基于 Gromov-Wasserstein 最优传输距离的数据驱动密度引导
最优化与控制
2025-08-11 v1 机器学习
系统与控制
系统与控制
摘要
我们利用 Gromov-Wasserstein 度量解决数据驱动的约束密度引导问题。其底层动力系统为未知的线性受控递归，假设从预操作实验中获得足够丰富的输入输出数据。初始状态建模为高斯混合，终端状态需匹配指定的高斯分布。我们将其重新表述为差分凸规划问题，表明可通过 DC 算法高效可 tractably 求解。数值结果通过各种数据驱动方案进行验证。
引用
@article{arxiv.2508.06052,
title = {Data-Driven Density Steering via the Gromov-Wasserstein Optimal Transport Distance},
author = {Haruto Nakashima and Siddhartha Ganguly and Kenji Kashima},
journal= {arXiv preprint arXiv:2508.06052},
year = {2025}
}
备注
To be presented at the IEEE CDC, Rio de Janeiro, 2025