論文の概要: Safe Bayesian Optimization for High-Dimensional Control Systems via Additive Gaussian Processes
- arxiv url: http://arxiv.org/abs/2408.16307v1
- Date: Thu, 29 Aug 2024 07:12:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-30 14:43:40.480015
- Title: Safe Bayesian Optimization for High-Dimensional Control Systems via Additive Gaussian Processes
- Title（参考訳）: 付加ガウス過程による高次元制御系の安全ベイズ最適化
- Authors: Hongxuan Wang, Xiaocong Li, Adrish Bhaumik, Prahlad Vadakkepat,
- Abstract要約: 本稿では,複数コントローラを同時に安全に最適化するために,加法ガウス法に基づく高次元安全なベイズ最適化法を提案する。
永久磁石同期モータ (PMSM) の実験結果から, 安全性を確保しつつ, 最適パラメータをより効率的に取得できることが確認された。
- 参考スコア（独自算出の注目度）: 2.3342885570554652
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Controller tuning and optimization have been among the most fundamental problems in robotics and mechatronic systems. The traditional methodology is usually model-based, but its performance heavily relies on an accurate mathematical model of the system. In control applications with complex dynamics, obtaining a precise model is often challenging, leading us towards a data-driven approach. While optimizing a single controller has been explored by various researchers, it remains a challenge to obtain the optimal controller parameters safely and efficiently when multiple controllers are involved. In this paper, we propose a high-dimensional safe Bayesian optimization method based on additive Gaussian processes to optimize multiple controllers simultaneously and safely. Additive Gaussian kernels replace the traditional squared-exponential kernels or Mat\'ern kernels, enhancing the efficiency with which Gaussian processes update information on unknown functions. Experimental results on a permanent magnet synchronous motor (PMSM) demonstrate that compared to existing safe Bayesian optimization algorithms, our method can obtain optimal parameters more efficiently while ensuring safety.
- Abstract（参考訳）: 制御器のチューニングと最適化は、ロボット工学やメカトロニクスシステムにおいて最も基本的な問題の一つである。
従来の方法論は通常モデルベースであるが、その性能はシステムの正確な数学的モデルに大きく依存している。
複雑なダイナミクスを持つ制御アプリケーションでは、正確なモデルを得ることがしばしば困難であり、データ駆動アプローチに向かっています。
単一コントローラの最適化は様々な研究者によって検討されているが、複数のコントローラが関与している場合、最適コントローラパラメータを安全かつ効率的に取得することは依然として困難である。
本稿では,複数コントローラを同時に安全に最適化するために,加法ガウス法に基づく高次元安全なベイズ最適化法を提案する。
付加的なガウスカーネルは従来の2乗述語カーネルやMat\'ernカーネルを置き換え、ガウス処理が未知の関数に関する情報を更新する効率を高める。
永久磁石同期モータ(PMSM)の実験結果から,既存の安全ベイズ最適化アルゴリズムと比較して,安全性を確保しつつ,最適パラメータをより効率的に取得できることが確認された。
関連論文リスト
- Adaptive Bayesian Optimization for High-Precision Motion Systems [2.073673208115137]
低レベル制御パラメータをオンラインチューニングすることで、適応制御のためのリアルタイム純粋データ駆動モデルフリーアプローチを提案する。
我々は安全かつサンプル効率のよいベイズ最適化アルゴリズムであるGoOSEをベースとした。
半導体産業に応用した実精度運動システムにおけるアルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2024-04-22T21:58:23Z) - Stability-informed Bayesian Optimization for MPC Cost Function Learning [5.643541009427271]
本研究では,不完全な情報の下での予測制御パラメータの閉ループ学習について検討する。
フィードフォワードニューラルネットワークとしてパラメータ化されたモデル予測制御器(MPC)コスト関数の学習には,制約付きベイズ最適化を用いる。
Lyapunov 候補として基礎となる MPC の最適値関数を利用して,学習した制御パラメータの安定性制約によってこの枠組みを拡張した。
論文 参考訳（メタデータ） (2024-04-18T13:49:09Z) - Towards Safe Multi-Task Bayesian Optimization [1.3654846342364308]
システムの物理モデルを減らすことは最適化プロセスに組み込むことができ、それを加速することができる。
これらのモデルは実際のシステムの近似を提供することができ、それらの評価は極めて安価である。
安全はベイズ最適化のようなオンライン最適化手法にとって重要な基準である。
論文 参考訳（メタデータ） (2023-12-12T13:59:26Z) - Stochastic Optimal Control Matching [53.156277491861985]
最適制御のための新しい反復拡散最適化(IDO)技術である最適制御マッチング(SOCM)を導入する。
この制御は、一致するベクトル場に適合しようとすることで、最小二乗問題を通じて学習される。
実験により,本アルゴリズムは最適制御のための既存のすべての IDO 手法よりも低い誤差を実現する。
論文 参考訳（メタデータ） (2023-12-04T16:49:43Z) - Tuning Legged Locomotion Controllers via Safe Bayesian Optimization [47.87675010450171]
本稿では,ロボットハードウェアプラットフォームにおけるモデルベースコントローラの展開を効率化するための,データ駆動型戦略を提案する。
モデルフリーな安全な学習アルゴリズムを用いて制御ゲインのチューニングを自動化し、制御定式化で使用される単純化されたモデルと実システムとのミスマッチに対処する。
論文 参考訳（メタデータ） (2023-06-12T13:10:14Z) - Tuning Particle Accelerators with Safety Constraints using Bayesian
Optimization [73.94660141019764]
粒子加速器の機械パラメータのチューニングは反復的で時間を要する作業である。
我々は、安全なベイズ最適化のステップサイズ制限版を提案し、評価する。
論文 参考訳（メタデータ） (2022-03-26T02:21:03Z) - Safe and Efficient Model-free Adaptive Control via Bayesian Optimization [39.962395119933596]
適応制御のための純粋データ駆動型モデルフリーアプローチを提案する。
システムデータのみに基づく低レベルコントローラのチューニングは、アルゴリズムの安全性と計算性能に懸念を生じさせる。
我々は,提案手法がサンプル効率であり,安全性の観点から制約ベイズ最適化よりも優れており,グリッド評価によって計算された性能オプティマを達成することを数値的に示す。
論文 参考訳（メタデータ） (2021-01-19T19:15:00Z) - Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。
我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。
すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
論文 参考訳（メタデータ） (2020-10-01T18:14:11Z) - Global Optimization of Gaussian processes [52.77024349608834]
少数のデータポイントで学習したガウス過程を訓練した空間定式化を提案する。
このアプローチはまた、より小さく、計算的にもより安価なサブソルバを低いバウンディングに導く。
提案手法の順序の順序による時間収束を,総じて低減する。
論文 参考訳（メタデータ） (2020-05-21T20:59:11Z) - Chance-Constrained Trajectory Optimization for Safe Exploration and
Learning of Nonlinear Systems [81.7983463275447]
学習に基づく制御アルゴリズムは、訓練のための豊富な監督を伴うデータ収集を必要とする。
本稿では,機会制約付き最適制御と動的学習とフィードバック制御を統合した安全な探索による最適動作計画のための新しいアプローチを提案する。
論文 参考訳（メタデータ） (2020-05-09T05:57:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。