CURE: Simulation-Augmented Auto-Tuning in Robotics

要約

ロボットシステムは、通常、ローカリゼーション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、それぞれが多数の構成可能なコンポーネントを網羅しています（例：異なる計画アルゴリズムの選択）。
コンポーネントに対してアルゴリズムが選択されたら、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、些細なことに相互作用します。
高度に構成可能なロボットの最適な構成を見つけるための最適なパフォーマンスは、ソフトウェアとハ​​ードウェア全体の構成オプションと、指数関数的に大きく複雑な構成スペースになるための相互作用のために、重要な課題をもたらします。
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動性の必要性によってさらに悪化します。
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）が、サイバー物理システムの構成可能なパラメーターのチューニングを自動化するためにますます採用されています。
ただし、このような最適化アルゴリズムは、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）を使い果たした後、転送可能性を欠いている後に、後の段階で収束します。
このペーパーでは、Cureを提案します。これは、因果関係のある構成オプションを識別し、最適化プロセスが削減された検索スペースで動作できるようにするため、ロボットパフォーマンスをより速く最適化できるようにします。
Cureは、ソース（Gazebo Simulatorなどの低コスト環境）を学習し、ターゲットで最適化を実行するために学習した知識を適用することにより、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との因果関係を抽象化します（例えば、Turtlebot 3 Physical
ロボット）。
物理的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の変化を伴う実験を実施することにより、治療の有効性と移転性を実証します。

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