用于汽车控制的 Lipschitz 安全贝叶斯优化

控制器调优是一个需要人工干预和专家知识的劳动密集型过程。贝叶斯优化已成功应用于不同领域以实现该过程的自动化。然而，在硬件上进行调优时（例如在汽车应用中），通常会出现严格的安全要求。为了获得安全保证，许多现有的安全贝叶斯优化方法依赖于在实践中难以验证的假设。这导致在许多应用中使用了不合理的启发式方法，从而使理论安全保证失效。此外，应用通常需要同时满足多个安全约束。基于最近提出的仅依赖 Lipschitz 的安全贝叶斯优化，我们开发了一种算法，该算法依赖于易于解释的假设，并同时满足多个安全约束。我们将该算法应用于自动驾驶汽车轨迹跟踪控制器的自动调优问题。来自模拟和实际测试车辆的结果均突显了该算法在不驶出车道或不违反任何其他安全约束的情况下学习跟踪控制器的能力。