《Sensors》:Comparative Analysis of Kinematic and Identified MIMO Models in Model Predictive Control for Mobile Robot Trajectory Tracking
编辑推荐:
轨迹跟踪仍是移动机器人领域的主要挑战之一,特别是当机器人在真实世界干扰和建模不确定性下运行时。模型预测控制(MPC)因其能够显式处理系统约束的同时优化未来控制动作,已成为解决该问题的最有效方法之一。然而,尽管文献中报道了各种预测模型,但关于预测模型选择如何影响
轨迹跟踪仍是移动机器人领域的主要挑战之一,特别是当机器人在真实世界干扰和建模不确定性下运行时。模型预测控制(MPC)因其能够显式处理系统约束的同时优化未来控制动作,已成为解决该问题的最有效方法之一。然而,尽管文献中报道了各种预测模型,但关于预测模型选择如何影响移动机器人闭环行为的实验证据仍然有限。研究人员提出了两种MPC实现的实验比较:基于运动学的运动学MPC和基于实验辨识状态空间模型的多输入多输出MPC(MIMO-MPC)。两种控制器均实现于运行机器人操作系统2(ROS 2)的同一四轮差速驱动移动机器人上,并配置了相同的预测周期、权重矩阵、约束、参考轨迹和干扰序列,从而能够直接实验比较预测模型选择对闭环性能的影响。通过在标称和外部扰动操作条件下的轨迹跟踪精度、干扰恢复和控制平滑度指标来评估性能。实验评估在50 Hz的真实硬件上进行,使用约20 m的闭环轨迹。在标称条件下,运动学MPC实现了较低的横向均方根误差(RMSE)(0.1031 m对比0.1187 m),并保持93.23%的轨迹在 m容差带内。然而,在外部扰动下,MIMO-MPC将航向RMSE从0.7617 rad降至0.6503 rad,将两次最大扰动后的恢复时间最多缩短35.6%,并将角速度变化率均方根和加加速度均方根分别降低约24.7%和24.8%。这些结果表明,预测模型的选择对MPC的瞬态行为有显著影响。虽然传统的运动学模型提供了极佳的标称跟踪性能,但实验辨识的MIMO预测模型在扰动条件下提供了更快的恢复和更平滑的控制。所提出的实验方法提供了实用证据,可根据预期操作条件辅助选择基于MPC的移动机器人的预测模型。
在自主移动机器人领域,轨迹跟踪是一个核心的基础问题。特别是在结构化和半结构化环境中运行的差速驱动移动机器人,其准确的路径跟随对于仓库自动化、服务机器人、自主巡检和精准农业等应用至关重要,因为跟踪误差直接关系到导航安全与任务执行效果。在现有的控制策略中,模型预测控制(MPC)(一种通过在有限预测范围内优化未来控制动作并显式结合系统约束的控制策略)因其能够显式处理系统约束并优化未来控制动作,成为最广泛采用的方法之一。以往的研究在改进MPC方面做出了许多努力,例如Xu et al. 提出的动态模型预测控制,Ali et al. 将控制障碍函数结合到MPC中以保证避障,Abed et al. 引入非线性神经网络分数控制器补偿建模不确定性,以及Tang et al. 利用基于深度Koopman算子的数据驱动预测模型等。这些研究通过更准确的系统表示来提升MPC的预测能力。然而,关于预测模型本身的选择同样是一个重要的研究方向。目前大多数针对DDMRs的MPC实现采用简化的运动学模型,因为其计算成本低且在实时导航中表现令人满意。也有研究者提出动态或实验辨识的模型来捕捉执行器动态、轮地交互等非理想行为。例如Bouzoualegh et al. 提出了基于动态模型的MPC,Mondal et al. 比较了运动学和动态预测模型。但这些研究在改变预测模型的同时,往往也修改了优化公式、控制器调谐或干扰补偿策略,导致难以在实验中量化预测模型本身对整体闭环性能的单独贡献。目前仍缺乏将预测模型作为唯一变量、同时保持所有其他控制器参数一致的实验证据。为填补这一空白,研究人员开展了实验比较研究,该论文发表在《Sensors》上。研究比较了两种MPC实现:运动学MPC和基于实验辨识状态空间模型的多输入多输出MPC(MIMO-MPC)(一种包含多个输入和输出变量的系统控制模型)。两者均实现于运行机器人操作系统2(ROS 2)(一种用于编写机器人软件的灵活框架)的同一四轮差速驱动移动机器人上,并配置了相同的预测周期、权重矩阵、约束、参考轨迹和干扰序列。研究得出结论:预测模型的选择对MPC的瞬态行为有显著影响。在标称条件下,运动学模型提供了极佳的标称跟踪性能;但在外部扰动下,实验辨识的MIMO预测模型能够提供更快的恢复能力和更平滑的控制。该研究的重要意义在于,为基于MPC的移动机器人根据预期操作条件选择预测模型提供了实用的实验证据和指导。
在关键技术方法方面,研究人员使用了定制的四轮差速驱动移动机器人作为实验平台。该机器人配备四个带集成正交编码器的行星齿轮电机,通过两个双通道电机控制器实现左右轮组的独立控制。感知系统包括轮编码器、惯性测量单元(IMU)和2D激光雷达。底层硬件接口由STM32微控制器处理,高层计算由运行Ubuntu 20.04和ROS 2的Intel NUC车载计算机执行。在系统辨识过程中,样本队列来源为研究人员通过手动遥控操作收集的5.48分钟连续数据,共包含16,293个样本。采用预测误差最小化(PEM)(一种通过最小化预测误差来估计模型参数的方法)结合子空间辨识来估计模型参数,并通过比较1至5阶模型的FIT和均方根误差(RMSE)(衡量观测值与真值偏差的常用指标),最终选择了二阶模型。在控制方法上,运动学MPC使用离散时间运动学模型作为基线,而MIMO-MPC则将辨识的二阶离散时间速度模型与显式位姿预测相结合,构建了增强的状态预测模型。两者均采用相同的二次规划(QP)(一种解决目标函数为二次型且约束为线性约束的优化问题的数学方法)优化框架进行求解。
研究结果部分,通过对比实验得出了以下结论:
标称操作条件下的跟踪性能:通过在无外部干扰的标称条件下进行轨迹跟踪实验,发现两种控制器均能成功完成参考轨迹并保持在规定的容差带内。运动学MPC实现了更优的平均横向跟踪精度,其横向RMSE为0.1031 m,而MIMO-MPC为0.1187 m,横向平均绝对误差也有所降低,且在容差带内的样本比例更高。这表明当机器人接近其标称运行状态时,运动学模型已足够准确。
外部扰动下的瞬态恢复:通过在轨迹执行期间引入三种预定义的扰动进行评估,发现MIMO-MPC在扰动后表现出更好的瞬态行为。虽然运动学MPC具有较低的全球横向RMSE,但MIMO-MPC将航向RMSE从0.7617 rad降至0.6503 rad,并将两次最大扰动后的恢复时间最多缩短了35.6%。这表明在遭受外部扰动后,MIMO-MPC能更快地恢复机器人航向和轨迹。
控制平滑度与一致性:通过量化指令速度的变化率和加加速度,发现在标称条件下运动学MPC生成的控制动作更平滑;但在扰动条件下,MIMO-MPC表现出更低的角速度变化率均方根和加加速度均方根,分别降低约24.7%和24.8%。这表明MIMO模型在瞬态响应期间生成的控制指令更少出现急剧变化,有助于减少执行器应力、车轮滑移和机械振动。
在讨论部分,研究人员指出,由于两种控制器使用了相同的MPC公式、约束、权重矩阵、预测周期、参考轨迹和扰动序列,观察到的差异主要归因于所采用的预测模型。这符合Mayne et al. 描述的MPC基本原理,即闭环性能取决于预测模型在有限范围内充分表示受控系统的能力。在标称条件下,运动学模型表现优异,这与Yang et al. 的研究一致,说明增加预测模型的复杂性并不必然改善标称跟踪。而在外部扰动下,MIMO-MPC的优势在于更快恢复。这与Sun et al. 和Li et al. 的研究结论相符,即仅靠标称预测在存在加性扰动时可能不足。实验辨识的MIMO状态空间模型似乎编码了理想运动学方程中缺失的执行器和机器人响应部分,从而改善了扰动后的瞬态预测。控制平滑度结果进一步支持了这一解释,表明MIMO模型在瞬态响应期间能够利用更少的急剧指令变化来恢复,这对于实际机器人的硬件保护具有重要意义。在结论部分,研究总结了实验比较的核心发现。在标称条件下,运动学MPC获得了最佳的横向跟踪性能;而在外部扰动条件下,MIMO-MPC表现出更优的瞬态行为,将航向RMSE从0.7617 rad降至0.6503 rad,恢复时间最多缩短35.6%,且角速度变化率均方根和加加速度均方根分别降低约24.7%和24.8%。结论表明,改进预测模型并不一定会提高标称轨迹跟踪精度,其主要贡献在于增强干扰恢复和产生更平滑的控制动作。因此,预测模型的选择应由预期操作条件和应用的具体性能要求指导,而非仅基于标称跟踪精度。未来的研究将扩展此分析以纳入自适应和基于学习的预测模型,并在涉及地形变化、负载变化和动态环境的更具挑战性的导航场景中进行验证,同时研究辨识模型在不同实验会话中的可重复性。