基于保守化系统水平综合的鲁棒超分布 MPC
机器人学
2026-02-13 v1 机器学习
系统与控制
系统与控制
最优化与控制
摘要
我们提出了一种新框架，用于使用保守化预测（CP）和系统水平综合（SLS）进行超分布规划和控制，解决在训练数据分布之外确保安全性和鲁棒性的挑战。我们首先推导了使用加权 CP 获得的高置信度模型误差界，这些界限整合到了 SLS 基于的鲁棒非线性模型预测控制（MPC）公式中，通过体积优化的前向可达集进行预测期间的约束紧缩。我们对保守化覆盖和分布漂移下的鲁棒性提供了理论保证，并分析了数据密度和轨迹管大小对预测覆盖的影响。实验上，我们在复杂度逐渐增加的非线性系统上展示了该方法，包括一个 4 维汽车和一个 12 维四旋翼机，相较于固定界限和非鲁棒基线，在数据分布之外显著提高了安全性和鲁棒性。
引用
@article{arxiv.2602.12047,
title = {Safety Beyond the Training Data: Robust Out-of-Distribution MPC via Conformalized System Level Synthesis},
author = {Anutam Srinivasan and Antoine Leeman and Glen Chou},
journal= {arXiv preprint arXiv:2602.12047},
year = {2026}
}