通过元学习实现数据驱动模型预测控制的高效自动调参
机器人学
2024-04-02 v1 机器学习
摘要
AutoMPC是一个自动化和优化数据驱动模型预测控制的Python包。然而，在使用纯贝叶斯优化探索大搜索空间时，它可能计算成本高昂且不稳定。为了解决这些问题，本文提出采用一种称为Portfolio的元学习方法，通过热启动贝叶斯优化来提高AutoMPC的效率和稳定性。Portfolio利用来自先前任务的多样化配置集优化贝叶斯优化的初始设计，并通过固定初始配置（而非随机选择）来稳定调参过程。实验结果表明，在11个非线性控制仿真基准和1个物理水下软体机器人数据集上，Portfolio在有限计算资源下为AutoMPC寻找理想解决方案方面优于纯贝叶斯优化。
引用
@article{arxiv.2404.00232,
title = {Efficient Automatic Tuning for Data-driven Model Predictive Control via Meta-Learning},
author = {Baoyu Li and William Edwards and Kris Hauser},
journal= {arXiv preprint arXiv:2404.00232},
year = {2024}
}
备注
ICRA 2023 Workshop on Effective Representations, Abstractions, and Priors for Robot Learning (RAP4Robots)