論文の概要: Bayesian Optimization Parameter Tuning Framework for a Lyapunov Based Path Following Controller

• arxiv url: http://arxiv.org/abs/2512.12649v1
• Date: Sun, 14 Dec 2025 11:35:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.335549
• Title: Bayesian Optimization Parameter Tuning Framework for a Lyapunov Based Path Following Controller
• Title（参考訳）: Lyapunovによる経路追従制御のためのベイズ最適化パラメータ調整フレームワーク
• Authors: Zhewen Zheng, Wenjing Cao, Hongkang Yu, Mo Chen, Takashi Suzuki,
• Abstract要約: 実世界の実験におけるチューニングは、ハードウェア上で利用可能な限られた評価予算によって制限される。 このフレームワークはホンダのAI-Formula三輪ロボットに実装されている。 その結果, BOは, 温度開始初期評価を含む32回の試験において, 制御性能を向上することがわかった。
• 参考スコア（独自算出の注目度）: 7.212376559978978
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Parameter tuning in real-world experiments is constrained by the limited evaluation budget available on hardware. The path-following controller studied in this paper reflects a typical situation in nonlinear geometric controller, where multiple gains influence the dynamics through coupled nonlinear terms. Such interdependence makes manual tuning inefficient and unlikely to yield satisfactory performance within a practical number of trials. To address this challenge, we propose a Bayesian optimization (BO) framework that treats the closed-loop system as a black box and selects controller gains using a Gaussian-process surrogate. BO offers model-free exploration, quantified uncertainty, and data-efficient search, making it well suited for tuning tasks where each evaluation is costly. The framework is implemented on Honda's AI-Formula three-wheeled robot and assessed through repeated full-lap experiments on a fixed test track. The results show that BO improves controller performance within 32 trials, including 15 warm-start initial evaluations, indicating that it can efficiently locate high-performing regions of the parameter space under real-world conditions. These findings demonstrate that BO provides a practical, reliable, and data-efficient tuning approach for nonlinear path-following controllers on real robotic platforms.
• Abstract（参考訳）: 実世界の実験におけるパラメータチューニングは、ハードウェア上で利用可能な限られた評価予算によって制限される。 経路追従制御器は非線形幾何制御器の典型的状況を反映し,複数のゲインが結合された非線形項を通して力学に影響を及ぼす。 このような相互依存は、手動のチューニングを非効率にし、実用的な試行数で満足なパフォーマンスを得る可能性は低い。 この課題に対処するために,閉ループシステムをブラックボックスとして扱い,ガウス処理サロゲートを用いて制御ゲインを選択するベイズ最適化(BO)フレームワークを提案する。 BOは、モデルフリーな探索、定量化された不確実性、データ効率の高い探索を提供し、各評価にコストがかかるタスクのチューニングに適している。 このフレームワークは、HondaのAI-Formula三輪ロボットで実装され、固定されたテストトラックで繰り返しフルラップの実験を通じて評価される。 その結果, BOは, 実環境下でのパラメータ空間の高性能領域の探索を効率的に行うことができることを示す15個の温暖化開始初期評価を含む32回の試験において, 制御性能の向上を図っている。 これらの結果から,BOは実際のロボットプラットフォーム上での非線形経路追従制御に対して,実用的で信頼性が高く,データ効率のよいチューニング手法を提供することが示された。

関連論文リスト

• Local Bayesian Optimization for Controller Tuning with Crash Constraints [47.30677525394649]
  我々は最近提案されたBOの局所変種をクラッシュ制約を含むように拡張し、制御器は未知の既知領域でしか評価できないようにした。 本研究は,制御性能の向上とチューニングに必要な時間と資源の削減を目的としたローカルBOの可能性を示すものである。
  論文  参考訳（メタデータ） (2024-11-25T10:37:48Z)
• 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)
• Provably Efficient Bayesian Optimization with Unknown Gaussian Process Hyperparameter Estimation [44.53678257757108]
  目的関数の大域的最適値にサブ線形収束できる新しいBO法を提案する。 本手法では,BOプロセスにランダムなデータポイントを追加するために,マルチアームバンディット法 (EXP3) を用いる。 提案手法は, 様々な合成および実世界の問題に対して, 既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-12T03:35:45Z)
• A Data-Driven Slip Estimation Approach for Effective Braking Control under Varying Road Conditions [0.0]
  多層ニューラルネットワークに基づく新しい推定アルゴリズムを提案する。 トレーニングは、広く使われている摩擦モデルから派生した合成データセットに基づいている。 実験結果とモデルベースラインとの比較により,提案手法が最適すべり推定に有効であることを示す。
  論文  参考訳（メタデータ） (2022-11-04T16:24:05Z)
• Performance-Driven Controller Tuning via Derivative-Free Reinforcement Learning [6.5158195776494]
  我々は,新しい微分自由強化学習フレームワークを用いて,制御器のチューニング問題に取り組む。 我々は,PIDコントローラを用いた適応走行制御とMPCコントローラを用いた軌道追跡という,自律走行による2つの具体例に関する数値実験を行った。 実験の結果,提案手法は一般的なベースラインよりも優れており,コントローラチューニングの強い可能性を強調している。
  論文  参考訳（メタデータ） (2022-09-11T13:01:14Z)
• 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)
• Online Parameter Estimation for Safety-Critical Systems with Gaussian Processes [6.122161391301866]
  オンラインパラメータ推定のためのガウス過程(GP)に基づくベイズ最適化フレームワークを提案する。 パラメータ空間の応答面上の効率的な探索戦略を用いて、最小限の機能評価で大域最適解を求める。 我々は,パラメータの変化を考慮したシミュレーションにおいて,アクティベートされた平面振子と安全臨界振子について実演する。
  論文  参考訳（メタデータ） (2020-02-18T20:38:00Z)

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。