研究人员开发了一个新的交互式轨迹规划框架，该框架考虑了其他代理决策中的不确定性。该方法结合了 Probably Approximately Correct (PAC) 学习和分布鲁棒 (DR) 优化，创建了一个能够解决由学习到的决策分布引入的错误的解决方案。结果 PAC 学习的 DR-MPC 框架可以根据可用数据的量，在鲁棒模型预测控制和全知随机模型预测控制之间进行有效插值。 AI
影响 为自主系统在具有不确定代理行为的复杂环境中导航引入了一种新颖的方法。
排序理由 该集群包含一篇详细介绍轨迹规划新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- Model Predictive Control
- PAC learning
- Stochastic Model Predictive Control
- Distributionally Robust optimization
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
