AITOPAI热报

MPC

共 3 条相关 AI 资讯
9月1日
11:25
11:25官方账号arXiv cs.AI@Weiqi Wang, Zhi Li, Yudong Lei, David Martinez, Xiaofeng Gao, Yuxin Jiang, Chenfanfu Jiang, Yingnian Wu, Demetri Terzopoulos, Ran Gong
78°
研究人员提出SUN（Semantically UNified）程序，将几何和接触关系一次性定义并编译成MPC成本、满足谓词、RL奖励等。Kuafu系统通过大型视觉语言系统自动合成SUN程序，使用MPC筛选可行性，并在训练阶段保留语义。在九项任务中，Kuafu达到82.03%的宏观成功率，显著优于稀疏奖励（35.67%）和Stage-BC（24.75%）基线。
论文SUNKuafuMPC
推荐理由：Kuafu系统将符号规划与数据驱动执行统一，无需演示或手动密集奖励，在机器人任务中表现优异。
原文
7月20日
09:48
09:48官方账号arXiv cs.LG@Marco C. Campi, Simone Garatti
该论文展示了 Pick-to-Learn (P2L) 方法用于校准模型预测控制 (MPC) 策略。示例中飞机从起点到终点，需避开低连通区域，并应对不确定侧风。MPC 策略由两个超参数控制，P2L 从 400 个风场景中仅筛选出 2 个信息丰富的场景。校准后的策略在所有可用场景中均成功避开低连通区域，且理论风险界为 4.8%。该风险界以 1−10^−5 的置信度保证，相当于新风场景下进入低连通区域的概率上限。
论文Pick-to-LearnMPCP2L
推荐理由：这篇论文用 P2L 方法从 400 个场景里只挑 2 个就搞定了 MPC 校准，风险界才 4.8%，而且置信度极高，做控制的人可以看看。
原文
7月1日
10:38
10:38官方账号arXiv cs.AI@Ying Wang, Oumayma Bounou, Yann LeCun, Mengye Ren
AdaJEPA 是一种自适应潜在世界模型，在模型预测控制 (MPC) 闭环内执行测试时自适应。它利用观测到的下一状态转换作为自监督适应信号，无需额外专家演示即可持续校准世界模型。在多个目标达成任务中，AdaJEPA 仅需每个 MPC 重规划步一次梯度更新即可显著提升规划成功率。
论文AdaJEPAMPC潜在世界模型
推荐理由：这篇论文提出 AdaJEPA，能让世界模型在测试时自动适应，一次梯度步就大幅提升规划成功率，解决分布偏移问题。
原文