面向随机模型预测控制的异方差贝叶斯优化
机器学习
2020-10-09 v2 机器人学
机器学习
摘要
模型预测控制（MPC）在涉及复杂物理系统控制的应用中已取得成功。这类控制器利用系统动力学近似模型提供的信息来模拟控制动作的效果。MPC方法还存在一些超参数，可能需要通过与物理系统交互进行相对昂贵的调参过程。因此，我们研究在随机MPC背景下对MPC方法进行微调，由于控制器动作的随机性，这带来了额外的挑战。在这些场景中，性能结果存在噪声，该噪声在可能的超参数设置域上并非同质，而是以输入依赖的方式变化。为解决这些问题，我们提出了一种考虑异方差噪声的贝叶斯优化框架，用于调优控制问题中的超参数。在基准连续控制任务和物理机器人上的实证结果支持了所提框架相对于未考虑异方差性的基线的适用性。
引用
@article{arxiv.2010.00202,
title = {Heteroscedastic Bayesian Optimisation for Stochastic Model Predictive Control},
author = {Rel Guzman and Rafael Oliveira and Fabio Ramos},
journal= {arXiv preprint arXiv:2010.00202},
year = {2020}
}
备注
Paper to appear at the IEEE Robotics and Automation Letters (RA-L)