論文の概要: Certified Neural Approximation of Robust Nonlinear Model Predictive Control
- arxiv url: http://arxiv.org/abs/2610.29559v1
- Date: Wed, 21 Oct 2026 10:46:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 09:50:43.24592
- Title: Certified Neural Approximation of Robust Nonlinear Model Predictive Control
- Title（参考訳）: ロバスト非線形モデル予測制御の認証されたニューラルネットワーク近似
- Abstract要約: 本稿では、堅牢なモデル予測ポリシーの安全性と安定性の保証を継承するニューラルネットワークコントローラを生成するためのフレームワークを提案する。
MPC設計において,近似誤差を有界入力障害として扱う。
我々は,学習したコントローラがオンライン計算を減らしながら,元のコントローラの閉ループ動作を再現できることをシミュレーションで示す。
- 参考スコア（独自算出の注目度）: 0.688204255655161
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Model predictive control is a high-performance control method, but it incurs comparatively high online computational costs across many control tasks and is challenging to realize in low-level hardware settings. To address this, we present a framework for generating neural network controllers that provably inherit the safety and stability guarantees of a robust model predictive policy. In contrast to approaches based on post-verification or additional online safety filters, our method provides constructive, a priori design conditions that ensure preservation of recursive feasibility and stability before deployment. We treat the approximation error as a bounded input disturbance, which is addressed in the MPC design. This allows the neural network controller to directly inherit robustness from the underlying model predictive controller, which enables the transfer of guarantees to the approximation. The design process is an offline, constructive synthesis pipeline and can be implemented once Lipschitz bounds are specified. We further demonstrate in simulation that the learned controller reproduces the closed-loop behavior of the original controller while reducing online computation.
- Abstract（参考訳）: モデル予測制御は高性能な制御手法であるが、多くの制御タスクにおいて比較的高いオンライン計算コストを発生させ、低レベルのハードウェア設定では実現が困難である。
これを解決するために、堅牢なモデル予測ポリシーの安全性と安定性を保証するニューラルネットワークコントローラを生成するフレームワークを提案する。
検証後や追加のオンライン安全フィルタに基づくアプローチとは対照的に,本手法は,再帰的実現可能性の維持と,展開前の安定性を確保するための,建設的,事前設計条件を提供する。
MPC設計において,近似誤差を有界入力障害として扱う。
これにより、ニューラルネットワークコントローラは、基盤となるモデル予測コントローラから直接堅牢性を継承し、保証を近似に転送することができる。
設計プロセスはオフラインで構築的な合成パイプラインであり、リプシッツ境界が指定されれば実装できる。
さらに,学習したコントローラがオンライン計算を減らしながら,元のコントローラの閉ループ動作を再現できることをシミュレーションで示す。
関連論文リスト
- Staggered Integral Online Conformal Prediction for Safe Dynamics Adaptation with Multi-Step Coverage Guarantees [5.395687668363633]
本稿では、積分スコア関数を用いて、乱れと学習誤差のラップ効果を定量化するアルゴリズムであるStaggered Integral Online Conformal Prediction (SI-OCP)を提案する。
提案手法は,全層ディープニューラルネットワーク(DNN)適応クアッドコプターの数値シミュレーションにより検証する。
論文 参考訳（メタデータ） (2026-04-07T16:44:06Z) - Imitation Learning of MPC with Neural Networks: Error Guarantees and Sparsification [5.260346080244568]
本稿では,ニューラルネットワークを用いた模倣モデル予測制御系における近似誤差の有界化のためのフレームワークを提案する。
本稿では,この手法を用いて,性能保証付き安定型ニューラルネットワークコントローラを設計する方法について論じる。
論文 参考訳（メタデータ） (2025-01-07T10:18:37Z) - Differentiable Predictive Control with Safety Guarantees: A Control
Barrier Function Approach [3.617866023850784]
我々は、安全性と堅牢性を保証する新しい形態の微分可能予測制御(DPC)を開発した。
DPCは、明示的モデル予測制御(MPC)問題に対する近似解を得るための教師なし学習に基づく手法である。
論文 参考訳（メタデータ） (2022-08-03T19:24:44Z) - Robust stabilization of polytopic systems via fast and reliable neural
network-based approximations [2.2299983745857896]
ポリトピック不確実性を有する線形システムに対する従来の安定化制御器の高速かつ信頼性の高いニューラルネットワーク(NN)に基づく近似設計について検討する。
訓練された修正線形単位(ReLU)に基づく近似が従来の制御系に取って代わる場合、線形不確かさシステムの閉ループ安定性と性能を証明する。
論文 参考訳（メタデータ） (2022-04-27T21:58:07Z) - 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) - 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) - Enforcing robust control guarantees within neural network policies [76.00287474159973]
本稿では、ニューラルネットワークによってパラメータ化され、ロバスト制御と同じ証明可能なロバスト性基準を適用した、一般的な非線形制御ポリシークラスを提案する。
提案手法は,複数の領域において有効であり,既存のロバスト制御法よりも平均ケース性能が向上し,(非ロバスト)深部RL法よりも最悪のケース安定性が向上した。
論文 参考訳（メタデータ） (2020-11-16T17:14:59Z) - 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) - Neural Lyapunov Model Predictive Control: Learning Safe Global
Controllers from Sub-optimal Examples [4.777323087050061]
多くの実世界の産業アプリケーションでは、例えば人間の操作者による実行など、既存の制御戦略を持つことが典型的である。
この研究の目的は、安全と安定性を維持する新しいコントローラを学習することで、この未知の、安全だが、最適でないポリシーを改善することである。
提案アルゴリズムは、端末コストを学習し、安定性基準に従ってMPCパラメータを更新する。
論文 参考訳（メタデータ） (2020-02-21T16:57:38Z)
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。