論文の概要: A Bayesian Framework for Safe Optimal Control of Unknown Systems from Input-Output Data

• arxiv url: http://arxiv.org/abs/2611.03466v1
• Date: Mon, 02 Nov 2026 17:09:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 04:20:37.320939
• Title: A Bayesian Framework for Safe Optimal Control of Unknown Systems from Input-Output Data
• Title（参考訳）: 入力出力データから未知システムの安全最適制御のためのベイズフレームワーク
• Abstract要約: 第一原理モデルへの依存を減らすために経験的データを使用する学習ベース制御が,有望なパラダイムとして登場した。 しかし、そのようなアプローチは非線形および粒子動力学、状態測定の欠如、データ不足に対処しなければならない。 本稿では,これらの課題に共同で対処するベイズ的枠組みを提案する。
• 参考スコア（独自算出の注目度）: 4.535973123019722
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As control engineering is applied to increasingly complex systems, learning-based control, which uses empirical data to reduce the reliance on first-principles models, has emerged as a promising paradigm. However, such approaches must cope with nonlinear and stochastic dynamics, the absence of state measurements, and scarce data, while ensuring safe operation under constraints, which requires rigorous uncertainty quantification. Whereas existing methods treat these challenges in isolation, this article proposes a Bayesian framework that jointly addresses them. A prior in state-space form is updated from input-output data using particle Markov chain Monte Carlo methods, yielding a representation of joint uncertainty over dynamics and latent states. Building on this representation, a validation procedure is developed that provides probabilistic guarantees for constraint satisfaction under arbitrary causal control laws. For control synthesis, a formulation penalizing the conditional value-at-risk of the constraint function is proposed, together with an adaptive calibration mechanism that adjusts the performance-robustness trade-off to achieve a desired robustness level. The probability of successful certification is characterized theoretically. The framework is extended to a receding-horizon setting, where posterior updates from new measurements allow the controller to progressively reduce uncertainty and improve performance. The approach is demonstrated on the optimal control of a vertical farm.
• Abstract（参考訳）: 制御工学がますます複雑なシステムに適用されるにつれて、経験的データを用いて第一原理モデルへの依存を減らす学習ベースの制御が、有望なパラダイムとして現れてきた。 しかし、そのようなアプローチは非線形および確率力学、状態測定の欠如、データ不足に対処し、厳密な不確実性定量化を必要とする制約下での安全な操作を保証する必要がある。 既存の手法がこれらの課題を分離して扱うのに対して、この記事では、それらに共同で対処するベイズ的枠組みを提案する。 素粒子マルコフ連鎖モンテカルロ法による入力出力データから先行状態空間の形式を更新し、動的および潜時状態に対する共同不確実性の表現を与える。 この表現に基づいて、任意の因果制御法の下で制約満足度を確率論的に保証する検証手順が開発された。 制御合成において,制約関数の条件値-アットリスクを補償する定式化と,所望のロバスト性レベルを達成するために,性能-ロバスト性トレードオフを調整する適応キャリブレーション機構を提案する。 証明が成功する確率は理論的に特徴づけられる。 フレームワークはリテーディング水平設定に拡張され、新しい測定による後続の更新により、コントローラは徐々に不確実性を低減し、性能を向上させることができる。 この手法は垂直農場の最適制御を実証する。

関連論文リスト

• 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)
• Automatically Adaptive Conformal Risk Control [49.95190019041905]
  本稿では,テストサンプルの難易度に適応して,統計的リスクの近似的条件制御を実現する手法を提案する。 我々のフレームワークは、ユーザが提供するコンディショニングイベントに基づく従来のコンディショニングリスク制御を超えて、コンディショニングに適した関数クラスのアルゴリズム的、データ駆動決定を行う。
  論文  参考訳（メタデータ） (2024-06-25T08:29:32Z)
• Distributionally Robust Policy and Lyapunov-Certificate Learning [13.38077406934971]
  不確実なシステムに対する安定性を保証するコントローラの設計における重要な課題は、オンラインデプロイメント中のモデルパラメトリック不確実性の変化の正確な決定と適応である。 我々は、リアプノフ証明書の単調な減少を保証するために、リアプノフ微分チャンス制約を分布的に頑健に定式化することで、この問題に取り組む。 得られた閉ループシステムに対して、その平衡のグローバルな安定性は、アウト・オブ・ディストリビューションの不確実性があっても高い信頼性で証明できることを示す。
  論文  参考訳（メタデータ） (2024-04-03T18:57:54Z)
• Data-Driven Distributionally Robust Safety Verification Using Barrier Certificates and Conditional Mean Embeddings [0.24578723416255752]
  問題を非現実的な仮定にシフトすることなく,スケーラブルな形式検証アルゴリズムを開発する。 問題を非現実的な仮定にシフトさせることなく,スケーラブルな形式検証アルゴリズムを開発するためには,バリア証明書の概念を用いる。 本稿では,2乗法最適化とガウス過程エンベロープを用いて効率よくプログラムを解く方法を示す。
  論文  参考訳（メタデータ） (2024-03-15T17:32:02Z)
• 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)

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。