OoD控制算法

未见环境控制误差减半

通过函数优化框架引入训练噪声，在不依赖常见Lyapunov假设的情况下泛化到未见环境，显著优于现有控制方法。

Ye, Nanyang · Zhaoyu, Zeng · Jundong, Zhou · Lin, Zhu · Duan, Yuxiao · Yifei, Wu · Junqi, Wu · Haoqi, Zeng · Qinying, Gu · 王新兵 · Chenghu, Zhou

IEEE Transactions on Pattern Analysis and Machine Intelligence 2024

参数信息

控制误差降低率（挑战性未见环境）

65 %

控制误差降低率（室外真实实验）

50 %

技术优势

不依赖 Lyapunov 假设

该框架不涉及该领域常用的 Lyapunov 稳定性假设，因而适用范围更广，可覆盖更多真实系统。

未见环境误差降 65%

在挑战性未见环境中，OoD-Control 的控制误差比先前最优方法低 65%，显著提升模型泛化能力。

室外实验误差降 50%

室外真实实验中，控制误差降低约 50%，验证了方法在真实环境中的有效性。

应用场景

• 无人机飞行控制：在训练分布外保持稳定飞行，减少环境变化导致的性能下降。
• 机器人控制：让机器人在未知动态环境中保持控制精度，减少调参和重训。
• 工业控制：无需严格稳定性假设即可将控制器泛化到新工况，缩短部署周期。
• 自主系统：在环境分布变化时保持自主决策可靠，降低不可预见场景下的误差。