Bayesian Optimization with Safety Constraints: Safe and Automatic\n Parameter Tuning in Robotics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Robotic algorithms typically depend on various parameters, the choice of\nwhich significantly affects the robot's performance. While an initial guess for\nthe parameters may be obtained from dynamic models of the robot, parameters are\nusually tuned manually on the real system to achieve the best performance.\nOptimization algorithms, such as Bayesian optimization, have been used to\nautomate this process. However, these methods may evaluate unsafe parameters\nduring the optimization process that lead to safety-critical system failures.\nRecently, a safe Bayesian optimization algorithm, called SafeOpt, has been\ndeveloped, which guarantees that the performance of the system never falls\nbelow a critical value; that is, safety is defined based on the performance\nfunction. However, coupling performance and safety is often not desirable in\nrobotics. For example, high-gain controllers might achieve low average tracking\nerror (performance), but can overshoot and violate input constraints. In this\npaper, we present a generalized algorithm that allows for multiple safety\nconstraints separate from the objective. Given an initial set of safe\nparameters, the algorithm maximizes performance but only evaluates parameters\nthat satisfy safety for all constraints with high probability. To this end, it\ncarefully explores the parameter space by exploiting regularity assumptions in\nterms of a Gaussian process prior. Moreover, we show how context variables can\nbe used to safely transfer knowledge to new situations and tasks. We provide a\ntheoretical analysis and demonstrate that the proposed algorithm enables fast,\nautomatic, and safe optimization of tuning parameters in experiments on a\nquadrotor vehicle.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle