CURE: Simulation-Augmented Auto-Tuning in Robotics

要約

ロボット システムは通常、位置特定やナビゲーションなどのさまざまなサブシステムで構成されており、それぞれのサブシステムには多数の構成可能なコンポーネント (さまざまな計画アルゴリズムの選択など) が含まれています。
コンポーネントのアルゴリズムを選択したら、それに関連する構成オプションを適切な値に設定する必要があります。
システム スタック全体の構成オプションは、重要な相互作用を持ちます。
高度に構成可能なロボットが望ましいパフォーマンスを達成するための最適な構成を見つけることは、ソフトウェアとハ​​ードウェアにわたる構成オプション間の相互作用により、指数関数的に大きく複雑な構成スペースが生じるため、重大な課題が生じます。
これらの課題は、異なる環境とロボット プラットフォーム間の移行性の必要性によってさらに複雑になります。
データ効率の高い最適化アルゴリズム (ベイジアン最適化など) は、サイバーフィジカル システムの構成可能なパラメーターの調整を自動化するためにますます採用されています。
ただし、そのような最適化アルゴリズムは後の段階で、多くの場合、割り当てられた予算 (最適化ステップ、割り当てられた時間など) を使い果たし、移行性がなくなった後に収束します。
この論文では、CURE を提案します。これは、因果的に関連する構成オプションを特定し、最適化プロセスを縮小された検索スペースで実行できるようにすることで、ロボットのパフォーマンスをより迅速に最適化できるようにする方法です。
CURE は、ソース (Gazebo シミュレーターなどの低コスト環境) で因果モデルを学習し、学習した知識を適用してターゲット (Turtlebot 3 の物理的な環境など) で最適化を実行することにより、さまざまな構成オプションとロボットのパフォーマンス目標の間の因果関係を抽象化します。
ロボット）。
私たちは、物理ロボットとシミュレーションの両方でさまざまな程度の展開変更を伴う実験を実施することにより、CURE の有効性と移行可能性を実証します。

要約(オリジナル)

Robotic systems are typically composed of various subsystems, such as localization and navigation, each encompassing numerous configurable components (e.g., selecting different planning algorithms). Once an algorithm has been selected for a component, its associated configuration options must be set to the appropriate values. Configuration options across the system stack interact non-trivially. Finding optimal configurations for highly configurable robots to achieve desired performance poses a significant challenge due to the interactions between configuration options across software and hardware that result in an exponentially large and complex configuration space. These challenges are further compounded by the need for transferability between different environments and robotic platforms. Data efficient optimization algorithms (e.g., Bayesian optimization) have been increasingly employed to automate the tuning of configurable parameters in cyber-physical systems. However, such optimization algorithms converge at later stages, often after exhausting the allocated budget (e.g., optimization steps, allotted time) and lacking transferability. This paper proposes CURE — a method that identifies causally relevant configuration options, enabling the optimization process to operate in a reduced search space, thereby enabling faster optimization of robot performance. CURE abstracts the causal relationships between various configuration options and robot performance objectives by learning a causal model in the source (a low-cost environment such as the Gazebo simulator) and applying the learned knowledge to perform optimization in the target (e.g., Turtlebot 3 physical robot). We demonstrate the effectiveness and transferability of CURE by conducting experiments that involve varying degrees of deployment changes in both physical robots and simulation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google