用测度松弛方法将随机系统最优控制转为凸优化，提升长时序问题求解效率。
Stochastic Optimal Control via Measure Relaxations
- 将随机系统的最优控制转化为占用测度上的凸优化问题。
- 在合成与真实场景中通过克里斯托弗尔多项式从数据学习代价函数。
- 适合需要长时序优化且追求计算可扩展性的控制研究者。
随机系统最优控制通常采用鲁棒或场景化优化方法，但二者在长优化时域下难以扩展。本文将随机系统最优控制问题转化为占用测度上的凸优化问题。我们在一系列合成与真实世界场景中验证了该方法的有效性，通过克里斯托弗尔多项式从数据中学习代价函数。实验代码已公开于 https://github.com/ebuehrle/dpoc。
原文摘要 · Abstract (English)
The optimal control problem of stochastic systems is commonly solved via robust or scenario-based optimization methods, which are both challenging to scale to long optimization horizons. We cast the optimal control problem of a stochastic system as a convex optimization problem over occupation measures. We demonstrate our method on a set of synthetic and real-world scenarios, learning cost functions from data via Christoffel polynomials. The code for our experiments is available at https://github.com/ebuehrle/dpoc.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。