Publication

Neural Process Model Predictive Control

2026

Résumé

Neural Processes (NPs) can model distributions over functions, like Gaussian Processes, but with the great flexibility and evaluation speed of neural networks. They can be trained purely on data and without prior knowledge. Yet, their architecture allows for a certain degree of interpretability and modular use. We use an NP to model the dynamics in a nonlinear Model Predictive Control (MPC) scheme. After meta-training the NP on data from various system instances, deployment to an unseen system is highly efficient in terms of data and computation. To demonstrate the effectiveness of our NP-MPC scheme for real-time adaptive control, we deploy it to a physical two-axis pendulum experiment requiring short sampling times.

Source officielle

https://infoscience.epfl.ch/entities/publication/60b437a9-7fc3-458f-ab40-d4ce702d5de2

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

2026

Résumé

Source officielle

https://infoscience.epfl.ch/entities/publication/60b437a9-7fc3-458f-ab40-d4ce702d5de2

À propos de ce résultat

Concepts associés (32)

Réseau de neurones artificiels

Un réseau de neurones artificiels, ou réseau neuronal artificiel, est un système dont la conception est à l'origine schématiquement inspirée du fonctionnement des neurones biologiques, et qui par la suite s'est rapproché des méthodes statistiques. Les réseaux de neurones sont généralement optimisés par des méthodes d'apprentissage de type probabiliste, en particulier bayésien.

Réseau de neurones récurrents

Un réseau de neurones récurrents (RNN pour recurrent neural network en anglais) est un réseau de neurones artificiels présentant des connexions récurrentes. Un réseau de neurones récurrents est constitué d'unités (neurones) interconnectées interagissant non-linéairement et pour lequel il existe au moins un cycle dans la structure. Les unités sont reliées par des arcs (synapses) qui possèdent un poids. La sortie d'un neurone est une combinaison non linéaire de ses entrées.

Neural network

A neural network can refer to a neural circuit of biological neurons (sometimes also called a biological neural network), a network of artificial neurons or nodes in the case of an artificial neural network. Artificial neural networks are used for solving artificial intelligence (AI) problems; they model connections of biological neurons as weights between nodes. A positive weight reflects an excitatory connection, while negative values mean inhibitory connections. All inputs are modified by a weight and summed.

Afficher plus

Publications associées (11)

Afficher plus

Neural Process Model Predictive Control

Chattez avec Graph Search

Energy efficiency and neural control of continuous versus intermittent swimming in a fishlike robot

Euclid Quick Data Release (Q1): XXXI. LEMON – LEns MOdelling with Neural networks. Automated and fast modelling of Euclid gravitational lenses with singular isothermal ellipsoid mass profile

The Physics of Data and Tasks: Theories of Locality and Compositionality in Deep Learning