09:48
官方账号arXiv cs.LG@Marco C. Campi, Simone Garatti
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。
MPC
共 2 条相关 AI 资讯
7月20日
09:48
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。
7月1日
10:38
10:38
官方账号arXiv cs.AI@Ying Wang, Oumayma Bounou, Yann LeCun, Mengye Ren
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。