リアプノフベース経路追従制御器のためのベイズ最適化パラメータチューニングフレームワーク

- 本論文は、Lyapunov ベースの path following controller のゲイン調整を対象とした Bayesian optimization (BO) フレームワークを提案する。 - 閉ループ系を black box として扱い、Gaussian-process surrogate を用いて controller gains を選択する。 - Honda の AI-Formula 三輪ロボットに実装し、固定 test track での反復 full-lap 実験で評価する。

- 非線形 geometric controller では複数ゲインが coupled nonlinear terms を通じて dynamics に影響し、手動 tuning は非効率で実用的な試行回数内での性能達成が難しい。 - これに対し BO は model-free exploration、不確実性の定量化、data-efficient search を提供し、各評価が高コストな実機 tuning に適する。 - 実機ロボット上で反復 full-lap 実験により有効性を示した点が特徴。

- 閉ループ系を black box とみなし、Gaussian-process surrogate で controller gains と性能の関係をモデル化する BO を適用。 - BO により parameter space の高性能領域を data-efficient に探索する。 - 実装先は Honda の AI-Formula 三輪ロボットで、固定 test track 上で評価する。

- Honda の AI-Formula 三輪ロボットを用い、固定 test track で反復 full-lap 実験を実施。 - 15 回の warm-start initial evaluations を含む 32 trials 以内で controller performance が改善した。 - 実世界条件下で parameter space の高性能領域を効率的に特定できることを示した。

- 実機実験では hardware 上の限られた evaluation budget が制約となる。 - 複数ゲインが coupled nonlinear terms を介して dynamics に影響するため、相互依存性が tuning を難しくする。 - 結果は BO が非線形 path-following controller の実用的・信頼性・data-efficient な tuning 手法であることを示唆する。 - 具体的な限界や失敗事例については要旨からは不明。

- 要旨で参照・比較されている個別研究は明示されていない。 - 関連手法として Bayesian optimization、Gaussian-process surrogate、Lyapunov based path following controller、nonlinear geometric controller が挙げられる。 - 同分野の定番として、実機ロボット制御のための BO ベース自動 tuning や Gaussian process を用いた controller optimization に関する文献を次に読む候補とする。