SIT-LMPC：用于迭代任务的安全信息论学习模型预测控制
机器人学
2026-02-19 v1 人工智能
系统与控制
系统与控制
摘要
在复杂不确定环境中执行迭代任务的机器人需要平衡鲁棒性、安全性和高性能的控制策略。本文引入了一种安全信息论学习模型预测控制（SIT-LMPC）算法，用于迭代任务。具体而言，我们基于信息论模型预测控制算法设计了一个迭代控制框架，以解决离散时序非线性随机系统的受限无限期最优控制问题。发展了一种自适应惩罚方法，以确保安全性同时平衡最优性。利用来自前几次迭代的轨迹，使用正规化流学习价值函数，从而实现比高斯先验更丰富的不确定性建模。SIT-LMPC 设计为可在图形处理器上进行高度并行执行，实现高效的实时优化。基准仿真和硬件实验表明，SIT-LMPC 在迭代中改善系统性能，同时稳健地满足系统约束。
引用
@article{arxiv.2602.16187,
title = {SIT-LMPC: Safe Information-Theoretic Learning Model Predictive Control for Iterative Tasks},
author = {Zirui Zang and Ahmad Amine and Nick-Marios T. Kokolakis and Truong X. Nghiem and Ugo Rosolia and Rahul Mangharam},
journal= {arXiv preprint arXiv:2602.16187},
year = {2026}
}
备注
8 pages, 5 figures. Published in IEEE RA-L, vol. 11, no. 1, Jan. 2026. Presented at ICRA 2026