从像素到证明：通过并行共形鲁棒 MPC 进行概率安全的潜在世界模型控制

我们提出了 SLS^2，这是一种在学习的潜在世界模型中使用鲁棒模型预测控制（MPC）从像素进行安全反馈运动规划的框架。我们的方法训练具有紧凑马尔可夫潜在状态的动作条件联合嵌入世界模型，通过学习的潜在动态实现高效的基于梯度的轨迹优化。为了在潜在预测不完美的情况下增强真实系统的安全性，我们为 GPU 加速的系统级综合 (SLS) 鲁棒 MPC 方案提供保形预测，以获得校准的潜在误差界限和鲁棒的潜在空间约束集。我们进一步学习并保形潜在约束检查器，允许 SLS 规划器在闭环执行期间施加概率安全约束。我们在基于视觉的控制任务上评估我们的方法，它在潜在世界模型和安全规划基线上提高了目标实现性能和安全性。