能量优化分段多项式逼近利用现代机器学习优化器.pdfVIP

能量优化分段多项式逼近利用现代机器学习优化器

HannesWaclawekandStefan

Huber

JosefResselCentreforIntelligentandSecureIndustrialAutomation,

SalzburgUniversityofAppliedSciences,Austria

ParisLodronUniversitySalzburg,Austria

{hannes.waclawek,stefan.huber}@fh-salzburg.ac.at

本摘要这项工作探讨了通过纳入能量优化作为额外目标来扩展MachineLearn-

ing(ML)优化的PiecewisePolynomial(PP)近似的延伸。传统的封闭形

译式解法能够实现连续性和近似目标，但在适应复杂优化目标方面缺乏灵活

中性。通过利用TensorFlow中的现代梯度下降优化器，我们引入了一个框

3架，该框架可以最小化凸轮轮廓中的弹性应变能，从而实现更平滑的运动。

v实验结果证实了这种方法的有效性，并展示了其在Pareto效率下近似质

9量与能量消耗之间进行折衷的潜力。

2

3

9Keywords:分段多项式·梯度下降·近似·TensorFlow·电子凸轮·

0.能量优化

3

0

51介绍

2

:

v

i1.1动机和问题陈述

x

rPPs在各种科学和工程学科中被广泛使用。一个关键的研究领域是机电

a

一体化中的机器轨迹规划，计算时变的位置、速度或加速度曲线，为工业机

器的控制器提供设定点。在这种情况下，电子凸轮定义了伺服驱动器的重复

运动，通常以输入点云的形式给出并用PPs进行近似。传统上，近似过程涉

及求解封闭形式的方程系统，并结合如连续性、周期性或周期性的领域特定

约束条件。虽然计算效率高，但封闭形式的解决方案在多项式次数、多项式

基底或集成附加约束方面的灵活性有限。

随着优化目标变得越来越复杂，数值方法如梯度下降变得益处多多。由

于基于梯度的优化位于训练（深度）神经网络的核心位置，现代ML框架

如TensorFlow或PyTorch都配备了各种最近的优化器。在之前的工作[5][1]

中，我们直接利用这些优化器来拟合-连续的PPs用于电子凸轮领域。

2H.Waclawek,S.Huber

在这项工作中，我们通过添加一个作为领域特定损失项的能量项将问题

设置扩展为一个约束多目标优化问题，并研究了（i）收敛性和（ii）在这种

扩展下的帕累托前沿。更确切地说，给定输入点和相应

的目标值，我们寻找一个PP函数，该函数在某个域上最