English(EN) Data-Driven Stochastic Optimal Control in Reproducing Kernel Hilbert Spaces

新的数据驱动方法解决了非线性最优控制问题

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-12 04:00

本文介绍了一种新颖的数据驱动方法，用于非线性系统的最优控制，特别关注系统动力学和成本函数未知的随机扩散。通过将状态概率密度嵌入再生核希尔伯特空间 (RKHS)，该方法利用算子回归来学习马尔可夫转移算子。该方法与凸算子理论的 Hamilton-Jacobi-Bellman 递归相结合，能够高效解决非线性最优控制问题，其在调节自主水下航行器中的应用证明了这一点。 AI

影响这种方法可以通过从数据中学习复杂的动力学，从而实现更复杂的机器人和自动驾驶汽车控制系统。

排序理由该集群包含一篇 arXiv 预印本论文，详细介绍了一个特定研究领域（最优控制）的新方法论。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv stat.ML 阅读 →

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

本文如何被排名

Signal score: 14 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇 arXiv 预印本论文，详细介绍了一个特定研究领域（最优控制）的新方法论。[lever_c_demoted from research: ic=1 ai=0.7]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv stat.ML TIER_1 English(EN) · Nicolas Hoischen, Petar Bevanda, Stefan Sosnowski, Sandra Hirche, Boris Houska · 2026-10-12 04:00

Reproducing Kernel Hilbert Spaces 中的数据驱动随机最优控制

arXiv:2407.16407v3 Announce Type: replace-cross Abstract: This paper proposes a fully data-driven approach for optimal control of nonlinear control-affine systems represented by a stochastic diffusion. The focus is on the scenario where both the nonlinear dynamics and stage cost …

本文如何被排名

报道来源 [1]

Reproducing Kernel Hilbert Spaces 中的数据驱动随机最优控制

相关实体

相关话题