微型递归控制：高效最优控制的迭代推理
机器学习
2025-12-19 v1 动力系统
摘要
神经网络控制器日益需要数百万个参数，而语言模型方法的规模已达数十亿。对于具有严格功耗和延迟约束的嵌入式航空航天系统，这种扩展是不可行的。我们提出微型递归控制（TRC），这是一种基于反直觉原理的神经网络架构：容量可以从迭代深度而非参数数量中产生。TRC 通过两级分层潜在结构反复应用紧凑网络（约 1.5M 个参数），通过仿真轨迹并基于跟踪误差进行修正来优化控制序列。由于相同的权重处理每一步优化，增加迭代次数会增加计算量但不增加内存。我们在非线性控制问题上评估 TRC，包括振荡器稳定化和带燃料约束的动力下降。在这些领域中，TRC 在仅需 GPU 毫秒级推理和不到 10~MB 内存的情况下实现了接近最优的控制成本，比语言模型基线小两个数量级。这些结果表明，此前仅限于离散任务的递归推理可以有效迁移到连续控制综合中。
引用
@article{arxiv.2512.16824,
title = {Tiny Recursive Control: Iterative Reasoning for Efficient Optimal Control},
author = {Amit Jain and Richard Linares},
journal= {arXiv preprint arXiv:2512.16824},
year = {2025}
}