Oct, 2019

贝叶斯优化在机器人学习中遇到了黎曼流形

PDF
TL;DR该研究提出了一种使用 Riemannian 流形理论的方法，以在机器人学领域中处理非欧几里德参数空间的高维度问题，从而增强了贝叶斯优化的效果，测试结果表明该方法具有较好的性能。
bayesian optimizationroboticsparametric policiesriemannian manifold theorynon-euclidean parameter spaces
发现论文，激发创造
  • 利用随机先验网络进行高维输出的可伸缩贝叶斯优化

    本文提出了一个深度学习框架，基于具有随机先验的 bootstrap 整合的神经体系结构，用于贝叶斯优化和连续决策。该框架能够在高维输出的情况下逼近设计变量和感兴趣数量之间的函数关系，测试表明该方法在优化轮毂叶片的形状等高度复杂的任务中具有明显的优越性。

    Feb, 2023

  • 高维贝叶斯优化中线性嵌入的重新审视

    本文通过对现有线性嵌入的文献进行研究后，识别出其中的一些关键问题和误解，并在解决这些问题的基础上，极大地提高了利用线性嵌入进行 Bayesian 优化的效能，包括机器人运动中学习步态策略等方面。

    Jan, 2020

  • 机器人学习在流形上的非参数回归

    本研究提出了一种在机器人学习中处理非欧几里德流形数值数据的本质方法，该方法通过在流形上选择适当的概率分布，并将其参数作为预测变量的函数进行非参数化估计，同时结合核函数的局部似然方法，实现了比投影算法更好的预测准确性。

    Oct, 2023

  • 通过随机嵌入在十亿维度上进行贝叶斯优化

    本文介绍了 Random Embedding Bayesian Optimization (REMBO) 算法，运用随机嵌入思想来攻克高维度问题，此算法简单且具有重要的不变性，应用于具有连续和分类变量的领域，经理论和实证分析证明 REMBO 可在高达数十亿个维度的问题中有效地解决问题，其在优化流行的混合整数线性规划求解器的 47 个离散参数方面也达到了状态的最佳表现。

    Jan, 2013

  • 基于贝叶斯优化的多样解发现

    ROBOT 使用排序和信任区间的方法来找到不同的高性能解决方案，相较于寻找单一最佳解决方案，只需要进行少量的额外函数评估。

    Oct, 2022

  • 学习的李群上的反应式运动生成

    本文从 Riemann 流形的角度研究了机器人运动学习范式，并探讨了通过人类示范学习获得 Riemann 流形以及通过利用考虑障碍物的周围度量重新塑造学习的流形来促进末端点 / 多肢体避障的技术。通过 7 自由度机器人操作机械臂展示了学习和生成基于复杂运动模式的运动技能的能力，并评估了多种障碍物避开策略和在多种模式下生成轨迹。

    Mar, 2022

  • 加速物理发现的非交互性和交互性多保真贝叶斯优化：当前挑战和未来机遇

    在计算材料发现领域，通过多样的交互工作流程和基于贝叶斯优化的多层次恒定调整，结合数据、物理和实时人工决策，提高了对多维参数空间的探索效率。

    Feb, 2024

  • 利用局部高斯过程限制搜索维度的贝叶斯优化

    通过限制搜索维度并利用本地高斯过程回归（LGPR）将贝叶斯优化（BO）扩展到更高维度，提高了预测准确性、搜索效率和高斯过程回归中的时间复杂度。在 20D Ackley 和 Rosenbrock 函数的评估中，搜索效率相比其他方法提高了约 69% 和 40%，并将该方法应用于功率半导体器件的自动设计任务，成功将特定导通电阻降低到传统方法的 25％以及没有 LGPR 的情况下的 3.4％。

    Mar, 2024

  • 高维搜索空间上的多目标贝叶斯优化

    本文提出了一种可伸缩的多目标贝叶斯优化算法 MORBO，通过同时在设计空间的多个本地区域中使用协调策略进行并行优化，远高于现有算法的采样效率，适用于高维度的综合问题。

    Sep, 2021

  • 基于黎曼优化的距离几何逆运动学

    本文提出了基于距离几何的逆运动学求解器，并结合 Riemannian 优化算法，初值平滑技术等方法，实现了更高效的求解方法。

    Aug, 2021