Adaptive Bayesian Optimization for High-Precision Motion Systems

要約

コントローラのチューニングとパラメータの最適化は、閉ループ システムのパフォーマンスを向上させるシステム設計において重要です。
ベイジアン最適化は、効率的なモデルフリーのコントローラー調整および適応方法として確立されています。
ただし、ベイジアン最適化手法は計算コストが高いため、リアルタイムの重要なシナリオで使用するのは困難です。
この研究では、低レベルのコントローラー パラメーターをオンラインで調整することにより、適応制御のためのリアルタイムの純粋なデータ駆動型、モデルフリーのアプローチを提案します。
私たちのアルゴリズムは、パフォーマンスと安定性の基準を処理するための、安全でサンプル効率の高いベイジアン最適化アルゴリズムである GoOSE に基づいています。
計算効率と最適化ステップの並列化のために、複数の計算およびアルゴリズムの変更を導入します。
さらに、ペイロードと基準ステップサイズを変更し、補間された制約付き最適化ベースのベースライン アプローチと比較することで、半導体産業アプリケーションで利用される実際の精密モーション システムでのアルゴリズムのパフォーマンスを評価します。

要約(オリジナル)

Controller tuning and parameter optimization are crucial in system design to improve closed-loop system performance. Bayesian optimization has been established as an efficient model-free controller tuning and adaptation method. However, Bayesian optimization methods are computationally expensive and therefore difficult to use in real-time critical scenarios. In this work, we propose a real-time purely data-driven, model-free approach for adaptive control, by online tuning low-level controller parameters. We base our algorithm on GoOSE, an algorithm for safe and sample-efficient Bayesian optimization, for handling performance and stability criteria. We introduce multiple computational and algorithmic modifications for computational efficiency and parallelization of optimization steps. We further evaluate the algorithm’s performance on a real precision-motion system utilized in semiconductor industry applications by modifying the payload and reference stepsize and comparing it to an interpolated constrained optimization-based baseline approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google