Racing miniature cars: Enhancing performance using Stochastic MPC and disturbance feedback
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We study and compare different Stochastic Model Predictive Control (MPC) approaches for driving miniature race cars, where the goal is to race the cars as fast as possible around a known track. Designing such controllers is generally challenging since the models are not entirely accurate due to linearization errors and model mismatch. Consequently, deterministic MPC tends to be optimistic, causing the cars to leave the race track, resulting in accidents. To mitigate these shortcomings, methods based on Stochastic MPC have been proposed that ensure constraint satisfaction with high probability. Furthermore, one can reduce conservatism of the solution by optimizing over feedback policies at the expense of increased computational time. While methods based on affine state feedback policies have been shown to perform well, their performance critically depends on the choice of the feedback matrix. One way to ensure computational tractability is to fix the feedback matrix in an a-priori computation which is typically obtained via trial-and-error. To overcome this issue, we investigate the benefits of disturbance feedback policies, which allows us to (indirectly) optimize over the state feedback matrices. We verify the benefits of disturbance feedback policies in simulations, and also implement a heuristic variant on the actual system in experiment. Both studies suggest that Stochastic MPC with disturbance feedback is an attractive alternative to existing methods, due to its ability to increase performance and robustness compared to deterministic methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle