Pick-to-Learn 方法论使用最少场景校准飞行控制策略

本文介绍了一种用于校准模型预测控制（MPC）策略的 Pick-to-Learn（P2L）方法论，并通过飞机导航问题进行了演示。P2L 程序从最初的 400 个场景数据集中识别出两个关键风况场景，然后利用这些场景优化了 MPC 策略的超参数。所得策略在所有场景中成功避开了低连接区域，并在 1-10^-5 的置信水平下满足了 4.8% 的概率风险上限。 AI

影响 引入了一种使用有限数据优化控制策略的新方法论，可能适用于各种自主系统。

排序理由 该条目是一篇详细介绍新方法论的学术论文。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• Influence Flower
• model predictive control
• Pick-to-Learn
• ScienceCast

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →