带安全约束的贝叶斯优化：机器人学中的安全自动参数调优

机器人算法通常依赖于各种参数，其选择显著影响机器人性能。虽然可从机器人动态模型获得参数的初始猜测，但通常在真实系统上手动调节参数以实现最佳性能。诸如贝叶斯优化等优化算法已被用于使该过程自动化。然而，这些方法在优化过程中可能评估不安全参数，导致安全关键系统故障。最近，一种称为SafeOpt的安全贝叶斯优化算法被开发出来，其保证系统性能从不低于临界值；即安全性基于性能函数定义。然而，在机器人学中将性能与安全耦合通常不可取。例如，高增益控制器可能实现低平均跟踪误差（性能），但可能超调并违反输入约束。本文中，我们提出一种广义算法，允许与目标分离的多个安全约束。给定一组初始安全参数，该算法最大化性能，但仅以高概率评估满足所有约束安全性的参数。为此，它通过利用高斯过程先验的正则性假设仔细探索参数空间。此外，我们展示如何利用上下文变量将知识安全迁移到新情境与任务。我们提供理论分析，并证明所提算法在四旋翼飞行器实验中实现了快速、自动且安全的调参优化。