Bayesian Optimization for Automatic Tuning of Torque-Level Nonlinear Model Predictive Control

📄 arXiv: 2512.03772v1 📥 PDF

作者: Gabriele Fadini, Deepak Ingole, Tong Duy Son, Alisa Rupenyan

分类: cs.RO, cs.AI, eess.SY

发布日期: 2025-12-03

备注: 6 pages, 7 figures, 3 tables

💡 一句话要点

提出基于贝叶斯优化的力矩级非线性模型预测控制自动调参框架

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 贝叶斯优化 非线性模型预测控制 数字孪生 机器人控制 自动调参

📋 核心要点

  1. 现有机器人控制器的参数整定依赖手动调整，耗时且难以达到最优，尤其是在高维参数空间中。
  2. 利用数字孪生技术，结合稀疏轴对齐子空间贝叶斯优化（SAASBO），实现nMPC控制器参数的自动优化。
  3. 实验结果表明，该方法在仿真和真实机器人上均能显著提升轨迹跟踪性能，并减少求解时间。

📝 摘要（中文）

本文提出了一种基于力矩的非线性模型预测控制（nMPC）的自动调参框架，该MPC作为实时控制器，用于优化关节力矩指令。利用高维贝叶斯优化（BO）技术，特别是带有数字孪生（DT）的稀疏轴对齐子空间（SAASBO），对MPC参数（包括成本函数权重和低层控制器增益）进行优化，以在UR10e机器人手臂上实现精确的末端执行器轨迹实时跟踪。仿真模型能够有效地探索高维参数空间，并确保安全地转移到硬件。仿真结果表明，与手动调整的参数相比，跟踪性能显著提高（+41.9%），求解时间减少（-2.5%）。此外，在真实机器人上的实验验证也遵循了这一趋势（改进+25.8%），强调了数字孪生支持的自动化参数优化对于机器人操作的重要性。

🔬 方法详解

问题定义：论文旨在解决力矩级非线性模型预测控制（nMPC）中参数手动调整的问题。手动调整MPC参数，如成本函数权重和低层控制器增益，是一个耗时且低效的过程，尤其是在高维参数空间中，难以找到最优参数组合，从而限制了控制器的性能。

核心思路：论文的核心思路是利用贝叶斯优化（BO）算法自动搜索nMPC控制器的最优参数。通过构建机器人系统的数字孪生模型，可以在仿真环境中高效地探索参数空间，降低了在真实机器人上进行实验的风险和成本。SAASBO算法能够有效地处理高维参数空间，找到最优参数组合。

技术框架：整体框架包含以下几个主要模块：1) 数字孪生模型：构建UR10e机器人手臂的精确仿真模型，用于评估不同参数组合下的控制性能。2) SAASBO优化器：使用SAASBO算法在高维参数空间中搜索最优参数。3) nMPC控制器：基于优化的参数，生成关节力矩指令，控制机器人手臂的运动。4) 实验验证：将优化后的参数部署到真实机器人上，验证其控制性能。

关键创新：论文的关键创新在于将SAASBO算法与数字孪生技术相结合，实现了nMPC控制器的自动调参。SAASBO算法能够有效地处理高维参数空间，找到最优参数组合，而数字孪生技术则降低了实验风险和成本，提高了优化效率。

关键设计：论文中，成本函数权重和低层控制器增益被选为优化参数。SAASBO算法使用高斯过程作为代理模型，并通过采集函数（如期望改进）来选择下一个要评估的参数组合。数字孪生模型需要足够精确，以保证仿真结果与真实机器人上的性能一致性。实验中，使用了UR10e机器人手臂，并评估了其在轨迹跟踪任务中的性能。

📊 实验亮点

实验结果表明，与手动调整的参数相比，该方法在仿真环境中将轨迹跟踪性能提高了41.9%，求解时间减少了2.5%。在真实机器人上的实验验证也显示，轨迹跟踪性能提高了25.8%。这些结果表明，该方法能够有效地优化nMPC控制器的参数，显著提升机器人控制性能。

🎯 应用场景

该研究成果可广泛应用于机器人自动化领域，例如工业机器人、服务机器人等。通过自动优化控制参数，可以提高机器人的运动精度、效率和鲁棒性，降低人工调试成本，并加速机器人系统的部署。未来，该方法可以扩展到更复杂的机器人系统和控制任务中。

📄 摘要（原文）

This paper presents an auto-tuning framework for torque-based Nonlinear Model Predictive Control (nMPC), where the MPC serves as a real-time controller for optimal joint torque commands. The MPC parameters, including cost function weights and low-level controller gains, are optimized using high-dimensional Bayesian Optimization (BO) techniques, specifically Sparse Axis-Aligned Subspace (SAASBO) with a digital twin (DT) to achieve precise end-effector trajectory real-time tracking on an UR10e robot arm. The simulation model allows efficient exploration of the high-dimensional parameter space, and it ensures safe transfer to hardware. Our simulation results demonstrate significant improvements in tracking performance (+41.9%) and reduction in solve times (-2.5%) compared to manually-tuned parameters. Moreover, experimental validation on the real robot follows the trend (with a +25.8% improvement), emphasizing the importance of digital twin-enabled automated parameter optimization for robotic operations.