Conformal Distributionally-Robust Model Predictive Control with a Budgeted Multi-Step Barrier
Notice bibliographique
Résumé
Ensuring safety under model uncertainty and distribution shift remains a central challenge for learning-enhanced model predictive control (MPC). In this study, Conformal Distributionally-Robust MPC with a Budgeted Barrier (CDRMPC) is introduced as a planner-first framework that combines (i) conformal residual calibration for finite-sample coverage, (ii) Wasserstein distributional robustness to hedge against distribution shift, and (iii) a horizon-coupled, budgeted multi-step barrier (BMB) that allocates safety slack over time rather than relying on myopic enforcement. The conformal-DR residual set adapts online to the data stream, and the BMB couples barrier slacks across the horizon via a weighted budget that is optimized and penalized in the MPC. Tractable formulations are obtained using linearization and norm-bounded reachableset over-approximations, probabilistic feasibility arguments are sketched, and validation is performed on an integrator and an inverted pendulum under parametric drift and injected bias. Compared to fixed-tube MPC, chance-constrained MPC, and adaptive-tube+CBF-QP shielding, CDR-MPC reduces safety overrides and violations at comparable control cost.
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.
Comment cette classification a été obtenuedéplier
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».