論文の概要: Bayesian Optimization for Learning Nonlinear MPC in Autonomous Agent Navigation
- arxiv url: http://arxiv.org/abs/2606.14763v1
- Date: Mon, 08 Jun 2026 16:08:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 18:36:04.911786
- Title: Bayesian Optimization for Learning Nonlinear MPC in Autonomous Agent Navigation
- Title（参考訳）: 自律エージェントナビゲーションにおける非線形MPC学習のためのベイズ最適化
- Authors: Lorenzo Ortolani, Gabriel Voss, Gabriele Beltrami, Francesco Dorati, Tommaso Felice Banfi,
- Abstract要約: 提案するフレームワークはロボット非依存であり,ガゼボを用いたシミュレーションにおいて,Unitree Go2の4倍の精度で評価されている。
完全なシステムは、デプロイ時に最大90.0%のナビゲーション成功率を達成するとともに、シミュレーション環境全体の評価指標を平均38.9%改善する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Real-time autonomous navigation in dynamic, unknown environments remains a fundamental challenge for mobile robotics. We propose a map-free framework that tightly integrates reactive rolling-horizon planning with nonlinear Model Predictive Control (MPC). At each control cycle, a LiDAR-based Gaussian occupancy representation is constructed and used to generate collision-free trajectories via A* search, which are then tracked by a CasADi/IPOPT MPC formulation incorporating a smooth sigmoid obstacle barrier. To improve robustness to parameter sensitivity, we adopt an offline Bayesian optimization scheme based on Tree-structured Parzen Estimators (TPE), which identifies near-optimal controller parameters with respect to a composite navigation objective. In addition, a Gaussian Process surrogate is used to analyze parameter sensitivity and provide insight into the optimization landscape. The proposed framework is robot-agnostic and is evaluated on the Unitree Go2 quadruped in simulation using Gazebo, followed by deployment on the physical robot. Experimental results show that parameters tuned in simulation transfer effectively to hardware, maintaining comparable performance without additional tuning. The full system achieves up to a 90.0\% navigation success rate when deployed, along with a 38.9\% average improvement in the evaluation metrics across simulated environments.
- Abstract（参考訳）: 動的で未知の環境でのリアルタイム自律ナビゲーションは、モバイルロボティクスにとって依然として根本的な課題である。
本稿では, 非線形モデル予測制御 (MPC) と反応性ローリング水平計画を密に統合したマップフリーフレームワークを提案する。
各制御サイクルにおいて、LiDARをベースとしたガウス占有表現を構築して、A*サーチにより衝突のない軌道を生成する。
パラメータ感度に対するロバスト性を改善するために,木構造型パーゼンエミュレータ(TPE)に基づくオフラインベイズ最適化方式を採用し,複合ナビゲーションの目的に対して最適に近いパラメータを識別する。
さらに、ガウス過程サロゲートを用いてパラメータの感度を分析し、最適化ランドスケープに関する洞察を提供する。
提案するフレームワークはロボットに依存しないため,Gazeboを用いてシミュレーションしたUnitree Go2上で評価を行い,続いて物理ロボットに展開する。
実験結果から,シミュレーション転送で調整したパラメータをハードウェアに効果的に適用し,追加チューニングなしで同等の性能を維持することができた。
完全なシステムは、デプロイ時に最大90.0\%のナビゲーション成功率を達成するとともに、シミュレーション環境全体の評価指標を平均38.9\%改善する。
関連論文リスト
- Robust Adaptive Predictive Control for Hook-Based Aerial Transportation Between Moving Platforms [1.4592997284674396]
本稿では,フック付き空中マニピュレータを用いた移動プラットフォーム間の自律的ピック・アンド・プレイスのためのモデル予測制御(MPC)手法を提案する。
提案手法の有効性は,複雑なシミュレーションシナリオや実世界の飛行実験で評価される。
論文 参考訳（メタデータ） (2026-05-04T09:14:34Z) - Predictive Control with Indirect Adaptive Laws for Payload Transportation by Quadrupedal Robots [36.62645789321095]
本稿では,四足歩行ロボットによるロバストペイロード輸送のための新しい階層的計画と制御フレームワークを開発する。
間接アダプティブ法則は、異なるペイロードの下での縮小順序(テンポレート)移動モデルの未知のパラメータを推定する。
ロボットは、荒れた地形で重量の73%のダイナミックペイロードをうまく管理する。
論文 参考訳（メタデータ） (2026-03-09T18:43:31Z) - Spatially-Aware Adaptive Trajectory Optimization with Controller-Guided Feedback for Autonomous Racing [74.83272587893508]
本稿では,NURBSに基づく軌道表現,CMA-ESグローバル軌道最適化,コントローラ誘導空間フィードバックを組み合わせた自律レースライン最適化フレームワークを提案する。
シミュレーションでは,最大静的加速度をパラメータ化したコントローラと比較して17.38%のラップタイム短縮を実現している。
高摩擦から低摩擦まで様々なタイヤ化合物で試験された実ハードウェアでは、摩擦を明示的にパラメータ化することなく、7.60%のラップタイムの改善が得られる。
論文 参考訳（メタデータ） (2026-02-17T15:10:44Z) - Heteroscedastic Bayesian Optimization-Based Dynamic PID Tuning for Accurate and Robust UAV Trajectory Tracking [12.655695094805159]
HBO-PID は Heteroscedastic Bayesian Optimization フレームワークと古典的なコントローラを統合する新しい制御アルゴリズムである。
位置精度は24.7%から42.9%向上し、角精度は40.9%から78.4%向上した。
論文 参考訳（メタデータ） (2025-12-30T14:21:17Z) - Bayesian Optimization for Automatic Tuning of Torque-Level Nonlinear Model Predictive Control [2.907225673486874]
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。
論文 参考訳（メタデータ） (2025-12-03T13:19:42Z) - Continual Adaptation: Environment-Conditional Parameter Generation for Object Detection in Dynamic Scenarios [54.58186816693791]
環境は時間と空間によって常に変化し、クローズドセットの仮定に基づいて訓練された物体検出器にとって重要な課題となる。
そこで本研究では,微調整過程をパラメータ生成に変換する機構を提案する。
特に,2経路LoRAベースのドメイン認識アダプタを最初に設計し,特徴をドメイン不変およびドメイン固有コンポーネントに分解する。
論文 参考訳（メタデータ） (2025-06-30T17:14:12Z) - Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。
具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。
ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
論文 参考訳（メタデータ） (2025-03-24T03:19:45Z) - Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。
連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。
我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
論文 参考訳（メタデータ） (2021-11-15T18:50:04Z) - Auto-Tuned Sim-to-Real Transfer [143.44593793640814]
シミュレーションで訓練されたポリシーは、しばしば現実世界に移されるときに失敗する。
ドメインのランダム化のようなこの問題に取り組む現在のアプローチには、事前の知識とエンジニアリングが必要である。
実世界に合わせてシミュレータシステムパラメータを自動的にチューニングする手法を提案する。
論文 参考訳（メタデータ） (2021-04-15T17:59:55Z) - Edge Federated Learning Via Unit-Modulus Over-The-Air Computation
(Extended Version) [64.76619508293966]
本稿では,効率の良いエッジフェデレーション学習を実現するために,UM-AirCompフレームワークを提案する。
ローカルモデルパラメータを同時にアップロードし、アナログビームフォーミングを通じてグローバルモデルパラメータを更新する。
車両間自動運転シミュレーションプラットフォームにおけるUM-AirCompの実装を実演する。
論文 参考訳（メタデータ） (2021-01-28T15:10:22Z) - 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。