Efficient Learning of Vehicle Controller Parameters via Multi-Fidelity Bayesian Optimization: From Simulation to Experiment

要約

車両コントローラーのパラメーターチューニングは、自動車開発における費用と時間のかかる課題のままです。
従来のアプローチは、広範な現実世界のテストに依存しており、プロセスを非効率的にしています。
低忠実度のシミュレーションデータと非常に限られた数の実際の実験の両方を活用することにより、最適なコントローラーパラメーターを効率的に学習する多分ベイジアン最適化アプローチを提案します。
私たちのアプローチは、業界で使用される標準の2段階開発ワークフローを維持しながら、手動の調整と高価なフィールドテストの必要性を大幅に削減します。
コアの貢献は、自動回帰的多分ガウスプロセスモデルをベイズの最適化に統合し、実際のテスト中に追加の低忠実度評価を必要とせずに、異なる忠実度レベル間の知識移転を可能にすることです。
シミュレーション研究とRealWorld実験の両方を通じてアプローチを検証します。
結果は、この方法が非常に少ない実世界の実験で高品質のコントローラーのパフォーマンスを達成し、産業用途でのインテリジェントな車両制御チューニングのための実用的でスケーラブルなソリューションとしての可能性を強調していることを示しています。

要約(オリジナル)

Parameter tuning for vehicle controllers remains a costly and time-intensive challenge in automotive development. Traditional approaches rely on extensive real-world testing, making the process inefficient. We propose a multi-fidelity Bayesian optimization approach that efficiently learns optimal controller parameters by leveraging both low-fidelity simulation data and a very limited number of real-world experiments. Our approach significantly reduces the need for manual tuning and expensive field testing while maintaining the standard two-stage development workflow used in industry. The core contribution is the integration of an auto-regressive multi-fidelity Gaussian process model into Bayesian optimization, enabling knowledge transfer between different fidelity levels without requiring additional low-fidelity evaluations during real-world testing. We validate our approach through both simulation studies and realworld experiments. The results demonstrate that our method achieves high-quality controller performance with only very few real-world experiments, highlighting its potential as a practical and scalable solution for intelligent vehicle control tuning in industrial applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google