基于失败边界搜索的避免失败贝叶斯优化用于挖掘控制参数的自动探索

未来工地上的更智能挖掘

现代工地依赖能挪动大量土方的重型机械，但在不损坏机器的前提下发挥其最大效能并不容易。装满铲斗的最佳挖掘方式常常紧邻诸如轮胎打滑或零件过载之类的不安全情况。本研究提出了一种新方法，让计算机调优轮式装载机的挖掘策略，从而在保持高效工作的同时远离危险区域。

挖掘比看起来更复杂

操作轮式装载机并非只是拉杆杆位。铲斗进入土堆时，土体会以复杂且不断变化的方式反作用。熟练的人工操作员会不断调整速度和铲斗角度，以在不导致轮胎打滑或液压超载的前提下抓取更多土方。对自动控制系统而言，这是一场艰难的权衡：它们必须搜索能提高土方量并节省燃料的设定，同时避免引起打滑、应力或不稳定运动的组合。

教计算机哪些地方不能去

作者通过将问题分为两个阶段来应对这一挑战。首先，他们使用一个详细的轮式装载机在类岩石颗粒堆中挖掘的计算机仿真。在这个安全的虚拟空间内，系统可以自由尝试许多不同的挖掘速度和铲斗倾角组合，并简单记录每次试验是“成功”还是“失败”，例如出现频繁的轮胎打滑。随后，利用统计方法绘制出将安全设置与不安全设置分隔开的边界图，并为控制空间中的每一点分配一个安全概率。该地图捕捉到风险边缘所在位置，而无需详尽掌握土体与机械的全部物理细节。

让优化器谨慎地探索

在第二阶段，研究者执行贝叶斯优化，这是一种在尝试有希望的设置与探索不确定区域之间取得平衡的试验选择策略。在此，他们扩展了常用的下一个试验选择规则，使其同时偏好第一阶段安全地图中具有更高安全概率的设置。单一权重控制搜索的谨慎程度：较大的权重使搜索倾向于地图中更安全的区域，而较小的权重则允许更大胆地靠近风险边缘。重要的是，早先得到的安全地图在该阶段保持固定以避免偏差，只有随着新试验进行时对真实或仿真挖掘性能进行更新。

在简单景观和虚拟土体上检验该思路

为验证方法是否按预期工作，作者先将其应用于一个真实安全区域与每个设定的优劣已知的玩具问题。他们的两阶段方法在寻找高性能设定的速度上与标准优化方法相当，但失败次数远少于忽视安全性或用高计算量来强行保证安全性的做法。随后他们转到轮式装载机仿真，在那里系统必须选择水平挖掘速度和铲斗倾角模式。结果显示，不安全的打滑事件降到约每十次试验不到一次，同时收集到的土方量和所需能量与不那么谨慎的策略相比仍具有竞争力。调整安全权重可以让用户在偶尔冒险以换取更快收益或反之之间进行权衡。

对真实机器意味着什么

对非专业读者而言，关键信息是该方法不仅教自动挖掘系统如何高效挖掘，还教会它危险区域在哪里以及如何保持在边缘之内。通过先在仿真中学习安全边界，再利用该知识指导真实世界的调优，这一方法可以减少在昂贵设备上所需的高风险实验次数。尽管还需进一步工作以处理仿真与真实土体之间的差异并扩展到更多控制设置，这一两步策略为能够高效学习并同时保障人员与设备安全的建筑机器人指明了方向。

引用: Koyama, M., Ishikawa, M. Failure-avoidance bayesian optimization with failure-boundary search for automatic exploration of digging control parameters. Sci Rep 16, 15580 (2026). https://doi.org/10.1038/s41598-026-45046-7

关键词: 贝叶斯优化, 自动挖掘, 建筑机器人学, 安全控制, 轮式装载机