Model Predictive Control with Learned World Models for Robots

本文研究了结合学习世界模型的模型预测控制（MPC）在机器人中的应用。MPC通过在每个时间步利用世界模型进行滚动优化，选择最优动作序列，能够处理约束和非线性动力学。文章比较了不同MPC方法（随机射击MPC、CEM-MPC、梯度MPC、学习型MPC）和世界模型类型（确定性模型、概率模型、潜空间模型）在机器人控制中的表现，分析了方法的计算效率和控制性能，并在多种机器人任务上验证了学习型MPC的效果。来源机构包括UC Berkeley、DeepMind、CMU等研究机构。