.png){kind=icon}
返回
Guided Multi-Fidelity Bayesian Optimization for Data-driven Controller Tuning with Digital Twins
.png){kind=icon}
PRE
AI
DOI：10.1109/LRA.2026.3671557.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出了一种引导式多保真贝叶斯优化框架，用于高效的数据控制器调优，该框架将校正的数字孪生仿真与真实测量相结合。该方法针对具有低保真度仿真或低成本近似值的闭环系统。为解决模型失配问题，我们构建了一个多保真代理模型，通过学习校正模型利用真实数据来改进数字孪生估计。一种自适应成本感知采集函数平衡了预期改进、保真度和采样成本。我们的方法确保了随着新测量数据的到来而具有适应性。数字孪生精度被重新估计，动态调整跨源相关性和采集函数。这确保了准确仿真被更频繁使用，而不准确仿真数据被适当降权。在机器人驱动硬件和辅助数值研究中的实验表明，与标准贝叶斯优化和多保真方法相比，我们的方法提高了调优效率。
Keyword:
Multi-fidelity Bayesian optimization
Gaussian processes
adaptive learning control
smart manufacturing
期刊
I
IF:
5.3
论文数:
1.9K
被引数:
3.9W
机构
引用论文
Learning-Based NMPC Adaptation for Autonomous Driving Using Parallelized Digital Twin使用并行化数字孪生的基于学习的NMPC自适应自动驾驶
OAAI
OAAI分享收藏Autogeneration and optimization of pick-and-place trajectories in robotic systems: A data-driven approach机器人系统中取放轨迹的自动生成和优化: 一种数据驱动的方法
OAAI
OAAI分享收藏Predicting the output from a complex computer code when fast approximations are available.png)
Biometrika
BiometrikaIF0
PREAI
分享收藏Fast and Accurate Model of Interior Permanent-Magnet Machine for Dynamic CharacterizationEnergiesOAAI
EnergiesIF0
OAAI分享收藏Safeguarding Multi-Fidelity Bayesian Optimization Against Large Model Form Errors and Heterogeneous Noise防范多保真度贝叶斯优化中的大模型形式误差和异质性噪声
PREAI
分享收藏
查看更多内容