論文の概要: Bayesian Optimization for Automatic Tuning of Torque-Level Nonlinear Model Predictive Control

• arxiv url: http://arxiv.org/abs/2512.03772v1
• Date: Wed, 03 Dec 2025 13:19:42 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 12:06:33.578115
• Title: Bayesian Optimization for Automatic Tuning of Torque-Level Nonlinear Model Predictive Control
• Title（参考訳）: トルクレベル非線形モデル予測制御の自動チューニングのためのベイズ最適化
• Authors: Gabriele Fadini, Deepak Ingole, Tong Duy Son, Alisa Rupenyan,
• Abstract要約: 本稿では,トルクに基づくモデル予測制御(nMPC)のための自動チューニングフレームワークを提案する。 MPCは、最適な関節トルクコマンドのためのリアルタイムコントローラとして機能する。
• 参考スコア（独自算出の注目度）: 2.907225673486874
• License:
• Abstract: This paper presents an auto-tuning framework for torque-based Nonlinear Model Predictive Control (nMPC), where the MPC serves as a real-time controller for optimal joint torque commands. The MPC parameters, including cost function weights and low-level controller gains, are optimized using high-dimensional Bayesian Optimization (BO) techniques, specifically Sparse Axis-Aligned Subspace (SAASBO) with a digital twin (DT) to achieve precise end-effector trajectory real-time tracking on an UR10e robot arm. The simulation model allows efficient exploration of the high-dimensional parameter space, and it ensures safe transfer to hardware. Our simulation results demonstrate significant improvements in tracking performance (+41.9%) and reduction in solve times (-2.5%) compared to manually-tuned parameters. Moreover, experimental validation on the real robot follows the trend (with a +25.8% improvement), emphasizing the importance of digital twin-enabled automated parameter optimization for robotic operations.
• Abstract（参考訳）: 本稿では,トルクベース非線形モデル予測制御(nMPC)の自動チューニングフレームワークを提案する。 コスト関数重みや低レベル制御ゲインを含むMPCパラメータは、高次元ベイズ最適化(BO)技術、特にデジタルツイン(DT)付きスパース軸配位部分空間(SAASBO)を用いて最適化され、UR10eロボットアーム上で正確なエンドエフェクタ軌道追跡を実現する。 シミュレーションモデルにより、高次元パラメータ空間の効率的な探索が可能となり、ハードウェアへの安全な転送が保証される。 シミュレーションの結果,手作業によるパラメータと比較すると,追跡性能(+41.9%)と解時間(2.5%)の大幅な改善が見られた。 さらに、実際のロボットに対する実験的な検証は、ロボット操作におけるデジタルツイン対応自動パラメータ最適化の重要性を強調する傾向(+25.8%の改善)に従っている。

関連論文リスト

• Automated Optimization of Laser Fields for Quantum State Manipulation [0.0]
  勾配に基づく最適化と自動微分を組み合わせることで、高い精度とスケーラビリティを確保する。 このフレームワークは量子システムにおける自動制御パルス設計のための普遍的で実験的に適用可能なツールとして機能する。
  論文  参考訳（メタデータ） (2025-06-10T06:17:37Z)
• Towards hyperparameter-free optimization with differential privacy [9.193537596304669]
  差分プライバシー(DP)は、ディープラーニングモデルをトレーニングする際のトレーニングデータを保護するプライバシー保護パラダイムである。 本研究では,任意のモデルを対象としたDP最適化に自動学習率スケジュールを適用し,各種言語および視覚タスクにおける最先端のDP性能を実現する。
  論文  参考訳（メタデータ） (2025-03-02T02:59:52Z)
• Autotuning Bipedal Locomotion MPC with GRFM-Net for Efficient Sim-to-Real Transfer [10.52309107195141]
  DiffTune を用いた二足歩行制御におけるパラメータ選択の課題に対処する。 大きな困難は、モデルの忠実さと差別性とのバランスにある。 ハードウェア実験においてDiffTuneとGRFM-Netで得られたパラメータを検証する。
  論文  参考訳（メタデータ） (2024-09-24T03:58:18Z)
• Learning IMM Filter Parameters from Measurements using Gradient Descent [45.335821132209766]
  トラック下のターゲットの固有のパラメータは、システムがデプロイされるまで完全に観測不可能である。 最先端のセンサーシステムはますます複雑になり、パラメータの数が自然に増加する。 本稿では,対話型多重モデル (IMM) フィルタのパラメータを計測のみで最適化する。
  論文  参考訳（メタデータ） (2023-07-13T08:35:40Z)
• 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)
• Sensitivity-Aware Visual Parameter-Efficient Fine-Tuning [91.5113227694443]
  私たちは新しいビジュアルを提案します。 Sensuous-Aware Fine-Tuning (SPT) スキーム。 SPTはタスク固有の重要な位置にトレーニング可能なパラメータを割り当てる。 ダウンストリーム認識タスクの幅広い実験により,SPTは既存のPEFT法と相補的であることが示された。
  論文  参考訳（メタデータ） (2023-03-15T12:34:24Z)
• Hyper-Parameter Auto-Tuning for Sparse Bayesian Learning [72.83293818245978]
  我々は、疎ベイズ学習におけるハイパーパラメータチューニングのためのニューラルネットワーク(NN)ベースのオートチューニングを設計し、学習する。 コンバージェンス率とリカバリ性能の大幅な向上が達成できることを示す。
  論文  参考訳（メタデータ） (2022-11-09T12:34:59Z)
• AUTOMATA: Gradient Based Data Subset Selection for Compute-Efficient Hyper-parameter Tuning [72.54359545547904]
  ハイパーパラメータチューニングのための勾配に基づくサブセット選択フレームワークを提案する。 ハイパーパラメータチューニングに勾配ベースのデータサブセットを用いることで、3$times$-30$times$のターンアラウンド時間とスピードアップが大幅に向上することを示す。
  論文  参考訳（メタデータ） (2022-03-15T19:25:01Z)
• Bayesian Optimization Meets Hybrid Zero Dynamics: Safe Parameter Learning for Bipedal Locomotion Control [17.37169551675587]
  両足歩行ロボットの移動制御のためのマルチドメイン制御パラメータ学習フレームワークを提案する。 BOを利用して、HZDベースのコントローラで使用される制御パラメータを学習する。 次に、物理ロボットに学習プロセスを適用し、シミュレーションで学習した制御パラメータの修正を学習する。
  論文  参考訳（メタデータ） (2022-03-04T20:48:17Z)
• Amortized Auto-Tuning: Cost-Efficient Transfer Optimization for Hyperparameter Recommendation [83.85021205445662]
  本稿では,機械学習モデルのチューニングを高速化する自動チューニング(AT2)を提案する。 マルチタスクマルチ忠実ベイズ最適化フレームワークの徹底的な解析を行い、最適なインスタンス化-アモータイズ自動チューニング(AT2)を実現する。
  論文  参考訳（メタデータ） (2021-06-17T00:01:18Z)

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。