論文  参考訳（メタデータ） (2021-10-06T19:30:25Z)
• safe-control-gym: a Unified Benchmark Suite for Safe Learning-based Control and Reinforcement Learning [3.9258421820410225]
  我々はSafe-control-gymと呼ばれるオープンソースのベンチマークスイートを提案する。 当社の出発点はOpenAIのGym APIで、強化学習研究における事実上の標準のひとつです。 制御性能, データの効率, 安全性を定量的に比較するために, 安全な制御ジャムをどう使うかを示す。
  論文  参考訳（メタデータ） (2021-09-13T21:09:28Z)
• Safe Learning in Robotics: From Learning-Based Control to Safe Reinforcement Learning [3.9258421820410225]
  我々は、機械学習を用いて、不確実性の下で安全な意思決定を実現するための最近の進歩についてレビューする。 不安定なダイナミクスを学習することで、パフォーマンスを安全に向上する学習ベースの制御アプローチ。 今後数年間、ロボット学習の分野を牽引するオープンな課題をいくつか取り上げる。
  論文  参考訳（メタデータ） (2021-08-13T14:22:02Z)

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。