《Robotics》:Robust Adaptive Koopman MPC Under Structured and Stochastic Uncertainty for Soft Continuum Robots
编辑推荐:
软体连续机器人表现出高度非线性和依赖构型的动力学特性,这使得在模型不确定性和外部扰动下实现精确轨迹跟踪具有挑战性。本文针对腱驱动软体连续机器人提出了一种自适应Koopman-based模型预测控制(MPC)框架,并通过全面的闭环仿真评估其性能。研究人员从实验采
软体连续机器人表现出高度非线性和依赖构型的动力学特性,这使得在模型不确定性和外部扰动下实现精确轨迹跟踪具有挑战性。本文针对腱驱动软体连续机器人提出了一种自适应Koopman-based模型预测控制(MPC)框架,并通过全面的闭环仿真评估其性能。研究人员从实验采集的机器人数据中辨识出提升线性Koopman模型,并将其纳入MPC公式中,以提供计算高效的预测,同时捕获主导非线性行为。为补偿对象-模型失配和时变不确定性,研究人员在Koopman-MPC框架中集成了在线递归最小二乘(RLS)自适应机制,使模型能够在闭环运行期间连续细化,而无需重复离线重新训练。研究人员利用从实验采集的机器人数据中辨识出的Koopman模型,在随机扰动和结构化参数偏置条件下,针对圆形、三角形、螺旋形和8字形轨迹进行了全面的闭环仿真评估。结果表明,与固定Koopman MPC相比,所提出的控制器在跟踪性能上持续改进,同时保持实时计算可行性。在结构化参数偏置下,所提出的控制器在圆形轨迹跟踪中将平均跟踪误差从9.30 mm降至1.36 mm,并在若干运行条件下实现亚毫米精度。这些发现凸显了在线Koopman模型自适应用于在不确定性下运行的软体连续机器人预测控制的潜力。
软体连续机器人因其固有的柔顺性、适应性和在非结构化环境中安全交互的能力,已成为现代机器人学的一个有前景的研究范式。与传统的刚性连杆机械臂不同,软体连续机器人表现出高度非线性、强耦合和依赖构型的动力学特性,这使建模和控制变得复杂。这些特性使其适用于微创手术、康复系统、工业检测和人机协作等应用。然而,正是这种实现安全交互的柔顺结构,也给精确动力学建模和实时轨迹跟踪带来了重大挑战。
目前,针对软体连续机器人的控制方法主要面临以下问题:基于物理模型的经典方法,包括分段常曲率(PCC)模型和Cosserat杆理论,虽然能提供有价值的物理洞察,但往往依赖简化假设,在大变形和复杂环境交互下计算需求高,实时控制适用性受限。近年来,Koopman算子理论已成为非线性系统辨识与控制的有效框架,通过将非线性动力学提升到更高维的潜在空间,使系统近似线性演化,从而能够利用高效的线性MPC公式,同时保留主导非线性行为。然而,许多现有基于Koopman的方法依赖离线辨识的固定模型,这限制了其在模型失配、参数不确定性和外部扰动不可避免的真实工况下的鲁棒性。
针对上述问题,研究人员提出了自适应Koopman-RLS-MPC框架,用于在不确定条件下腱驱动软体连续机器人的鲁棒轨迹跟踪。该框架将离线数据驱动的Koopman表示与在线递归最小二乘(RLS)自适应机制相结合,使MPC控制器使用的预测模型能够在闭环运行期间持续适应系统动力学变化,同时保持线性预测控制的计算效率。该研究发表在《Robotics》期刊上。
研究人员开展研究用到的主要关键技术方法包括:基于扩展动态模态分解(EDMD)的Koopman算子辨识方法,利用实验采集数据构建提升线性模型;递归最小二乘(RLS)在线参数估计算法,用于闭环运行期间连续更新降阶预测模型;以及有限时域模型预测控制(MPC)优化框架,结合CasADi和do-mpc工具箱实现实时控制。实验数据采集自腱驱动软体连续机器人,使用MPU6050惯性测量单元(TDK InvenSense, San Jose, CA, USA)和Intel RealSense D435深度相机(Intel Corporation, Santa Clara, CA, USA)构成混合传感框架。
模型辨识结果:研究人员通过EDMD方法辨识出Koopman模型,在验证数据上表现出亚毫米级平均绝对误差,R2值接近1,表明提升线性表示成功捕获了软体机器人系统在训练数据所代表的工作区域内的主导非线性行为。此外,实验数据重放验证中,辨识的Koopman模型在物理机器人实测轨迹上实现了RMSE为1.12 mm、MAE为0.65 mm、R2为0.9989的预测精度,证实了模型对真实系统动力学的准确表示能力。
名义轨迹跟踪:在无外部扰动和结构化模型失配的理想条件下,固定Koopman-MPC控制器在所有评估轨迹上均实现亚毫米至毫米级跟踪精度。圆形轨迹平均跟踪误差为0.21 mm,最大偏差低于1 mm,验证了Koopman提升表示的控制器设计有效性。
结构化参数偏置下的性能:当系统中引入确定性参数偏差时,固定Koopman MPC的跟踪性能显著恶化,圆形轨迹平均跟踪误差增至9.30 mm,三角形轨迹为6.40 mm,螺旋轨迹为5.12 mm,8字形轨迹为8.35 mm。相比之下,自适应Koopman-RLS MPC通过在线RLS参数自适应有效补偿了模型失配,将平均跟踪误差分别降至1.36 mm、0.28 mm、0.10 mm和0.61 mm。在逐渐增大模型失配程度(δ=0至δ=0.005)的鲁棒性评估中,固定控制器平均误差从1.64 mm增至21.11 mm,而自适应控制器保持在1.76-1.89 mm的窄范围内,在最大扰动下降低约91%的跟踪误差。
随机扰动下的性能:在加性高斯随机扰动条件下,固定Koopman MPC的圆形、三角形、螺旋和8字形轨迹平均跟踪误差分别为5.40 mm、5.33 mm、7.18 mm和5.53 mm。自适应Koopman-RLS MPC将对应误差降至3.12 mm、2.84 mm、5.45 mm和2.93 mm。在5 mm公差带内的跟踪精度方面,圆形轨迹从40.00%提升至97.33%,8字形轨迹从40.67%提升至97.33%,表明在线自适应有效减轻了噪声诱导的模型失配影响。
比较分析:在名义条件下,两种控制器均实现亚毫米精度;在不确定性条件下,自适应框架一致性地优于固定控制器。自适应控制器的平均MPC求解时间保持在约30-50 ms范围内,表明在线自适应未引入显著计算负担,保持了实时可行性。
在讨论部分,研究人员指出固定Koopman MPC仅在辨识模型与真实系统动力学一致时才能提供精确轨迹跟踪,而自适应框架通过连续在线更新预测模型,有效补偿了结构化偏差和随机扰动的影响。研究结论强调了将离线Koopman辨识与轻量级在线自适应相结合,为软体连续机器人的预测控制提供了预测精度、鲁棒性和计算效率之间的实用平衡。未来工作将聚焦于在物理机器人上实现完全闭环硬件实验,评估实时控制性能,并扩展到更复杂的操作场景和替代性自适应数据驱动预测控制策略的比较验证。