California Institute of Technology（加州理工学院）

Identifying Gems from Roman RAPIDly

从Roman RAPIDly中识别宝石

Karan Gandhi, Ashish A. Mahabal, Jacob E. Jencson, Russ R. Laher, Ben Rusholme, Lin Yan, Ryan M. Lau, Schuyler D. Van Dyk, Mansi M. Kasliwal

机构 * Department of Computer Science and Engineering, Indian Institute of Technology, Gandhinagar, India（印度理工学院计算机科学与工程系） ； Division of Physics, Mathematics, and Astronomy, California Institute of Technology, Pasadena, CA 91125, USA（加州理工学院物理、数学与天文学系） ； Center for Data Driven Discovery, California Institute of Technology, Pasadena, CA 91125, USA（数据驱动发现中心） ； IPAC, California Institute of Technology, 1200 E. California Blvd, Pasadena, CA 91125, USA（IPAC, 加州理工学院） ； Caltech Optical Observatories, California Institute of Technology, Pasadena, CA 91125, USA（加州理工学院光学观测站） 纠错

AI总结 针对Roman太空望远镜无真实数据的问题，提出机器学习模型RuBR和通用方法，用于在RAPID流水线中区分真实瞬变/变源与虚假检测，实验表明该方法在Roman时代具有鲁棒性。

Comments 15 pages, 10 figures, Submitted to the Publications of the Astronomical Society of the Pacific

Derivative Informed Learning of Exchange-Correlation Functionals

交换相关泛函的导数知情学习

Eike S. Eberhard, Luca A. Thiede, Abdul Aldossary, Andreas Burger, Nicholas Gao, Vignesh Bhethanabotla, Alán Aspuru-Guzik, Stephan Günnemann

机构 * Technical University of Munich（慕尼黑技术大学） ； Munich Data Science Institute（慕尼黑数据科学研究所） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； CuspAI ； California Institute of Technology（加州理工学院） 纠错

AI总结 提出导数知情交换相关损失(DI-Loss)，通过监督能量在密度矩阵Grassmannian上的一阶和二阶导数，训练O(N^3)标度的机器学习交换相关泛函以复现B3LYP/def2-SVP目标，在多个架构上平均总能量MAE降低66%，并减少混合泛函SCF迭代次数达50%。

Comments Proceedings of the 43rd International Conference on Machine Learning

A Control Lyapunov Perspective on Episodic Learning via Projection to State Stability

从控制李雅普诺夫视角看通过投影到状态稳定性进行片段学习

Andrew J. Taylor, Victor D. Dorobantu, Meera Krishnamoorthy, Hoang M. Le, Yisong Yue, Aaron D. Ames

机构 * California Institute of Technology（加州理工学院） 纠错

AI总结 本文从李雅普诺夫函数视角探讨学习对控制合成的影响，提出投影到状态稳定性（PSS）概念，用于表征CLF对系统不确定数据的鲁棒性，并展示如何利用PSS在仿射控制中限制不确定性，实现鲁棒控制合成。

Episodic Learning with Control Lyapunov Functions for Uncertain Robotic Systems

具有控制李雅普诺夫函数的不确定性机器人系统的经验学习

Andrew J. Taylor, Victor D. Dorobantu, Hoang M. Le, Yisong Yue, Aaron D. Ames

机构 * California Institute of Technology（加州理工学院） 纠错

AI总结 本文提出了一种基于控制李雅普诺夫函数的机器学习框架，用于适应机器人系统中的参数不确定性和未建模动态，通过迭代更新李雅普诺夫函数导数的估计和改进控制器，最终获得一个稳定性的二次规划基于控制器，并在平面Segway模拟中验证了方法的有效性。

Efficient and Safe Exploration in Deterministic Markov Decision Processes with Unknown Transition Models

在未知转移模型的确定性马尔可夫决策过程中实现高效且安全的探索

Erdem Bıyık, Jonathan Margoliash, Shahrouz Ryan Alimo, Dorsa Sadigh

机构 * Stanford University（斯坦福大学） ； Jet Propulsion Laboratory（喷气推进实验室） ； California Institute of Technology（加州理工学院） 纠错

AI总结 本文提出了一种安全探索算法，通过利用Lipschitz连续性确保在探索过程中不访问危险状态，该算法在确定性马尔可夫决策过程中提供了确定性的安全保证，并通过模拟导航任务验证了其性能。

Comments Proceedings of the American Control Conference (ACC), July 2019. The first two authors have equal contribution

Control Regularization for Reduced Variance Reinforcement Learning

减少方差的强化学习中的控制正则化

Richard Cheng, Abhinav Verma, Gabor Orosz, Swarat Chaudhuri, Yisong Yue, Joel W. Burdick

机构 * California Institute of Technology, Pasadena, CA（加州理工学院） ； University of Michigan, Ann Arbor, MI（密歇根大学） ； Rice University, Houston, TX（Rice大学） 纠错

AI总结 本文提出了一种功能正则化方法，用于减少连续控制中强化学习的方差，通过正则化深度策略的行为与先验策略相似，从而在偏倚-方差权衡中实现更稳定的动态稳定性和更高效的训练。

Comments Appearing in ICML 2019

A Stochastic Interpretation of Stochastic Mirror Descent: Risk-Sensitive Optimality

随机镜像下降的随机解释：风险敏感最优性

Navid Azizan, Babak Hassibi

机构 * California Institute of Technology（加州理工学院） 纠错

AI总结 本文提出随机镜像下降（SMD）是一种风险敏感最优估计器，适用于非高斯分布的未知权重向量和加性噪声，同时引入了对称SMD（SSMD）的改进版本。

End-to-End Safe Reinforcement Learning through Barrier Functions for Safety-Critical Continuous Control Tasks

通过障碍函数实现端到端安全强化学习用于安全关键的连续控制任务

Richard Cheng, Gabor Orosz, Richard M. Murray, Joel W. Burdick

机构 * California Institute of Technology（加州理工学院） ； University of Michigan（密歇根大学） 纠错

AI总结 本文提出了一种结合模型无关强化学习控制器、基于控制障碍函数的控制器以及在线学习未知系统动力学的控制器架构，以确保学习过程中的安全性，通过Gaussian Processes建模系统动力学并展示在倒立摆和无线车对车自主跟车任务中更高的样本效率和安全性。

Comments Published in AAAI 2019

A One-Class Support Vector Machine Calibration Method for Time Series Change Point Detection

一种用于时间序列变化点检测的一类支持向量机校准方法

Baihong Jin, Yuxin Chen, Dan Li, Kameshwar Poolla, Alberto Sangiovanni-Vincentelli

机构 * Department of EECS, University of California, Berkeley（加州大学伯克利分校电子工程与计算机科学系） ； California Institute of Technology（加州理工学院） ； Institute of Data Science, National University of Singapore（新加坡国立大学数据科学研究所） 纠错

AI总结 本文提出了一种校准一类支持向量机（OC-SVM）的方法，用于时间序列变化点检测，通过启发式搜索方法找到输入数据和超参数的最优组合，实验表明OC-SVM在少量训练数据下也能有效检测变化点，优于现有深度学习方法。

Multirobot Coordination with Counting Temporal Logics

多机器人协调与计数时序逻辑

Yunus Emre Sahin, Petter Nilsson, Necmiye Ozay

机构 * Department of Electrical Engineering and Computer Science（电气工程与计算机科学系） ； University of Michigan（密歇根大学） ； Department of Mechanical and Civil Engineering（机械与土木工程系） ； California Institute of Technology（加州理工学院） 纠错

AI总结 本文提出了一种基于计数时序逻辑的多机器人协调方法，通过优化算法生成轨迹以保证同步执行时满足给定的逻辑公式，并展示了在机器人动力学相同的情况下，使用计数线性时序逻辑（cLTL）能更高效地解决规划问题，同时讨论了异步执行下保持逻辑规范性的方法及鲁棒轨迹生成。

Comments Under submission for a journal

Long-Duration Autonomy for Small Rotorcraft UAS including Recharging

小型旋翼机无人机的长期自主性包括充电

Christian Brommer, Danylo Malyuta, Daniel Hentzen, Roland Brockers

机构 * Autonomous Controls Laboratory, University of Washington（华盛顿大学自主控制实验室） ； Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室） 纠错

AI总结 本研究提出了一种完全自主的小型旋翼机无人机，能够在无人干预的情况下执行长期观测任务，通过全平台自主性和基于视觉的精确着陆技术实现自动能源补充，实验结果展示了其在室内和室外环境中的11小时自主操作能力。

Comments 7 pages

SLAP: Simultaneous Localization and Planning Under Uncertainty for Physical Mobile Robots via Dynamic Replanning in Belief Space: Extended version

SLAP：通过信念空间中的动态重新规划实现物理移动机器人的同时定位与规划（在不确定性下）：扩展版

Ali-akbar Agha-mohammadi, Saurav Agarwal, Sung-Kyun Kim, Suman Chakravorty, Nancy M. Amato

机构 * NASA-JPL, Caltech（NASA-喷气推进中心，加州理工学院） ； Dept. of Aerospace Eng. and Amato is with the Dept. of Computer Science（航空航天工程系和计算机科学系） ； Dept. of Computer Science（计算机科学系） 纠错

AI总结 本文提出一种在不确定性环境下通过信念空间动态重新规划实现物理移动机器人同时定位与规划的方法，通过在线重新规划循环改进离线策略，有效应对环境变化和大定位误差，优于FIRM方法。

Comments 20 pages, updated figures, extended theory and simulation results

Distributed Solution of Large-Scale Linear Systems via Accelerated Projection-Based Consensus

通过加速投影共识解决大规模线性系统

Navid Azizan-Ruhi, Farshad Lahouti, Salman Avestimehr, Babak Hassibi

机构 * California Institute of Technology（加州理工学院） ； University of Southern California（南加州大学） 纠错

AI总结 本文提出加速分布式共识算法，用于解决大规模线性系统，通过在每个迭代中更新解决方案并结合动量平均，优于梯度下降、Nesterov加速梯度下降、重力球方法和ADMM等方法。

Graphical Models for Optimal Power Flow

图模型用于最优功率流

Krishnamurthy Dvijotham, Pascal Van Hentenryck, Michael Chertkov, Sidhant Misra, Marc Vuffray

机构 * Mathematical Sciences, California Institute of Technology Michael Chertkov, Marc Vuffray Sidhant Misra T-Divison \& Center for Nonlinear Studies, Los Alamos National Laboratory Pascal Van Hentenryck Industrial ； Operations Engineering, University of Michigan, Ann Arbor 纠错

AI总结 本文将树状网络的最优功率流问题转化为树状图模型的推断问题，结合动态规划与区间离散化，提出了一种高效求解方法，适用于任意配电网络和混合整数优化。

Comments To appear in Proceedings of the 22nd International Conference on Principles and Practice of Constraint Programming (CP 2016(