日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

制御チューニングarXiv:2509.17952

デジタルツインを活用したデータ駆動型制御器チューニングのためのガイド付きマルチフィデリティベイズ最適化

Guided Multi-Fidelity Bayesian Optimization for Data-driven Controller Tuning with Digital Twins

シェア:XThreadsFacebookLINEはてブBluesky

デジタルツインのシミュレーションと実機計測を統合し、モデル誤差を学習的に補正するマルチフィデリティベイズ最適化により、ロボット駆動系の制御器をデータ効率的にチューニングする手法を提案した。

詳しい要約

1. どんなもの?

- 閉ループ制御系の controller tuning を対象に、corrected digital twin シミュレーションと実機計測を統合する guided multi-fidelity Bayesian optimization フレームワーク。 - 低忠実度シミュレーションや安価な近似が使える設定を想定。 - 実データで digital twin 推定を補正する learned correction model を組み込んだ multi-fidelity surrogate を構築。 - 新規計測の到着に応じて適応し、tuning を data-efficient に行う。

2. 先行研究と比べてどこがすごい?

- 標準的な Bayesian optimization や既存の multi-fidelity 手法と比較して tuning efficiency を向上。 - digital twin の model mismatch を learned correction model で扱う点が特徴。 - digital twin 精度を再推定し、cross-source correlations と acquisition function を動的に適応。 - 精度の高いシミュレーションを多用し、不正確なシミュレーションデータを適切に downweight する仕組みを持つ。

3. 技術・手法の肝は?

- multi-fidelity surrogate に learned correction model を組み合わせ、実データで digital twin 推定を refine。 - adaptive cost-aware acquisition function が expected improvement、fidelity、sampling cost のバランスを取る。 - 新規計測が来るたびに digital twin accuracy を再推定し、cross-source correlations と acquisition function を更新。 - これにより高精度シミュレーションの利用頻度を上げ、低精度データを downweight する。

4. どうやって有効だと検証した?

- robotic drive hardware での実験と supporting numerical studies を実施。 - 標準 Bayesian optimization および multi-fidelity 手法と比較し、tuning efficiency の向上を示した。 - 具体的な評価指標や実験条件の詳細は要旨からは不明。

5. 議論はある?

- model mismatch への対処として learned correction model と動的な精度再推定を採用。 - シミュレーション精度の変化に応じた cross-source correlations と acquisition function の適応が議論の中心。 - 限界や失敗条件、計算コストの詳細な議論は要旨からは不明。

6. 次に読むべき論文は?

- 比較対象として標準 Bayesian optimization と multi-fidelity Bayesian optimization の関連研究。 - digital twin を用いた data-driven controller tuning の研究。 - learned correction model や cost-aware acquisition function に関する Bayesian optimization の研究。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Mahdi Nobar, Jürg Keller, Alessandro Forino, John Lygeros, Alisa Rupenyan

分類: cs.RO, cs.SY, eess.SY

原文アブストラクト

We propose a \textit{guided multi-fidelity Bayesian optimization} framework for data-efficient controller tuning that integrates corrected digital twin simulations with real-world measurements. The method targets closed-loop systems with limited-fidelity simulations or inexpensive approximations. To address model mismatch, we build a multi-fidelity surrogate with a learned correction model that refines digital twin estimates using real data. An adaptive cost-aware acquisition function balances expected improvement, fidelity, and sampling cost. Our method ensures adaptability as new measurements arrive. The digital twin accuracy is re-estimated, dynamically adapting both cross-source correlations and the acquisition function. This ensures that accurate simulations are used more frequently, while inaccurate simulation data are appropriately downweighted. Experiments on robotic drive hardware and supporting numerical studies demonstrate that our method enhances tuning efficiency compared to standard Bayesian optimization and multi-fidelity methods.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI