基于上下文贝叶斯优化解学习的控制器自适应

在本工作中，我们提出了一种基于从上下文黑盒优化问题中学习最优解来调整控制器参数的框架。我们考虑一类在不同环境或条件下运行的动态系统控制设计问题，这些环境或条件由上下文参数表示。总体目标是在给定上下文参数的不同实现下，识别使受控系统性能最大化的控制器参数。我们将此建模为一个上下文贝叶斯优化问题，其中使用高斯过程主动学习最优解以近似控制器自适应策略。我们通过一个仿真到现实的例子验证了所提框架的有效性。我们从仿真中学习互联自动驾驶车辆与人类驾驶车辆交互的模型预测控制最优加权策略，随后将其部署于实时实验中。