Sep, 2015

基于高斯过程的四旋翼安全控制优化

PDF
TL;DR本文介绍一种为解决调参过程可能导致的安全失败问题而开发的安全优化算法 ——SafeOpt，该算法通过将性能度量建模为高斯过程并探索高于安全性能阈值的新控制器参数来自动优化控制器参数，以实现快速、自动和安全的控制器参数优化，实验数据表明该方法可以在不需要人工干预的情况下快速、自动、安全地优化控制器参数。
controller parametersdynamic systemsmachine learningbayesian optimizationsafe optimization algorithm
发现论文，激发创造
  • 具有安全约束的贝叶斯优化：机器人中的安全自动参数调整

    该论文提出一种基于安全约束的 Bayesian 优化算法，通过高斯过程先验和上下文变量，在保证安全的前提下实现对机器人算法参数的快速优化。

    Feb, 2016

  • 通过安全贝叶斯优化调整四肢行走控制器

    本文提出了一种数据驱动的策略，通过利用模型无关的安全学习算法，自动调整控制增益来简化机器人硬件平台中基于模型的控制器的部署，从而解决了控制制定中所使用的简化模型与实际系统之间的不匹配问题，并通过模拟和硬件实验验证了该方法的有效性。

    Jun, 2023

  • 自适应贝叶斯优化在高精度运动系统中的应用

    在这项工作中，我们提出了一种基于 GoOSE 算法的实时纯数据驱动的自适应控制方法，用于在线调整低级控制器参数，从而处理性能和稳定性的要求，并通过修改负载和参考步长将其与插值约束优化方法进行比较，用于评估算法在半导体行业应用中实现的真实精密运动系统的性能。

    Apr, 2024

  • 安全多任务贝叶斯优化

    将健壮的高斯过程均匀误差边界扩展到多任务设置，通过后验超参数分布的马尔科夫链蒙特卡罗方法计算置信区间，应用贝叶斯优化来安全优化系统并结合模型的测量数据，仿真表明与其他最先进的安全贝叶斯优化方法相比，优化过程可以显著加速，取决于模型的准确性。

    Dec, 2023

  • 使用贝叶斯优化验证控制器抵抗对抗性样本

    本文提出了一种基于贝叶斯优化和逻辑约束的主动测试框架，用于测试具有复杂安全规范的机器人行为。实验结果表明，该方法能够快速发现对抗性的案例。

    Feb, 2018

  • 使用障碍证明实现四旋翼动力学的安全学习

    该论文提出基于高斯过程的数据驱动方法，学习部分未知环境下四旋翼的模型，采用屏障证明方法确保学习过程的安全，并设计了学习控制器以及递归高斯过程预测方法，模拟结果表明该方法的有效性。

    Oct, 2017

  • 高阶不确定模型中的实时自适应安全关键控制与高斯过程

    本文提出了一种适应不确定参数系统的自适应在线学习框架，以确保非平稳环境下的安全临界控制；该方法包括两个阶段，第一阶段基于稀疏高斯过程算法改进，第二阶段提出了基于高阶控制屏障函数的安全过滤器与学习模型相结合，并通过实时障碍物避免实验证明了算法的有效性。

    Feb, 2024

  • 安全贝叶斯优化的元学习先验

    本文提出一种基于元学习的数据驱动方法，以从离线数据中元学习优化安全贝叶斯优化的先验知识，通过经验不确定度度量和前沿搜索算法选择符合安全限制的先验范围，加速了安全 BO 方法的收敛速度并保持了安全。

    Oct, 2022

  • 阶段安全的高斯过程贝叶斯优化

    本研究针对优化未知效用函数的绝对或偏好反馈时的安全性约束问题，提出了一种有效的安全贝叶斯优化算法 StageOpt，并通过理论和临床实验验证了 StageOpt 在扩展安全区域和最大化效用函数两个阶段上的高效性和效果优于现有方法的特点。

    Jun, 2018

  • 关于安全的安全贝叶斯优化

    研究提出了一种基于安全保证的 SafeOpt 算法的改进，通过使用最新的高斯过程界限来保留所有的理论保证，并且引入了 Lipschitz-only Safe Bayesian Optimization 算法，它在没有 RKHS 边界假设的情况下保证了安全性，并且在多种函数类上表现出优于现有算法的性能，同时还提出了 Lipschitz-only GP-UCB 来扩展算法在高维问题上的适用性。

    Mar, 2024