Not All Actions Are Created Equal: Bayesian Optimal Experimental Design for Safe and Optimal Nonlinear System Identification

要約

状態やモデルパラメータの不確実性はロボット工学では一般的であり、一般的には、関心のある不確実な量に関する情報をもたらすシステム計測を取得することによって処理される。非線形力学システムへの入力は、システムの基礎となる不確実なパラメータに関する様々な量の情報を生み出す結果をもたらす。これらの不確実なパラメータに関して得られる情報を最大化するために、ベイズ最適実験計画（Bayesian Optimal Experimental Design：BOED）と呼ばれる、システム同定のためのデータ収集に対するベイズアプローチを紹介する。この定式化では、パラメータ化された軌道と三乗法を用いて、未知のシステムパラメータに関して可能な限り多くの情報を得ると同時に、穏やかな仮定の下で安全性を確保する、最大に情報量の多いシステム軌道を計算する。提案手法は非線形・非ガウス系に適用可能であり、文献にある高忠実度車両モデルに適用した。提案手法は、文献にある最新のBOEDアルゴリズムと比較して、必要なサンプル数が桁違いに少ないことが示され、同時に安全性も保証される。

要約(オリジナル)

Uncertainty in state or model parameters is common in robotics and typically handled by acquiring system measurements that yield information about the uncertain quantities of interest. Inputs to a nonlinear dynamical system yield outcomes that produce varying amounts of information about the underlying uncertain parameters of the system. To maximize information gained with respect to these uncertain parameters we present a Bayesian approach to data collection for system identification called Bayesian Optimal Experimental Design (BOED). The formulation uses parameterized trajectories and cubature to compute maximally informative system trajectories which obtain as much information as possible about unknown system parameters while also ensuring safety under mild assumptions. The proposed method is applicable to non-linear and non-Gaussian systems and is applied to a high-fidelity vehicle model from the literature. It is shown the proposed approach requires orders of magnitude fewer samples compared to state-of-the-art BOED algorithms from the literature while simultaneously providing safety guarantees.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL