Regularized GLISp for sensor-guided human-in-the-loop optimization

Matteo Cercola

doi:10.1016/j.ifacsc.2026.100368

Regularized GLISp for sensor-guided human-in-the-loop optimization

2026-01-01

1

OA

AI

DOI：10.1016/j.ifacsc.2026.100368

原文链接

查看原文

摘要

En 中文

人在回路中的校准通常通过基于偏好的优化方法解决，其中算法通过成对比较而非显式成本评估进行学习。虽然有效，但Preferential Bayesian Optimization或基于径向基函数的主动偏好学习全局优化（GLISp）等方法将系统视为黑箱，忽略了信息性传感器测量。本文介绍了一种传感器引导的正则化GLISp扩展，通过物理信息假设函数和最小二乘正则化项将可测量描述符整合到偏好学习循环中。这注入了灰箱结构，结合主观反馈与定量传感器信息，同时保留了基于偏好的搜索的灵活性。在解析基准和人在回路中的车辆悬架调优任务上的数值评估表明，与基准GLISp相比，该方法具有更快的收敛速度和更优的最终解。© 2026 作者。由Elsevier Ltd出版。本文是开放获取文章，遵循CC BY许可（http://creativecommons.org/licenses/by/4.0/）。

Keyword:

Human-in-the-loop optimization

Active preference learning

Preferential Bayesian optimization

Grey-box optimization

Regularized GLISp for sensor-guided human-in-the-loop optimization

摘要

AI总结

期刊

机构

引用论文