文献

J-GLOBAL ID：202102230897741696   整理番号：21A0671694

Gauss過程による学習ベース分布ロバスト運動制御【JST・京大機械翻訳】

Learning-Based Distributionally Robust Motion Control with Gaussian Processes

著者 (2件)： Hakobyan Astghik (Automation and Systems Research Institute, Seoul National University,Department of Electrical and Computer Engineering,Seoul,South Korea,08826) ,  Yang Insoon (Automation and Systems Research Institute, Seoul National University,Department of Electrical and Computer Engineering,Seoul,South Korea,08826)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： IROS  ページ： 7667-7674  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 安全性は,学習ベースのロボットおよび自律システムにおいて,それらの環境に関する学習された情報が,しばしば信頼できて不正確であるので,重大な問題である。本論文では,未知のダイナミクスで移動する障害物に関する学習された分布情報における誤差に対してロバストであるリスク意識運動制御ツールを提案した。著者らのモデル予測制御(MPC)法の顕著な特徴は,真の分布がGauss過程(GP)回帰によって推定された分布から,多義性集合内で逸脱する場合でも,非安全のリスクを制限する能力である。残念なことに,最悪ケースリスク制約が多義性集合上の無限次元最適化問題を含むので,GPによる分布的にロバストなMPC問題は扱いにくい。無限次元問題を除去するために,最新の分布的にロバストな最適化技術を利用する系統的再定式化アプローチを開発した。著者らの方法の性能と有用性を,自律運転のための非線形車様車両モデルを用いたシミュレーションを通して実証した。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  最適化問題 ,  ロボット ,  最適化手法 ,  *Gauss過程 ,  多義性 ,  自律系 ,  定式化 ,  *ロバスト性 ,  運動制御
準シソーラス用語： 自律性 ,  モデル予測制御 ,  車両モデル ,  無限次元 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： Gauss過程 ,  学習 ,  分布 ,  ロバスト ,  運動制御