論文の概要: Consensus-based optimization (CBO): Towards Global Optimality in Robotics
- arxiv url: http://arxiv.org/abs/2602.06868v1
- Date: Fri, 06 Feb 2026 16:55:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:41.241002
- Title: Consensus-based optimization (CBO): Towards Global Optimality in Robotics
- Title（参考訳）: 合意に基づく最適化(CBO) : ロボティクスにおけるグローバル最適性を目指して
- Authors: Xudong Sun, Armand Jordana, Massimo Fornasier, Jalal Etesami, Majid Khadiv,
- Abstract要約: 我々はコンセンサスに基づく最適化(CBO)をロボット工学に導入し、軽度な仮定の下でグローバルな最適化に収束することが保証される。
以上の結果から,CBOは既存の3つの課題に対して,より低コストで実現可能であることが示唆された。
- 参考スコア（独自算出の注目度）: 7.266682982072272
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Zero-order optimization has recently received significant attention for designing optimal trajectories and policies for robotic systems. However, most existing methods (e.g., MPPI, CEM, and CMA-ES) are local in nature, as they rely on gradient estimation. In this paper, we introduce consensus-based optimization (CBO) to robotics, which is guaranteed to converge to a global optimum under mild assumptions. We provide theoretical analysis and illustrative examples that give intuition into the fundamental differences between CBO and existing methods. To demonstrate the scalability of CBO for robotics problems, we consider three challenging trajectory optimization scenarios: (1) a long-horizon problem for a simple system, (2) a dynamic balance problem for a highly underactuated system, and (3) a high-dimensional problem with only a terminal cost. Our results show that CBO is able to achieve lower costs with respect to existing methods on all three challenging settings. This opens a new framework to study global trajectory optimization in robotics.
- Abstract（参考訳）: ゼロオーダー最適化は、ロボットシステムのための最適軌道とポリシーの設計において、最近大きな注目を集めている。
しかし、既存の手法(例えば、MPPI、CEM、CMA-ES)は勾配推定に依存するため、本質的に局所的である。
本稿では,ロボットにコンセンサスに基づく最適化(CBO)を導入する。
我々は,CBOと既存手法の基本的な違いを直観する理論的解析と図解例を提供する。
ロボット工学における CBO のスケーラビリティを実証するために,(1) 単純なシステムに対する長期的問題,(2) 高度不動システムに対する動的バランス問題,(3) 終端コストのみの高次元問題,の3つの課題を考察する。
以上の結果から,CBOは既存の3つの課題に対して,コストの低減を図ることが可能であることが示唆された。
これにより、ロボット工学におけるグローバルな軌道最適化を研究する新たな枠組みが開かれる。
関連論文リスト
- A Framework for Combining Optimization-Based and Analytic Inverse Kinematics [53.66628333687382]
逆運動学(IK)問題の解法と最適化法はロボティクスの歴史において深く研究されている。
IK回避のための新しい定式化を提案する。
論文 参考訳（メタデータ） (2026-02-04T22:23:32Z) - Neural Nonmyopic Bayesian Optimization in Dynamic Cost Settings [73.44599934855067]
LookaHESは、動的で履歴に依存したコスト環境のために設計された非心筋BOフレームワークである。
LookaHESは、$H$-Entropy Searchのマルチステップ版と、パスワイズサンプリングとニューラルポリシー最適化を組み合わせたものだ。
私たちの革新は、構造化されたドメイン固有のアクションスペースを効果的にナビゲートするために、大きな言語モデルを含むニューラルポリシーの統合です。
論文 参考訳（メタデータ） (2026-01-10T09:49:45Z) - BONSAI: Structure-exploiting robust Bayesian optimization for networked black-box systems under uncertainty [0.0]
シミュレーションベースモデルで一般的な部分構造的知識を活用する新しいRBOフレームワークであるBONSAIを紹介する。
既存のシミュレーションベースのROアルゴリズムと比較して、BONSAIはよりサンプリング効率が高く、高品質なロバストなソリューションを一貫して提供する。
論文 参考訳（メタデータ） (2025-10-04T18:16:17Z) - Efficient End-to-End Learning for Decision-Making: A Meta-Optimization Approach [5.84228364962637]
本稿では,最適化問題を近似する効率的なアルゴリズムを学習するメタ最適化手法を提案する。
我々は,学習方法の指数収束,近似保証,一般化境界を証明した。
この手法は計算効率に優れ、高品質な近似を高速に生成し、既存の手法と比較して問題の大きさでスケールする。
論文 参考訳（メタデータ） (2025-05-16T15:27:50Z) - Self-Steering Optimization: Autonomous Preference Optimization for Large Language Models [79.84205827056907]
本稿では,高品質な嗜好データを自律的に生成するアルゴリズムであるセルフステアリング最適化(SSO$)を提案する。
$SSO$は、ポリシーモデル自体からデータジェネレータを構築するために、特別な最適化目標を採用しています。
評価の結果,$SSO$は人選好アライメントと報酬最適化のベースラインを一貫して上回っていることがわかった。
論文 参考訳（メタデータ） (2024-10-22T16:04:03Z) - Learning Regions of Interest for Bayesian Optimization with Adaptive
Level-Set Estimation [84.0621253654014]
本稿では,高信頼領域を適応的にフィルタするBALLETというフレームワークを提案する。
理論的には、BALLETは探索空間を効率的に縮小することができ、標準BOよりも厳密な後悔を示すことができる。
論文 参考訳（メタデータ） (2023-07-25T09:45:47Z) - Contribution \`a l'Optimisation d'un Comportement Collectif pour un
Groupe de Robots Autonomes [0.0]
この論文は集団ロボット工学の分野、特にマルチロボットシステムの最適化問題を研究している。
最初の貢献は、未知領域探索問題の解決にButterfly Algorithm Optimization (BOA) を用いることである。
第2の貢献は、ロボット工学における動的増分問題をベンチマークするための新しいシミュレーションフレームワークの開発である。
論文 参考訳（メタデータ） (2023-06-10T21:49:08Z) - Model-based Causal Bayesian Optimization [78.120734120667]
モデルに基づく因果ベイズ最適化(MCBO)を提案する。
MCBOは介入と逆のペアをモデリングするのではなく、完全なシステムモデルを学ぶ。
標準的なベイズ最適化とは異なり、我々の取得関数は閉形式では評価できない。
論文 参考訳（メタデータ） (2022-11-18T14:28:21Z) - Movement Penalized Bayesian Optimization with Application to Wind Energy
Systems [84.7485307269572]
文脈ベイズ最適化(CBO)は、与えられた側情報を逐次決定する強力なフレームワークである。
この設定では、学習者は各ラウンドでコンテキスト(天気条件など)を受け取り、アクション(タービンパラメータなど)を選択する必要がある。
標準的なアルゴリズムは、すべてのラウンドで意思決定を切り替えるコストを前提としませんが、多くの実用的なアプリケーションでは、このような変更に関連するコストが最小化されるべきです。
論文 参考訳（メタデータ） (2022-10-14T20:19:32Z) - A Surrogate Objective Framework for Prediction+Optimization with Soft
Constraints [29.962390392493507]
SPO+や直接最適化のような決定に焦点をあてた予測手法が、このギャップを埋めるために提案されている。
本稿では,実世界の線形および半定値負の二次計画問題に対して,解析的に微分可能な主観的フレームワークを提案する。
論文 参考訳（メタデータ） (2021-11-22T17:09:57Z)
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。