Safe Bayesian Optimization for High-Dimensional Control Systems via Additive Gaussian Processes

要約

コントローラーの調整と最適化は、ロボット工学やメカトロニクス システムにおける最も基本的な問題の 1 つです。
従来の方法論は通常モデルベースですが、そのパフォーマンスはシステムの正確な数学モデルに大きく依存しています。
複雑なダイナミクスを伴う制御アプリケーションでは、正確なモデルを取得することが困難な場合が多く、データ駆動型のアプローチが求められます。
単一コントローラーの最適化はさまざまな研究者によって検討されていますが、複数のコントローラーが関与する場合に最適なコントローラーパラメーターを安全かつ効率的に取得することは依然として課題です。
この論文では、複数のコントローラを同時に安全に最適化するための、加法的ガウス過程に基づく高次元の安全なベイジアン最適化手法を提案します。
加法ガウス カーネルは、従来の二乗指数カーネルまたはマトリックス カーネルを置き換え、ガウス プロセスが未知の関数に関する情報を更新する効率を高めます。
永久磁石同期モータ (PMSM) に関する実験結果は、既存の安全なベイジアン最適化アルゴリズムと比較して、私たちの手法が安全性を確保しながら最適なパラメータをより効率的に取得できることを示しています。

要約(オリジナル)

Controller tuning and optimization have been among the most fundamental problems in robotics and mechatronic systems. The traditional methodology is usually model-based, but its performance heavily relies on an accurate mathematical model of the system. In control applications with complex dynamics, obtaining a precise model is often challenging, leading us towards a data-driven approach. While optimizing a single controller has been explored by various researchers, it remains a challenge to obtain the optimal controller parameters safely and efficiently when multiple controllers are involved. In this paper, we propose a high-dimensional safe Bayesian optimization method based on additive Gaussian processes to optimize multiple controllers simultaneously and safely. Additive Gaussian kernels replace the traditional squared-exponential kernels or Mat\’ern kernels, enhancing the efficiency with which Gaussian processes update information on unknown functions. Experimental results on a permanent magnet synchronous motor (PMSM) demonstrate that compared to existing safe Bayesian optimization algorithms, our method can obtain optimal parameters more efficiently while ensuring safety.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google