.png){kind=icon}
返回
Preferential Bayesian Optimization With Crash Feedback
.png){kind=icon}
PRE
AI
DOI：10.1109/LRA.2026.3665446.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
贝叶斯优化是一种在控制与机器人领域内用于参数学习的流行黑箱优化方法。它通常需要用户优化目标所反映的目标函数。然而，在实际应用中，由于性能指标复杂或不可测量，该目标函数往往难以获取。偏好贝叶斯优化（PBO）通过利用成对比较中的人机反馈来克服这一限制，从而无需明确的性能量化。当将PBO应用于硬件系统（如四旋翼控制）时，事故可能导致耗时实验重置、设备磨损或其它不期望的结果。标准PBO方法无法纳入此类事故实验的反馈，导致探索的参数频繁引发实验事故。因此，我们引入CrashPBO，一种用户友好的机制，能够使用户在优化过程中同时表达偏好和报告事故。在合成函数上的基准测试表明，该机制将事故率降低了63%，并提高了数据效率。通过在三个机器人平台上的实验，我们证明了CrashPBO的广泛适用性和可移植性，强调其提供了一种灵活、用户友好的框架，用于结合偏好和事故反馈进行参数学习。
Keyword:
Optimization and optimal control
machine learning for robot control
human factors and human-in-the-loop
期刊
I
IF:
5.3
论文数:
1.9K
被引数:
3.9W
机构
引用论文
.png){kind=icon}
分享收藏Safety-Aware Controller Optimization for a Flexure-Joint Biaxial Gantry Robot面向柔性关节双轴龙门机器人的安全感知控制器优化
PREAI
分享收藏Promoting Trust in Industrial Human-Robot Collaboration Through Preference-Based Optimization通过基于偏好的优化促进工业人机协作中的信任
PREAI
分享收藏
查看更多内容