DR-PETS：在对抗环境中基于学习的控制与规划
机器学习
2025-03-28 v2 最优化与控制
摘要
确保对认识论的可能对抗扰动具有鲁棒性是可靠现实决策的关键。虽然基于轨迹抽样的概率集合(PETS)算法通过集合方法处理不确定性，但 lacks对结构化对抗或最坏情况不确定性分布的保证。为此，我们提出DR-PETS，是PETS的一个分布式稳健扩展，通过p-瓦氏距离模糊集实现对抗扰动的鲁棒性认证。我们通过min-max优化框架 formalize不确定性，使PETS规划循环集成可求解的凸近似，以主动优化鲁棒性。通过摆锤稳定和小车倒杆平衡实验表明，DR-PETS能够认证对抗参数扰动的鲁棒性，在PETS性能恶化的极端情形下仍能保持一致性能。
引用
@article{arxiv.2503.20660,
title = {DR-PETS: Learning-Based Control With Planning in Adversarial Environments},
author = {Hozefa Jesawada and Antonio Acernese and Giovanni Russo and Carmen Del Vecchio},
journal= {arXiv preprint arXiv:2503.20660},
year = {2025}
}