Generalized State-Feedback Controller Synthesis for Underactuated Systems through Bayesian Optimization
欠驱动系统提出的挑战是能够控制的自由度不一定直接链接到致动器或这种关系是不直接的植物。旋转倒立摆是这样的系统的一个例子,其最简单的表示包括一个摆,其垂直角度应采取向上不稳定的位置的基础上,从另一个酒吧和一个适当的控制策略,酒吧是由电动机控制的脉冲。这个问题通常是由线性控制理论与状态反馈控制器,往往是通过设计一个满足某些约束的反馈增益获得解决。本文报道了一种贝叶斯优化方法设计一个广义的状态反馈控制器,涉及更多的参数比一个简单的状态反馈控制律,但与实现较低的控制努力的信号幅度方面的好处。源代码是公开的,以方便进一步的研究。
2021-04-04 cs.SY eess.SY
Safety-Aware Cascade Controller Tuning Using Constrained Bayesian Optimization
提出了一种基于贝叶斯优化的PID串级控制器增益自动、无模型、数据驱动的安全整定方法。优化目标由数据驱动的性能指标组成,并使用高斯过程建模。我们还引入了一个数据驱动的约束,从系统数据中捕获稳定性要求。数值计算结果表明,该方法优于继电反馈自整定,并迅速收敛到全局最优,由于定制的停止标准。我们在模拟和实验中证明了该方法的性能。对于实验实现,除了引入的安全约束,我们集成了一种方法,用于自动检测的关键增益和扩展的优化目标与惩罚取决于当前候选点的接近的关键增益。由此产生的自动调优方法在确保稳定性和标准化的同时优化了系统性能
2021-08-11 cs.SY eess.SY
Guided Bayesian Optimization: Data-Efficient Controller Tuning with Digital Twin
FHNW(西北应用科学大学);Delft University of Technology(代尔夫特理工大学)
本文提出guided Bayesian optimization算法,利用事件触发的digital twin指导无模型闭环控制器参数调整,在减少物理实验次数的同时高效找到最优参数。
2025-11-04 cs.SY eess.SY
MPC Controller Tuning using Bayesian Optimization Techniques
我们提出了一个贝叶斯优化(BO)框架调整模型预测控制器(MPC)的中央供暖,通风和空调(HVAC)工厂。这种方法将MPC的闭环性能与其整定参数之间的函数关系视为黑箱。该方法的动机是观察到通过试错法评估MPC的闭环性能是耗时的(例如,每个闭环仿真可以涉及解决数千个优化问题)。所提出的BO框架旨在通过策略性地探索和利用调优参数的空间来快速识别最优调优参数。BO框架的有效性证明了使用MPC控制器的中央HVAC工厂使用现实的数据。在这里,BO框架调整了热存储罐的回退条款,以最大限度地减少长达一年的闭环成本。仿真结果表明,BO可以找到最佳的退避条款进行13年之久的模拟,这显着减少了计算负担的一个天真的网格搜索。我们还发现,与BO获得的回退条款降低了闭环成本。
2021-04-11 cs.SY eess.SY
Safe Risk-averse Bayesian Optimization for Controller Tuning
Inspire AG(Inspire股份公司);ETH Zurich(苏黎世联邦理工学院)
针对控制器整定中未知输入相关噪声与安全约束的挑战,提出结合安全学习与风险规避贝叶斯优化的RaGoOSE方法,并在合成基准及半导体精密运动系统上验证其优于现有方法。
2023-06-23 cs.RO cs.SY eess.SY
Personalized Building Climate Control with Contextual Preferential Bayesian Optimization
本文提出了一种基于情境偏好的贝叶斯优化算法,用于实现个性化建筑气候控制,通过二元偏好反馈和情境信息提升控制器调节效率,实验显示其在 occupant utility 上提升了23%。
2025-12-10 cs.SY eess.SY
In-situ Controller Autotuning by Bayesian Optimization for Closed-loop Feedback Control of Laser Powder Bed Fusion Process
针对LPBF闭环控制器参数整定依赖人工且难迁移的问题,提出利用贝叶斯优化实现层内控制器的在线与离线自动整定,实验表明该方法能有效减少过热,但微观分析发现激光功率不足会导致未熔合孔隙。
2024-06-27 cs.SY eess.SY
Economically Efficient Combined Plant and Controller Design Using Batch Bayesian Optimization: Mathematical Framework and Airborne Wind Energy Case Study
针对无法获取系统动态解析模型时的工厂与控制器耦合优化问题,提出基于高斯过程和批量贝叶斯优化的嵌套优化框架,并在浮空风力涡轮机案例中验证其仅需少数迭代即可使参数收敛至最优。
2019-01-22 cs.SY eess.SY
Robust Parametrization of a Model Predictive Controller for a CNC Machining Center Using Bayesian Optimization
诸如模型预测控制(MPC)和状态估计器的控制算法依赖于多个不同的参数。闭环的性能通常取决于这些参数的正确设置。调整通常由专家基于系统的仿真模型手动完成。这一程序产生了两个问题。首先,专家需要熟练,并且仍然可能无法找到最佳参数化。其次,由于仿真中的模型不准确,仿真模型的性能可能无法转移到现实世界的应用程序中。有了这个贡献,我们演示了工业铣削过程中贝叶斯优化如何自动化的调整过程,并帮助解决上述问题。鲁棒参数化是确保扰动的模拟与任意分布的模型植物失配。目标是最小化期望的积分参考跟踪误差,保证可接受的最坏情况下的行为,同时保持实时能力。这些口头要求被转化为受约束的随机混合整数黑箱优化问题。一个两阶段的最小-最大型贝叶斯优化程序的开发和比较基准算法在数控加工中心的仿真研究。它展示了如何通过贝叶斯优化获得的经验性能模型可以用来分析和可视化的结果。结果表明,优越的性能的情况下,只有标称模型用于控制器合成。优化后的参数化显著改善了初始手动调整的参数化。
2020-10-14 cs.SY eess.SY
Local Bayesian Optimization for Controller Tuning with Crash Constraints
Institute of Automatic Control, RWTH Aachen University(亚琛工业大学自动控制研究所);Institute for Data Science in Mechanical Engineering, RWTH Aachen University(亚琛工业大学机械工程数据科学研究所)
本文针对高维控制器整定问题,提出一种带崩溃约束的局部贝叶斯优化方法,并通过仿真与硬件实验验证其能提升性能并减少整定成本。
2024-11-25 cs.LG cs.SY eess.SY
Robustness of Control Design via Bayesian Learning
Boise State University(博伊西州立大学)
在监督学习领域,贝叶斯学习在输入和参数扰动下显示出强大的预测能力。受这些发现的启发,我们证明了贝叶斯学习在控制搜索任务中的鲁棒性。我们试图找到一个线性控制器,稳定的一维开环不稳定随机系统。我们比较两种方法来推导控制器:第一(确定性)一个假设完美的知识系统参数和状态,第二个考虑到两者的不确定性,并采用贝叶斯学习计算后验分布的控制器。
2022-05-13 cs.LG cs.SY eess.SY
Bayesian Meta-Learning on Control Barrier Functions with Data from On-Board Sensors
本文提出利用贝叶斯元学习框架学习控制屏障函数,使机器人能在未知环境中仅凭少量机载传感器数据快速适应新环境并在线合成安全控制器,同时提供概率安全保证。
2023-08-10 cs.SY eess.SY
Bayesian Optimization Based Grid Point Allocation for LPV and Robust Control
Eindhoven University of Technology(埃因霍温理工大学);Breda University of Applied Sciences(布雷达应用科学大学);HUN-REN SZTAKI(匈牙利研究网络 Széchenyi 人工智能研究所)
本文提出基于贝叶斯优化的网格点分配方法,用于高效设计LPV和鲁棒控制器,通过自动确定信息量足够的网格点,提升系统稳定性和性能。
2026-02-13 cs.SY eess.SY
Efficient Learning of Vehicle Controller Parameters via Multi-Fidelity Bayesian Optimization: From Simulation to Experiment
Group Innovation, Volkswagen AG(大众集团创新部门);Control and Cyber-Physical Systems Laboratory, Technical University of Darmstadt(技术大学达姆施塔特控制与网络物理系统实验室)
针对车辆控制器参数调优成本高、依赖大量实车测试的问题,提出集成自回归多保真度高斯过程的贝叶斯优化方法,利用仿真与少量实车实验实现高效参数迁移与调优。
2025-06-10 cs.RO cs.SY eess.SY
PAC-Bayesian Optimal Control with Stability and Generalization Guarantees
Institute of Mechanical Engineering, EPFL(洛桑联邦理工学院机械工程学院)
本文提出一种基于PAC-Bayesian框架的最优控制方法,通过平衡经验性能与先验知识,保证闭环稳定性并提升泛化能力。
2025-12-02 cs.SY eess.SY
Lipschitz Safe Bayesian Optimization for Automotive Control
本文提出一种仅依赖Lipschitz假设的安全贝叶斯优化算法,可同时满足多个安全约束,并在仿真和实车上实现自动驾驶轨迹跟踪控制器的自动整定。
2025-03-11 cs.SY eess.SY
Bayesian Optimization Parameter Tuning Framework for a Lyapunov Based Path Following Controller
针对非线性几何控制器中参数相互依赖导致手动调优效率低的问题,提出一种将闭环系统视为黑箱、利用高斯过程代理模型进行贝叶斯优化的数据高效调优方法,并在本田AI-Formula三轮机器人上验证了其在32次试验内提升控制器性能的有效性。
2026-05-27 cs.RO cs.SY eess.SY
High-Dimensional Surrogate Modeling for Closed-Loop Learning of Neural-Network-Parameterized Model Predictive Control
Control and Cyber-Physical Systems Laboratory, Technical University of Darmstadt(控制与物理系统实验室,德累斯顿技术大学)
本文提出使用贝叶斯神经网络替代模型改进高维控制器参数化学习,通过实验验证其在闭环优化中的有效性与稳定性。
2025-12-12 cs.LG cs.SY eess.SY
Guided Multi-Fidelity Bayesian Optimization for Data-driven Controller Tuning with Digital Twins
ETH Zürich(苏黎世联邦理工学院);FHNW(弗里堡联邦理工学院);Maxon Motor AG(Maxon电机有限公司);ZHAW Zurich University for Applied Sciences(苏黎世应用科学大学);ZHAW Centre for AI(ZHAW人工智能中心)
针对控制器整定中数字孪生模型失配与采样成本问题,提出带学习校正和成本感知采集的多保真贝叶斯优化框架,实验证明其整定效率优于标准及现有多保真方法。
2025-10-18 cs.RO cs.SY eess.SY
Sample-efficient Model Predictive Control Design of Soft Robotics by Bayesian Optimization
Michigan State University(密歇根州立大学);Utah State University(犹他州立大学)
提出了一种基于贝叶斯优化的数据驱动模型预测控制(MPC)设计方法。该方法不需要对软体机器人的复杂动力学模型进行建模,而是利用贝叶斯优化方法搜索最佳预测的低维预测模型及其控制器,以最小化闭环响应的目标函数。在每次迭代中,通过贝叶斯优化从闭环输入-输出数据更新预测模型。然后基于更新的预测模型设计线性MPC,并基于闭环响应进行评估。与直接搜索控制器参数不同,闭环系统的稳定性和输入/输出约束可以很容易地在MPC设计中处理。经过几次迭代,可以得到一个收敛的(次)最优控制器的解决方案,它最小化用户定义的闭环性能指标。通过一个柔索驱动的软体机器人的高保真仿真,对所提出的方法进行了仿真和验证。仿真结果表明,所提出的方法可以实现理想的跟踪控制器的软体机器人没有事先已知的模型。
2022-10-17 cs.RO cs.SY eess.SY
Performance-based Trajectory Optimization for Path Following Control Using Bayesian Optimization
本文提出一种基于贝叶斯优化的样本高效调参算法,通过高斯过程建模性能指标,在分层轮廓控制中平衡快速遍历、跟踪精度与振动抑制,实现最佳加工性能。
2024-04-29 cs.SY eess.SY
A Multi-Fidelity Bayesian Approach to Safe Controller Design
本文提出SAFE-SLOPE算法,在Lipschitz常数未知时利用多保真高斯过程模型安全评估函数,并证明其在寻找线性时不变系统控制增益时比朴素采样方法具有更低的累积遗憾。
2023-08-09 cs.SY eess.SY
Cascade Control: Data-Driven Tuning Approach Based on Bayesian Optimization
级联控制器整定是一个多步骤的迭代过程,需要在机械系统的维护和修改时进行例行执行。提出了一种基于贝叶斯优化的数据驱动的级联控制器自动整定方法。该方法进行了测试的线性轴驱动器,建模使用的第一原理模型和系统辨识的组合。一个自定义的代价函数的基础上的性能指标,从系统数据在不同的候选配置的控制器参数建模的高斯过程。它进一步优化的采集功能,作为一个采样标准,以确定随后的候选配置的实验试验和改进的成本模型迭代的最小化,直到最小值根据终止criterion被发现,这导致在一个数据有效的过程,可以很容易地适应于变化的负载或机械修改的系统。该方法进一步比较了几个经典的方法进行自动调整,并根据定义的数据驱动的性能指标,表现出更高的性能。研究了训练数据对代价先验对达到最优所需迭代次数的影响,证明了贝叶斯优化调整方法的有效性。
2020-05-16 cs.SY eess.SY
Falsification of Learning-Based Controllers through Multi-Fidelity Bayesian Optimization
West Virginia University(西弗吉尼亚大学);Stanford University(斯坦福大学);Rochester Institute of Technology(罗切斯特理工学院)
针对全保真仿真证伪学习型控制器安全性计算成本高的问题,提出基于贝叶斯优化的多保真度证伪框架,可自动切换高低保真仿真,在保证证伪性能的同时大幅降低成本。
2023-04-28 cs.LG cs.SY eess.SY
Data-driven adaptive building thermal controller tuning with constraints: A primal-dual contextual Bayesian optimization approach
Swiss Federal Laboratories for Materials Science and Technology (Empa)(瑞士联邦材料科学与技术实验室(Empa));Swiss Federal Institute of Technology Lausanne (EPFL)(洛桑瑞士联邦理工学院(EPFL))
针对带约束的建筑热控制器参数自适应调优问题,提出原始-对偶上下文贝叶斯优化方法,在仿真中实现更优的能耗节省与热不适度控制,还可跟踪时变约束阈值。
2023-10-01 cs.LG cs.SY eess.SY
Bayesian Multi-Task Learning MPC for Robotic Mobile Manipulation
ETH Zurich(苏黎世联邦理工学院)
由于需要解决许多不同的任务,例如开门或拾取和放置物体,机器人中的移动操作具有挑战性。通常,机器人的基本第一原理系统描述是可用的,从而激励基于模型的控制器的使用。然而,机器人动力学及其与物体的相互作用受到不确定性的影响,限制了控制器的性能。为了解决这个问题,我们提出了一个贝叶斯多任务学习模型,使用三角基函数来识别动态中的错误。通过这种方式,可以利用来自不同但相关的任务的数据来提供描述性错误模型,该模型可以针对新的、看不见的任务进行有效的在线更新。我们将这种学习方案与模型预测控制器相结合,并广泛测试所提出的方法的有效性,包括与现有的基线控制器的比较。我们目前的模拟测试与球平衡机器人,和开门硬件实验与四足机械手。
2023-03-21 cs.RO cs.SY eess.SY
On Controller Tuning with Time-Varying Bayesian Optimization
RWTH Aachen University(亚琛工业大学);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
针对变化环境下控制器在线调参问题,提出一种基于不确定性注入(UI)和凸性建模的时变贝叶斯优化遗忘策略,有效降低了遗憾并减少了不稳定参数配置。
2022-07-22 cs.LG cs.SY eess.SY
A Data-Driven Automatic Tuning Method for MPC under Uncertainty using Constrained Bayesian Optimization
模型预测控制器(MPC)的闭环性能对预测模型的选择、控制器公式和整定参数很敏感。然而,预测模型通常针对预测精度而不是性能进行优化,并且MPC调谐通常手动完成以满足(概率)约束。在这项工作中,我们展示了一个通用的方法,自动调整MPC下的不确定性。特别是,我们制定的自动调谐问题作为一个受约束的黑盒优化问题,可以解决与衍生自由优化。我们依赖于贝叶斯优化(BO)的约束变体来解决MPC调整问题,该问题可以直接处理噪声和昂贵的评估功能。所提出的自动调整方法的好处是证明了一个基准的连续搅拌釜反应器的例子。
2020-11-24 cs.SY eess.SY
A Decade of Bayesian Optimization for Controller Tuning and Robot Learning: Tutorial, Review, and Future Prospects
RWTH Aachen University(亚琛工业大学);University of Technology Nuremberg(纽伦堡工业大学);Technical University of Munich(慕尼黑工业大学)
本文综述贝叶斯优化在控制器调参和机器人学习中的十年进展,提供教程式设置指南、方法分类,并针对控制应用缺乏标准基准的问题,提出轻量级基准套件及评估指标。
2026-09-10 cs.RO cs.SY eess.SY
Stability-informed Bayesian Optimization for MPC Cost Function Learning
Technical University of Darmstadt(达姆施塔特工业大学);University of California, Berkeley(加利福尼亚大学伯克利分校)
本文提出一种稳定性信息贝叶斯优化方法,用于学习MPC代价函数,通过约束优化闭环性能并保证稳定性,仿真验证了其有效性与安全性。
2024-04-18 cs.LG cs.SY eess.SY
ECCBO: An Inherently Safe Bayesian Optimization with Embedded Constraint Control for Real-Time Optimization
提出ECCBO框架,用反馈控制器将约束控制到设定值,并由贝叶斯优化搜索这些设定值,从而在无过程模型条件下实现始终可行、零累积约束违反的实时优化。
2024-02-28 cs.SY eess.SY math.OC
A Sequential Learning Algorithm for Probabilistically Robust Controller Tuning
我们引入了一个顺序学习算法来解决一个鲁棒控制器的调整问题,这实际上,发现(以高概率)的候选解决方案,满足内部性能约束的机会约束的程序,具有黑盒功能。该算法利用了随机算法和有序优化领域的思想,并与场景方法进行了比较;这些方法以前都被应用于寻找困难设计问题的近似解。通过黑盒采样利用统计相关性,我们正式证明,我们的算法产生一个控制器满足规定的概率性能指标。此外,我们用算法的停时的概率下界来描述算法的计算要求。为了验证我们的工作,该算法,然后证明了调整模型预测控制器的柴油发动机的空气路径在车队的车辆。该算法成功地调整了一个单一的控制器,以满足所需的跟踪误差性能,即使在存在的植物固有的不确定性在整个舰队。此外,该算法被证明表现出一个样本的复杂性相媲美的场景的方法。
2021-10-17 cs.SY eess.SY math.OC
Adaptive Bayesian Optimization for High-Precision Motion Systems
Inspire AG(因斯皮尔公司)
针对贝叶斯优化计算成本高难以用于实时场景的问题,提出基于GoOSE的实时无模型自适应控制方法,通过算法修改提升计算效率与并行化,并在半导体精密运动系统上验证了其优于基线方法的性能。
2024-04-22 cs.LG cs.RO cs.SY
Vehicle Cabin Climate MPC Parameter Tuning Using Constrained Contextual Bayesian Optimization (C-CMES)
针对车辆多区域座舱气候MPC因外部流量变化导致性能下降的整定难题,提出基于约束上下文贝叶斯优化的流量依赖鲁棒参数整定方法,含后处理平滑步骤,仿真验证其性能优于恒定参数化且超调更低、行为更一致。
2023-10-05 cs.SY eess.SY
Distributed Model Predictive Control Design for Multi-agent Systems via Bayesian Optimization
针对多智能体系统中局部模型不完善的问题,提出融合ADMM的MABO算法与对偶分解框架的DMPC协同学习方法,经理论证明其最优收敛性,数值算例验证可提升闭环控制性能。
2025-05-19 cs.SY eess.SY
Benchmark of Bayesian Optimization and Metaheuristics for Control Engineering Tuning Problems with Crash Constraints
基于黑盒优化的控制器调整允许自动调整性能关键参数,大部分是任意的高级闭环控制目标。然而,一个全面的基准测试不同的黑盒优化控制工程问题尚未进行。因此,在这方面的贡献,11个不同版本的贝叶斯优化(BO)进行了比较,7元和其他基线上的一组10个确定性模拟单目标调整控制问题。结果表明,确定性噪声,低多模态,和大量的领域与不可行的参数化(碰撞约束)表征控制工程调整问题。因此,一个灵活的方法来处理碰撞约束与BO。与标准BO相比,显示了样品效率的提高。此外,基准测试结果表明,模式搜索(PS)的预算25 d的目标函数的评估和问题的维数d = 2的表现最好。贝叶斯自适应直接搜索,BO和PS的组合,被证明是最有效的样本为3 <= d <= 5。使用这些优化器而不是随机搜索,控制器性能平均提高6.6%,最高可达16.1%。
2022-11-04 cs.SY eess.SY
Verifying Controllers Against Adversarial Examples with Bayesian Optimization
Microsoft Research, Redmond(微软研究院(红mond))
本文提出基于贝叶斯优化的主动测试框架,用于验证控制器的安全性,通过逻辑定义安全约束并高效搜索行为空间以发现违反安全规范的对抗示例。
2018-02-26 cs.LG cs.RO cs.SY
Safe and Efficient Model-free Adaptive Control via Bayesian Optimization
Inspire AG(因斯派尔公司);ETH Zurich(苏黎世联邦理工学院)
自适应控制方法产生高性能的控制器时,精确的系统模型或合适的参数化的控制器是可用的。现有的数据驱动的自适应控制方法大多是增加标准的基于模型的方法与额外的信息的不确定性的动态或有关的干扰。在这项工作中,我们提出了一个纯粹的数据驱动的,无模型的自适应控制的方法。仅根据系统数据调整低级控制器会引起对底层算法安全性和计算性能的担忧。因此,我们的方法建立在GooSE,一种安全和样本效率的贝叶斯优化算法。我们介绍了几个计算和算法的修改GOOSE,使其实际使用的旋转运动系统。我们数值证明了几种类型的干扰,我们的方法是样本有效的,优于约束贝叶斯优化的安全性,并实现网格评估计算的性能最优。我们进一步证明了所提出的自适应控制方法实验上的旋转运动系统。
2021-03-02 cs.AI cs.LG cs.RO
Bayesian Controller Fusion: Leveraging Control Priors in Deep Reinforcement Learning for Robotics
Queensland University of Technology(昆士兰科技大学)
本文提出 Bayesian Controller Fusion (BCF) 混合控制策略,通过融合传统手工控制器和无模型深度强化学习的不确定性感知分布式输出进行控制仲裁,实现了安全、高效的探索,并在真实机器人导航和到达任务中显著超越单一方法性能。
2023-04-03 cs.AI cs.RO cs.SY
Robotic Control Optimization Through Kernel Selection in Safe Bayesian Optimization
School of Data Science, The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳)数据科学学院);Singapore Institute of Manufacturing Technology, A*STAR(新加坡制造技术研究院(新加坡科研局));Department of Electrical and Computer Engineering, National University of Singapore(新加坡国立大学电气与计算机工程系);Robotics and Autonomous Systems Thrust, The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州)机器人与自主系统学部)
本文提出一种基于学习的控制优化方法,通过核选择增强加性高斯过程的安全贝叶斯优化算法,高效解决高维复杂系统的多控制器优化问题,并在Safe Control Gym基准的无人机PID控制中验证了其优于现有技术的显著改进。
2024-11-12 cs.RO cs.SY eess.SY
Efficient Controller Learning from Human Preferences and Numerical Data Via Multi-Modal Surrogate Models
Control and Cyber-Physical Systems Laboratory, Technical University of Darmstadt(控制与网络物理系统实验室,德累斯顿技术大学);Volkswagen AG(大众汽车集团)
本文提出一种多保真度、多模态贝叶斯优化框架,结合低保真度数值数据与高保真度人类偏好,提升控制器学习效率。
2026-03-25 cs.LG cs.SY eess.SY
On the Design of LQR Kernels for Efficient Controller Learning
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Computational Learning and Motor Control Lab(计算学习与运动控制实验室)
本文提出两种基于LQR结构的核,用于改进基于贝叶斯优化的控制器学习,通过模拟线性和非线性系统证明其优于传统GP方法。
2017-09-20 cs.LG cs.SY eess.SY
Enhancement of Energy-Based Swing-Up Controller via Entropy Search
School of Electrical Engineering, KAIST, Daejeon, Korea.(韩国成均馆大学电气工程学院)
本文利用熵搜索进行贝叶斯优化,改进基于能量的控制器,以实现旋转倒立摆(Furuta摆)的摆动控制,实验表明该控制器在各种初始条件下性能优于常规控制器。
2019-04-03 cs.LG cs.SY eess.SY
Bayesian Optimization Meets Hybrid Zero Dynamics: Safe Parameter Learning for Bipedal Locomotion Control
University of California, Berkeley(加州大学伯克利分校)
在本文中,我们提出了一个多域控制参数学习框架,结合贝叶斯优化(BO)和混合零动态(HZD)的双足机器人的运动控制。我们利用BO来学习基于HZD的控制器中使用的控制参数。学习过程首先部署在仿真中,以优化不同的控制参数,为一个大的剧目的步态。接下来,为了解决模拟与现实世界之间的差异,将学习过程应用于物理机器人,以学习对模拟中学习的控制参数的校正,同时还考虑步态稳定性的安全约束。该方法在真实世界中使用少量样本实现了有效的模拟到真实的转换,并且不需要有效的控制器来初始化仿真中的训练。我们提出的学习框架进行了实验部署和验证的双足机器人卡西执行多功能的运动技能,提高性能的平滑步行步态和减少稳态跟踪误差。
2022-03-04 cs.AI cs.RO cs.SY
Bayesian Optimization for Automatic Tuning of Torque-Level Nonlinear Model Predictive Control
NCCR Automation(自动化国家中心(NCCR Automation))
本文提出基于贝叶斯优化和数字孪生的扭矩级非线性模型预测控制自动调优方法,显著提升轨迹跟踪性能并减少求解时间。
2025-12-03 cs.AI cs.RO cs.SY