[論文レビュー] Gradient-free Multi-domain Optimization for Autonomous Systems

Hongrui Zheng, Johannes Betz+1 more|arXiv (Cornell University)|Feb 28, 2022

Metaheuristic Optimization Algorithms Research被引用数 5

ひとこと要約

本稿では、機械的、制御的、計画的、知覚的ドメインにまたがるハードウェアおよびソフトウェアパラメータを統合的に最適化する勾配フリーでマルチドメインの最適化フレームワークを提案する。複数の最適化アルゴリズムを併用した並列でシミュレーションベースのパイプラインを用いることで、平均でラップタイムを12.7%短縮する顕著な性能向上を達成し、自律走行車両の統合的システム設計における有効性を示している。

ABSTRACT

Autonomous systems are composed of several subsystems such as mechanical, propulsion, perception, planning and control. These are traditionally designed separately which makes performance optimization of the integrated system a significant challenge. In this paper, we study the problem of using gradient-free optimization methods to jointly optimize the multiple domains of an autonomous system to find the set of optimal architectures for both hardware and software. We specifically perform multi-domain, multi-parameter optimization on an autonomous vehicle to find the best decision-making process, motion planning and control algorithms, and the physical parameters for autonomous racing. We detail the multi-domain optimization scheme, benchmark with different core components, and provide insights for generalization to new autonomous systems. In addition, this paper provides a benchmark of the performances of six different gradient-free optimizers in three different operating environments. Our approach is validated with a case study where we describe the autonomous vehicle system architecture, optimization methods, and finally, provide an argument on gradient-free optimization being a powerful choice to improve the performance of autonomous systems in an integrated manner.

研究の動機と目的

• ハードウェアとソフトウェアパラメータが相互に依存する複雑なマルチドメイン自律システムの最適化の課題に対処すること。
• システム全体の性能トレードオフを捉えられない従来の逐次的サブシステム設計の限界を克服すること。
• 勾配情報に依存しないスケーラブルで並列化可能な最適化パイプラインを構築し、エンドツーエンドのシステム最適化を可能にすること。
• さまざまな環境とパラメータ空間において勾配フリー最適化アルゴリズムをベンチマークし、自律システムに適した高性能な設定を同定すること。
• 異種のコンponentsと混合連続／離散パラメータを有する新しい自律システムに一般化可能なフレームワークを提供すること。

提案手法

• 中央のヘッドノードが候補となる設定をサンプリングし、それをワーカーノードにディスpatchする分散型で並列性の高い最適化パイプラインを採用する。
• 各ワーカーインスタンスは、物理モデル、センサーモデル、制御アルゴリズムを含む完全な自律走行車両のシミュレーションを実行し、性能を評価する。
• 勾配計算を必要としない最適化アルゴリズム（例：CMA-ES、Differential Evolution、PSO、NoisyDE）を用いて、高次元で混合整数のパラメータ空間を探索する。
• シミュレーションと実世界のギャップを低減するため、実際の動的特性とセンサーモデルを備えたキャリブレーション済みのシミュレータを統合する。
• ラップタイム、速度、安定性といった指標を用いたマルチオブジェクティブ評価フレームワークを導入し、複数ドメインにまたがる最適化を支援する。
• シミュレーション評価からのフィードバックを用いて探索戦略を段階的に改善し、高性能な設定への収束を可能にする。

実験結果

リサーチクエスチョン

• RQ1 混合連続およびカテゴリカルパラメータを有するマルチドメイン自律システムに対して、勾配フリー最適化は効果的に機能するか？
• RQ2 さまざまな自律走行車両の運用環境において、異なる勾配フリー最適化アルゴリズムの性能と収束速度はどのように比較されるか？
• RQ3 提案されたパイプラインは、従来のチューニング手法と比較して、ラップタイム短縮やシステム性能向上にどの程度寄与するか？
• RQ4 異なる最適化アルゴリズムにおいて、ハイパーパrameterや集団サイズの変動に対する最適化解の感度はどの程度か？
• RQ5 ドローン（UAV）や水中無人車両（UUV）など、他の自律システムに対しても、最小限の再設定で本フレームワークを一般化可能か？

主な発見

• 提案された勾配フリー最適化パイプラインは、ベースライン設定と比較してラップタイムを最大12.7%短縮した。最良の設定では、スピエルベルクサーキットで62.18秒を記録した。
• CMA-ESは、特に高次元探索空間において収束速度と解の品質の両面で他の最適化アルゴリズムを上回った。
• 本手法は、連続パラメータ（例：車両質量、重心位置）と離散パラメータ（例：コントローラータイプ、前方予測距離）を統合的なフレームワーク内で効果的に最適化できた。
• 集団サイズを大きくすることで収束の安定性が向上したが、計算コストも増加した。大多数の最適化アルゴリズムにおいて、最適な性能は集団サイズ30～106の範囲で得られた。
• 3つの異なるサーキット（モンツァ、シルバーストーン、スピエルベルク）において、本フレームワークは動的特性の変化にかかわらず一貫した性能向上を示した。
• 研究では、コントローラータイプ（例：Pure Pursuit、Stanley、LQR）の選択が性能に顕著な影響を及ぼすことが判明し、最適化アルゴリズムは手動チューニングのベースラインを上回る優れたパラメータ設定を同定した。