通过安全贝叶斯优化调优腿足运动控制器
Tuning Legged Locomotion Controllers via Safe Bayesian Optimization
AI总结：
本文提出基于无模型安全贝叶斯优化的数据驱动方法，在概率安全区域内自动调优腿足机器人控制增益，并扩展至多步态上下文，实现安全高效的控制器部署。
摘要：
本文提出了一种数据驱动策略，以简化基于模型控制器在腿足机器人硬件平台上的部署。我们的方法利用无模型安全学习算法自动调优控制增益，解决控制公式中使用的简化模型与实际系统之间的不匹配问题。该方法通过在概率安全区域内进行样本高效地参数优化，大幅降低了与机器人发生危险交互的风险。此外，我们将方法的适用范围扩展至将不同步态参数作为上下文，从而得到一种安全、样本高效的探索算法，能够针对多种步态模式调优运动控制器。我们通过仿真和硬件实验验证了该方法，证明该算法在安全地调优基于模型的运动控制器方面取得了优越性能，适用于多种步态。
英文摘要：
This paper presents a data-driven strategy to streamline the deployment of model-based controllers in legged robotic hardware platforms. Our approach leverages a model-free safe learning algorithm to automate the tuning of control gains, addressing the mismatch between the simplified model used in the control formulation and the real system. This method substantially mitigates the risk of hazardous interactions with the robot by sample-efficiently optimizing parameters within a probably safe region. Additionally, we extend the applicability of our approach to incorporate the different gait parameters as contexts, leading to a safe, sample-efficient exploration algorithm capable of tuning a motion controller for diverse gait patterns. We validate our method through simulation and hardware experiments, where we demonstrate that the algorithm obtains superior performance on tuning a model-based motion controller for multiple gaits safely.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
