用于控制物理系统的设备和方法技术方案

用于控制物理系统的设备和方法。按照不同的实施方式，描述了一种用于控制物理系统的方法，所述方法具有：分别响应于所述物理系统的控制配置的输入和任务输入参数的值的输入，针对多个任务，训练神经网络来输出所执行的任务的结果；借助于贝叶斯优化来确定针对另一任务的控制配置，其中通过所述任务输入参数来被参数化的所述神经网络被用作控制配置与结果之间的关系的模型；而且按照所述控制配置来控制所述物理系统以执行所述另一任务。所述物理系统以执行所述另一任务。所述物理系统以执行所述另一任务。

【技术实现步骤摘要】
用于控制物理系统的设备和方法


[0001]不同的实施例一般地涉及用于控制物理系统的设备和方法。

技术介绍

[0002]在控制过程、例如对用于生产产品或加工工件或移动机器人的设施的控制方面，控制配置（也就是说控制参数的值）与由可观察到的输出参数值所得出的结果之间的关系可能非常复杂。此外，对控制参数值的这种评估可能花费高且有错误。贝叶斯优化（BO）在这种情况下适合于确定控制参数值，因为该贝叶斯优化允许当只可能对未提供梯度信息的未知（“黑箱（Black
‑
Box）”）函数进行有噪声干扰的评估时优化这些未知函数。
[0003]为了将对于优化未知函数所需的迭代数目保持得尽可能少，可以使用类似的未知函数的先前优化（或者还有来自需要更少的花费的其它信息源）的知识转移。
[0004]V. Perrone等人在Advances in Neural Information Processing System 31 (NIPS 2018)中的出版物“Scalable Hyperparameter Transfer Learning”本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于控制物理系统的方法，所述方法具有：分别响应于所述物理系统的控制配置的输入和任务输入参数的值的输入，针对多个由所述物理系统执行的任务，训练神经网络来输出所执行的任务的结果；其中所述训练具有：确定所述神经网络的权重，并且针对所执行的任务中的每个任务确定所述任务输入参数的值；借助于贝叶斯优化来确定针对另一任务的控制配置，其中执行对控制配置的依次评估，其中在每次评估的情况下都针对相应的控制配置确定执行所述另一任务的结果；其中通过按照概率分布来分布的任务输入参数来被参数化的所述神经网络被用作控制配置与结果之间的关系的模型，而且在使用所述评估的情况下依次被更新，其方式是根据所述评估来调节所述任务输入参数的概率分布；而且按照所述控制配置来控制所述物理系统以执行所述另一任务。2.根据权利要求1所述的方法，其中利用损失函数通过监督学习来执行对所述神经网络的训练，所述损失函数取决于所述神经网络的权重和针对所执行的任务的任务输入参数的值。3.根据权利要求1或2所述的方法，其中所述损失函数具有正则化项，所述正则化项引起：针对所执行的任务来被训练的所述任务输入参数的值的经验分布近似预先给定的概率分布。4.根据权利要求3所述的方法，其中所述预先给定的概率分布是高斯分布。5.根据权利要求1至4中...

【专利技术属性】
技术研发人员：F，
申请(专利权)人：罗伯特，
类型：发明
国别省市：