Budget-Efficient PID Tuning of a Line-Following Differential-Drive AGV Using Extra Trees Surrogate-Assisted CMA-ES

Abstract

Physical PID tuning for line-following automated guided vehicles (AGVs) is sample-inefficient because the gain-to-performance relationship is nonlinear and noisy, while every candidate must be executed on the real platform. Conventional population optimizers can therefore spend a limited experimental budget on unproductive trials, and evidence for surrogate-assisted CMA-ES under explicit true-evaluation accounting on embedded AGVs remains limited. This study evaluates an Extra Trees surrogate-assisted CMA-ES supervisory tuner on a single line-following differential-drive AGV. CMA-ES generates a virtual gain population in normalized space, and Extra Trees ranks it using the predicted objective and inter-tree dispersion; only a small, ranked subset undergoes physical evaluation. The objective combines integral absolute error, root mean square error, overshoot, actuation smoothness, and a lost-line penalty. We compared the method with pure CMA-ES, particle swarm optimization, and a genetic algorithm on Circle and 8Shape trajectories, using an identical budget of 57 true evaluations for every method, seed, and trajectory. The proposed method achieved the lowest mean final-best objective on both trajectories and improved on the strongest baseline by 30.8% on Circle and 20.8% on 8Shape. Cross-run distributions, empirical cumulative distribution functions, and time-domain responses support the same ranking. These results show that surrogate screening can improve sample efficiency for PID tuning on the tested embedded platform.

ABSTRAK: Penalaan PID secara fizikal bagi kenderaan berpandu automatik (AGV) pengikut garisan tidak cekap dari segi sampel kerana hubungan antara gandaan dan prestasi adalah tak linear serta bising, sedangkan setiap calon perlu diuji pada platform sebenar. Pengoptimum berasaskan populasi konvensional boleh menggunakan bajet eksperimen yang terhad pada percubaan yang kurang produktif, dan bukti bagi CMA-ES berbantukan surrogat dengan perakaunan penilaian sebenar yang jelas pada AGV terbenam masih terhad. Kajian ini menilai penala penyeliaan CMA-ES berbantukan surrogat Extra Trees pada sebuah prototaip AGV pacuan kebezaan pengikut garisan. CMA-ES menjana populasi gandaan maya dalam ruang ternormal dan Extra Trees menyusunnya menggunakan objektif ramalan dan sebaran antara pokok, manakala hanya subset kecil dengan skor terbaik menjalani penilaian fizikal. Fungsi objektif menggabungkan ralat mutlak bersepadu, ralat punca min kuasa dua, limpahan, kelancaran aktuasi, dan penalti kehilangan garisan. Kaedah ini dibandingkan dengan CMA-ES tulen, pengoptimuman kawanan zarah, dan algoritma genetik pada trajektori Circle dan 8Shape menggunakan bajet yang sama, iaitu 57 penilaian sebenar bagi setiap kaedah, benih rawak, dan trajektori. Kaedah yang dicadangkan mencapai purata objektif terbaik akhir terendah pada kedua-dua trajektori serta mengatasi garis dasar terbaik sebanyak 30.8% pada Circle dan 20.8% pada 8Shape. Taburan antara larian, fungsi taburan kumulatif empirik, dan respons domain masa menyokong kedudukan yang sama. Dapatan ini menunjukkan bahawa penapisan surrogat dapat meningkatkan kecekapan sampel bagi penalaan PID pada platform terbenam yang diuji.