DRCC-LPVMPC：面向自动驾驶与障碍规避的鲁棒数据驱动控制
机器学习
2026-03-17 v1
摘要
障碍规避中的安全性是自动驾驶的关键问题。虽然模型预测控制（MPC）广泛使用，但简化的预测模型，如线性化或单轨道车辆模型，会引入预测与实际行为之间的差异，可能损害安全性。本文提出了一种分布式鲁棒机会约束线性参数可变 MPC（DRCC-LPVMPC）框架，显式地考虑到此类差异。单轨道车辆动力学以准线性参数可变（准-LPV）形式表示，模型不匹配被视为未知分布的增加不确定性。通过从有限采样数据构建机会约束并采用 Wasserstein 模糊集合，本方法避免了对有界或高斯分布的限制性假设。 resulting DRCC问题 被重新表述为可求解的凸约束，并使用二次规划求解器实时求解。形式地建立了方法的递归可行性。仿真和实际实验表明，DRCC-LPVMPC 在显著不确定性下保持更安全的障碍间隙和更可靠的跟踪性能，优于常规非线性 MPC 和 LPVMPC 控制器。
引用
@article{arxiv.2603.14407,
title = {Towards One-for-All Anomaly Detection for Tabular Data},
author = {Shiyuan Li and Yixin Liu and Yu Zheng and Xiaofeng Cao and Shirui Pan and Heng Tao Shen},
journal= {arXiv preprint arXiv:2603.14407},
year = {2026}
}