Safe Risk-averse Bayesian Optimization for Controller Tuning

要約

コントローラーのチューニングとパラメーターの最適化は、コントローラーと基盤となるシステムの両方のパフォーマンスを向上させるために、システム設計において非常に重要です。
ベイジアン最適化は、コントローラーの調整と適応のための効率的なモデルフリーの方法として確立されています。
ただし、高精度システムが未知の入力依存ノイズに対して堅牢であり、安全制約の下で安定しているためには、標準的な方法だけでは十分ではありません。
この研究では、安全な学習とリスク回避ベイズ最適化を組み合わせた、不均一分散ノイズの存在下での安全なコントローラー調整のための新しいデータ駆動型アプローチである RaGoOSE を紹介します。
合成ベンチマークの方法を実証し、そのパフォーマンスを確立された BO ベースの調整方法と比較します。
さらに、半導体産業アプリケーションで利用される実際の精密モーション システム上で RaGoOSE のパフォーマンスを評価し、それを組み込みの自動チューニング ルーチンと比較します。

要約(オリジナル)

Controller tuning and parameter optimization are crucial in system design to improve both the controller and underlying system performance. Bayesian optimization has been established as an efficient model-free method for controller tuning and adaptation. Standard methods, however, are not enough for high-precision systems to be robust with respect to unknown input-dependent noise and stable under safety constraints. In this work, we present a novel data-driven approach, RaGoOSE, for safe controller tuning in the presence of heteroscedastic noise, combining safe learning with risk-averse Bayesian optimization. We demonstrate the method for synthetic benchmark and compare its performance to established BO-based tuning methods. We further evaluate RaGoOSE performance on a real precision-motion system utilized in semiconductor industry applications and compare it to the built-in auto-tuning routine.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google