[论文解读] 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 5

一句话总结

本文提出了一种无梯度、多域优化框架，用于自主系统，可联合优化机械、控制、规划和感知等领域的软硬件参数。通过使用并行、基于仿真的流水线及多种优化器，该方法显著提升了性能——在平均情况下将圈速时间减少了12.7%，证明了其在自动驾驶车辆集成系统设计中的有效性。

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.

研究动机与目标

• 解决在具有相互依赖的软硬件参数的复杂多域自主系统中进行优化的挑战。
• 克服传统顺序子系统设计方法无法捕捉系统级性能权衡的局限性。
• 开发一种可扩展、可并行化的优化流水线，实现在不依赖梯度信息的情况下对端到端系统进行优化。
• 在多样化环境和参数空间中对比无梯度优化器，以识别适用于自主系统的高性能配置。
• 提供一种可推广的框架，用于优化具有异构组件和混合连续/离散参数的新自主系统。

提出的方法

• 采用分布式、无依赖的并行优化流水线，其中中心主节点采样候选配置并将其分发给工作节点。
• 每个工作实例运行完整的自动驾驶车辆仿真，包括物理模型、传感器模型和控制算法，以评估性能。
• 使用无梯度优化器（如CMA-ES、差分进化、粒子群优化、NoisyDE）探索高维混合整数参数空间，无需计算梯度。
• 集成一个校准后的自动驾驶赛车仿真器，具备真实的动力学和传感器模型，以减小仿真到现实的差距。
• 采用多目标评估框架，使用圈速时间、速度和稳定性等指标，指导跨多个领域的优化。
• 通过仿真评估的反馈迭代优化搜索策略，实现向高性能配置的收敛。

实验结果

研究问题

• RQ1 无梯度优化能否有效优化具有混合连续与分类参数的多域自主系统？
• RQ2 在多样化自动驾驶车辆运行环境中，不同无梯度优化器在性能和收敛速度方面如何比较？
• RQ3 与传统调优方法相比，所提出的流水线在减少圈速时间和提升系统性能方面能达到何种程度？
• RQ4 不同优化器在超参数和种群规模变化时，优化解的敏感性如何？
• RQ5 该框架能否在极少重新配置的情况下推广至其他自主系统（如无人机和无人水下航行器）？

主要发现

• 所提出的无梯度优化流水线相比基线配置，将圈速时间最多减少了12.7%，最佳配置在斯皮尔贝格赛道实现了62.18秒的成绩。
• CMA-ES在收敛速度和解质量方面优于其他优化器，尤其在高维搜索空间中表现更优。
• 该方法成功在一个统一框架中同时优化了连续参数（如车辆质量、质心位置）和离散参数（如控制器类型、前瞻距离）。
• 较大的种群规模提升了收敛稳定性，但增加了计算成本，大多数优化器在种群规模30–106时达到最佳性能。
• 该框架在三个不同赛道（蒙扎、银石、斯皮尔贝格）上表现出鲁棒性，且在不同动力学条件下均实现了稳定的性能提升。
• 研究发现，控制器的选择（如纯追踪、斯坦利、LQR）显著影响性能，且优化器识别出优于人工调优基线的优越参数组合。