CURE: 机器人学中基于仿真增强的自动调参

机器人系统通常由各种子系统组成，例如定位和导航，每个子系统都包含众多可配置的组件（例如，选择不同的规划算法）。一旦为某个组件选择了算法，就必须为其相关的配置选项设置适当的值。整个系统栈中的配置选项之间存在非平凡的交互。为高度可配置的机器人找到最优配置以实现期望的性能是一项重大挑战，因为软件和硬件之间的配置选项交互导致了指数级庞大且复杂的配置空间。这些挑战因需要在不同环境和机器人平台之间进行迁移而进一步加剧。数据高效的优化算法（例如，贝叶斯优化）已越来越多地被用于自动化调整信息物理系统中的可配置参数。然而，此类优化算法在后期才收敛，通常是在耗尽分配预算（例如，优化步骤、分配时间）之后，并且缺乏迁移性。本文提出了 CURE——一种识别因果相关配置选项的方法，使优化过程能够在缩减的搜索空间中运行，从而能够更快地优化机器人性能。CURE 通过在学习源域（例如 Gazebo 模拟器这样的低成本环境）中学习一个因果模型，并将学到的知识应用于目标域（例如 Turtlebot 3 物理机器人）进行优化，来抽象各种配置选项与机器人性能目标之间的因果关系。我们通过在物理机器人和仿真中涉及不同程度部署变化的实验，展示了 CURE 的有效性和迁移性。