The biomechanical energy harvester is expected to harvest the electric energies from human motions. A tradeoff between harvesting energy and keeping the user's natural movements should be balanced via optimization techniques. In previous studies, the hardware itself has been specialized in advance for a single task like walking with constant speed on a flat. A key ingredient is Continuous Variable Transmission (CVT) to extend it applicable for multiple tasks. CVT could continuously adjust its gear ratio to balance the tradeoff for each task; however, such gear-ratio optimization problem remains open yet since its optimal solution may depend on the user, motion, and environment. Therefore, this paper focuses on a framework for data-driven optimization of a gear ratio in a CVT-equipped biomechanical energy harvester. Since the data collection requires a heavy burden on the user, we have to optimize the gear ratio for each task in the shortest possible time. To this end, our framework is designed sample-efficiently based on the fact that the user encounters multiple tasks, which are with similarities with each other. Specifically, our framework employs multi-task Bayesian optimization to reuse the optimization results of the similar tasks previously optimized by finding their similarities. Through experiments, we confirmed that, for each task, the proposed framework could achieve the optimal gear ratio of around 50~\% faster than one by random search, and that takes only around 20~minutes. Experimental results also suggested that the optimization can be accelerated by actively exploiting similarities with previously optimized tasks.


翻译:生物机械能源采集器预计将从人类运动中获取电能。 收获能源与保持用户自然运动之间的平衡应当通过优化技术实现平衡。 在以前的研究中, 硬件本身已经预先专门用于单项任务, 如在一个固定的固定速度行走。 关键成分是连续变量传输( CVT), 以将其扩展为适用于多项任务。 CVT 可以不断调整其齿轮比率, 以平衡每个任务之间的权衡; 然而, 这种齿轮优化问题仍然开放, 因为它的最佳解决方案可能取决于用户、 运动和环境。 因此, 本文侧重于一个以数据驱动为驱动的框架, 以加速优化CVT装备的生物机械能源采集器中的齿轮比率。 由于数据收集工作需要用户承担沉重的负担, 我们必须在尽可能短的时间内优化每项任务的齿轮比。 为此, 我们的框架的设计具有样本效率, 其基础是用户只能遇到多重任务, 而这些任务彼此相似。 具体地说, 我们的框架使用多塔克巴耶斯优化至再利用。 围绕50种最优化框架, 最优化后, 最优化的每个任务都要通过最优化的类似的任务, 找到最优化的任务, 最优化的比最优化的任务, 最优化的比最优化的任务 最优化的任务 最优化的任务 最优化的任务 最优化的任务 最优化的任务, 最优化的任务 最优化的任务 最优化的任务 最优化的任务 最优化的任务 最优化的任务 最优化的任务 最优化的任务 最优化的任务 。

0
下载
关闭预览

相关内容

专知会员服务
14+阅读 · 2021年5月21日
Fariz Darari简明《博弈论Game Theory》介绍,35页ppt
专知会员服务
109+阅读 · 2020年5月15日
深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
分布式TensorFlow入门指南
机器学习研究会
4+阅读 · 2017年11月28日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
Arxiv
0+阅读 · 2021年5月27日
Deep Learning for Energy Markets
Arxiv
10+阅读 · 2019年4月10日
Meta-Transfer Learning for Few-Shot Learning
Arxiv
4+阅读 · 2019年4月9日
Arxiv
3+阅读 · 2018年10月5日
VIP会员
相关VIP内容
专知会员服务
14+阅读 · 2021年5月21日
Fariz Darari简明《博弈论Game Theory》介绍,35页ppt
专知会员服务
109+阅读 · 2020年5月15日
深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
分布式TensorFlow入门指南
机器学习研究会
4+阅读 · 2017年11月28日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
Top
微信扫码咨询专知VIP会员