用于安全贝叶斯优化的元学习先验
机器学习
2023-06-13 v3 人工智能
机器人学
机器学习
摘要
在机器人领域，在安全约束下优化控制器参数是一项重要挑战。安全贝叶斯优化(BO)通过对目标与约束中的不确定性进行量化，以在此类设定中安全引导探索。然而，手工设计合适的概率模型可能颇具挑战。在存在未知安全约束的情况下，选择可靠的模型超参数以避免安全违规至关重要。在此，我们提出一种数据驱动方法来解决该问题：从离线数据中为安全BO元学习先验。我们基于一个能够在数据稀缺设定下提供可靠不确定性量化的元学习算法F-PACOH构建。作为核心贡献，我们开发了一个新颖框架，通过经验不确定性度量和前沿搜索算法以数据驱动方式选择符合安全要求的先验。在基准函数与高精度运动系统上，我们证明了我们的元学习先验能在保持安全的同时加速安全BO方法的收敛。
引用
@article{arxiv.2210.00762,
title = {Meta-Learning Priors for Safe Bayesian Optimization},
author = {Jonas Rothfuss and Christopher Koenig and Alisa Rupenyan and Andreas Krause},
journal= {arXiv preprint arXiv:2210.00762},
year = {2023}
}
备注
Conference on Robot Learning (CoRL) 2022