Robotic Control Optimization Through Kernel Selection in Safe Bayesian Optimization

要約

制御システムの最適化は、ロボット工学における長年の基本的な課題でした。
最近の進歩により、SafeOpt などの学習ベースのアプローチを活用して単一のフィードバック コントローラーを最適化する制御アルゴリズムが開発されましたが、これらの手法を複数のコントローラーを備えた高次元の複雑なシステムに拡張することは未解決の問題のままです。
この論文では、カーネル選択を通じて高次元の問題に効率的に取り組むために、加法ガウスプロセスベースの安全ベイジアン最適化アルゴリズムを強化する、新しい学習ベースの制御最適化手法を提案します。
ドローンのPIDコントローラー最適化を代表例として、安全制御技術を評価するためのベンチマークであるSafe Control Gymで検証を行います。
提案された手法が高次元制御最適化問題に対してより効率的かつ最適な解決策を提供し、既存の手法に比べて大幅な改善が得られることを示します。

要約(オリジナル)

Control system optimization has long been a fundamental challenge in robotics. While recent advancements have led to the development of control algorithms that leverage learning-based approaches, such as SafeOpt, to optimize single feedback controllers, scaling these methods to high-dimensional complex systems with multiple controllers remains an open problem. In this paper, we propose a novel learning-based control optimization method, which enhances the additive Gaussian process-based Safe Bayesian Optimization algorithm to efficiently tackle high-dimensional problems through kernel selection. We use PID controller optimization in drones as a representative example and test the method on Safe Control Gym, a benchmark designed for evaluating safe control techniques. We show that the proposed method provides a more efficient and optimal solution for high-dimensional control optimization problems, demonstrating significant improvements over existing techniques.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google