日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

制御arXiv:2604.01034

スタイン変分不確実性適応モデル予測制御

Stein Variational Uncertainty-Adaptive Model Predictive Control

シェア:XThreadsFacebookLINEはてブBluesky

非線形動的システムの潜在パラメータ不確実性に対して、スタイン変分推論を用いてタスク依存の不確実性分布を粒子近似し、ロバスト性と性能のトレードオフを改善する制御器を提案した。

詳しい要約

1. どんなもの?

- 非線形動的システムの潜在パラメータ不確かさに対するStein変分分布ロバスト制御器を提案。 - タスク依存の不確かさ分布を決定論的粒子近似し、最悪ケースの曖昧集合最適化の代替とする。 - 閉ループ性能に強く影響するパラメータ感度に制御器を集中させる。 - 最適制御とStein変分推論を結合し、計算並列性を保つ。

2. 先行研究と比べてどこがすごい?

- 古典的DROは最悪ケース設計でノミナル性能を犠牲にしうるが、本手法はタスク目的に重要な不確かさを考慮してロバスト性を達成。 - ノミナル、アンサンブル、古典的分布ロバストベースラインに対し、性能-ロバスト性トレードオフの改善を実証。 - 制限的なパラメトリック仮定を避けつつ、ロバスト制御と変分推論を単一の決定理論的定式化で両立。

3. 技術・手法の肝は?

- Stein変分推論により、タスク依存の不確かさ分布を決定論的粒子で近似。 - その粒子近似をモデル予測制御(MPC)に組み込み、分布ロバスト制御器を構成。 - 最適制御とStein変分推論を結合し、計算並列性を維持。 - 潜在パラメータ不確かさに対し、関連する不確かさを重視する制御則を形成。

4. どうやって有効だと検証した?

- 代表的な制御問題で実験的に検証。 - ノミナル、アンサンブル、古典的分布ロバストベースラインと比較。 - 性能-ロバスト性トレードオフの改善を経験的に示した。

5. 議論はある?

- 古典的DROの最悪ケース設計によるノミナル性能犠牲を回避し、タスクに重要な不確かさに焦点を当てる点を議論。 - ロバスト制御と変分推論を単一の決定理論的枠組みで統合する意義を主張。 - 制限的なパラメトリック仮定を避けつつ計算並列性を保つ利点に言及。 - 具体的な限界や理論的保証の詳細は要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究:classical DRO、nominal、ensemble、classical distributionally robust baselines。 - 関連手法:Stein variational inference、model predictive control、distributionally robust optimization。 - 同分野の定番:robust MPC、stochastic MPC、particle-based MPC。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Hrishikesh Sathyanarayan, Ian Abraham

分類: cs.RO, math.OC

原文アブストラクト

We propose a Stein variational distributionally robust controller for nonlinear dynamical systems with latent parametric uncertainty. The method is an alternative to conservative worst-case ambiguity-set optimization with a deterministic particle-based approximation of a task-dependent uncertainty distribution, enabling the controller to concentrate on parameter sensitivities that most strongly affect closed-loop performance. Our method yields a controller that is robust to latent parameter uncertainty by coupling optimal control with Stein variational inference, and avoiding restrictive parametric assumptions on the uncertainty model while preserving computational parallelism. In contrast to classical DRO, which can sacrifice nominal performance through worst-case design, we find our approach achieves robustness by shaping the control law around relevant uncertainty that are most critical to the task objective. The proposed framework therefore reconciles robust control and variational inference in a single decision-theoretic formulation for broad classes of control systems with parameter uncertainty. We demonstrate our approach on representative control problems that empirically illustrate improved performance-robustness tradeoffs over nominal, ensemble, and classical distributionally robust baselines.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  3. 3GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI