model predictive control
PulseAugur coverage of model predictive control — every cluster mentioning model predictive control across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
音乐科技传奇人物Roger Linn仅用一个浏览器标签页保持专注
Roger Linn是音乐科技领域的知名人物，以其创新工作而闻名，包括创造了传奇的MPC。他保持着专注的工作方式，据报道只使用一个浏览器标签页。数十年来，Linn的职业生涯一直致力于推动音乐科技的发展。
-
机器人通过koopman 算子回归学习动态折叠衣物
研究人员开发了一种新的动态机器人布料折叠方法，该方法使用koopman 算子回归来创建布料动力学的线性模型。与传统方法相比，这种方法可以实现更快、更准确的折叠轨迹。该技术将基于物理的模拟与机器学习相结合，以生成可由机器人操纵器执行的高效折叠计划，并在模拟和真实世界实验中均取得了成功。
-
新框架通过价格预测优化强化学习交易代理
研究人员开发了FPILOT框架，该框架通过在推理时纳入价格预测来增强用于交易的强化学习代理。这种受模型预测控制启发的方法允许代理在无需重新训练的情况下，根据预测的未来价格轨迹优化其交易策略。在TradeMaster DJ30基准上的评估表明，在各种策略学习算法中，总回报和风险调整指标均得到了一致的改进。
-
New framework enhances explainability for critical control systems
Researchers have developed a new framework called Hierarchical Causal Abduction (HCA) to make Model Predictive Control (MPC) systems more understandable. HCA combines physics-informed reasoning, optimization evidence fr…
-
新框架应对代理不确定性下的轨迹规划
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。
-
Dream-MPC 使用潜在想象进行基于梯度的模型预测控制
研究人员推出了一种新颖的模型基础强化学习方法 Dream-MPC，该方法利用潜在想象进行基于梯度的优化。该方法生成候选轨迹，并使用学习到的世界模型和不确定性正则化对其进行优化。在 24 个连续控制任务上的实验表明，Dream-MPC 能够提高策略性能，并超越现有的无梯度 MPC 技术。
-
研究人员使用贝叶斯优化技术为MPC控制器优化建筑能源成本
研究人员开发了一种自动调整模型预测控制（MPC）系统以最大限度地降低建筑电力成本的方法。通过采用约束贝叶斯优化（CONFIG），该系统显著优于传统控制器。在一项案例研究中，与基于规则的方法相比，优化后的MPC将电力支出降低了26.90%，与手动调整的MPC相比降低了17.46%。研究还表明，最优地选择需求侧管理计划可以带来高达20.18%的月度节省。
-
模型预测控制在可预测回报下显示出预算收益
研究人员开发了一种模型预测控制（MPC）方法，用于非平稳回报场景下的预算分配。他们的研究以数字营销为动机，发现只有当回报效率在规划范围内表现出可预测结构时，MPC的表现才优于反应式策略。如果回报动态是平稳的或不可预测地漂移，MPC则没有系统性优势。
-
研究人员开发了用于ADMM的学习策略以提高优化性能
研究人员开发了一种方法，用于学习交替方向乘子法（ADMM）中松弛参数的在线更新。该方法旨在通过为特定问题类别调整参数来提高ADMM的性能，ADMM是一种用于结构化凸优化的技术。与标准方法相比，学习到的策略在基准二次规划的迭代次数和执行时间方面均显示出改进。
-
教程详解如何从像素观察构建轻量级具身AI代理
一个新教程演示了如何创建一个轻量级的具身AI代理，该代理能够直接从视觉输入中学习感知、规划和调整其行动。该代理利用网格世界模拟和模型预测控制技术来实现其学习能力。这种方法侧重于使代理能够处理像素观察以进行决策。
-
强化学习-模型预测控制混合方法优化风电场发电
研究人员开发了一种新颖的风电场分层控制系统，该系统集成了强化学习（RL）和模型预测控制（MPC）。这种混合方法使用RL代理为MPC控制器提供状态估计，增强了其管理复杂风流动力学能力。在模拟中，与基线控制相比，该方法展示了23%的功率增益，并且与直接RL相比，在训练期间显示出更高的安全性。
-
研究人员提出混合动力动力系统的模型预测控制
研究人员开发了一种新颖的模型预测控制（MPC）算法，该算法专门为混合动力动力系统设计。这种新方法结合了微分方程和差分方程来制定控制策略，并在混合时间域中纳入了预测和控制范围。该论文基于阶段成本、终端成本的性质以及静态状态反馈律的存在性，提供了渐近稳定性的充分条件。