预测控制通过预测系统响应来选择未来输入,施加第一个输入后,在每次获得新测量值时重新进行优化。模型预测控制使用数学模型进行预测。数据驱动预测控制则根据记录的数据进行预测,例如数据使能预测控制,它将轨迹表示为已记录输入—输出数据的线性组合。对于具有无噪声且激励充分数据的可控线性时不变系统,基本引理为这种表示提供了理论依据。
参数不确定的非线性系统给这两种方法都带来挑战:不准确的机械模型会产生有偏预测,而测量轨迹的线性组合只能在局部近似非线性动力学。利用模型知识可以减少所需数据量。对于全驱动机械臂,反馈线性化使用机械模型将虚拟加速度指令映射为关节力矩。在参数和状态均准确的情况下,每个关节从虚拟输入到位置都表现为一个双积分器。参数误差、状态估计误差和执行器误差会产生残余动力学,可通过虚拟输入和位置记录进行学习。
几何鲁棒数据驱动预测控制拟合低维轨迹子空间,并使用格拉斯曼流形上由同维子空间构成的开弦距离球来处理拟合误差。该方法最小化相对于目标的最坏情况加权平方偏差,目标由测量历史和期望未来轨迹共同构成。机械模型提供反馈线性化的力矩映射;数据驱动预测控制则预测虚拟输入到位置的响应。本研究检验了学习这一响应是否能在已知双积分器模型之外进一步改善预测和跟踪。
平面 2R 机械臂控制
机械模型对机械臂进行反馈线性化,几何数据驱动预测控制则预测由此得到的虚拟输入—位置响应。
离线数据与参考轨迹初始化
采用带加速度前馈和随机激励的 PD 跟踪控制器生成离线数据。每个试验回合中,正弦参考轨迹的中心、振幅、相位和周期都会变化。
参考轨迹为正弦曲线,其中心、振幅、相位和周期在各试验回合中变化。
仿真研究
本研究考察预测精度(A)、预测控制参数的迁移(B)和周期跟踪(C)。控制器接收带噪位置;真实位置仅用于评估误差。
反馈线性化后的预测精度
实验 A 将双积分器与根据虚拟输入—位置数据拟合的预测器进行比较。在独立测试轨迹上,两者均根据相同的预设输入和过去测得的位置来预测未来位置。未来位置仅用于误差计算。比较涵盖精确和不准确的机械模型,以及三个噪声水平。
参数准确时,学习带来小幅改善;参数存在误差时,改善幅度则大得多,表明数据能够捕捉理想动力学之外的系统性偏差。在每个噪声水平下,学习得到的预测器都更准确,但其误差会随噪声增大。噪声还会改变反馈控制下采集到的轨迹,因此不同噪声水平之间的比较也包含这一影响。
讨论与结论
本研究考察了反馈线性化平面 2R 机械臂的几何鲁棒数据驱动预测控制。结果显示,当机械模型捕捉到系统的主要结构、但仍存在系统性预测误差时,数据能够发挥作用。在参数存在误差时,学习得到的虚拟输入—位置响应可改善预测和跟踪。机械参数准确时,已知的双积分器已能提供有效控制。与直接正则化的数据使能预测控制相比,性能取决于参考轨迹,两者在精度和力矩消耗之间存在不同权衡。
在所测试的噪声水平和机械臂参数下,预测设置也保持有效。迁移过程中使用了新采集的数据,并相应更新机械模型和观测器。测量噪声增大会提高跟踪误差并增加执行器活动,但所有几何数据驱动预测控制试验均顺利完成。
生成式人工智能的使用
生成式人工智能工具协助进行文献综述、准备 TikZ 插图、优化仿真代码,以及审查数学论述和结果。
给定输入下的预测
未来输出项即为预测值。对于已知的双积分器,其精确行为和零仿射均值在同一次求解中使用。未来位置仅用于误差计算。
双积分器模型预测控制
正定系数矩阵只分解一次;参考轨迹和观测器先验用于更新右端项。
参考轨迹与性能指标
参考轨迹包含相位和两秒斜坡段。评估先进行 1.2 秒的稳定保持,随后持续一个斜坡段和两个周期:基础参考轨迹和偏移参考轨迹为 14 秒,较快参考轨迹为 11 秒。每种条件使用六组独立的数据/噪声配对,且各控制器使用配对的测量噪声。
常见问题
反馈线性化对平面 2R 机械臂有什么作用? 它使用机械模型将虚拟加速度指令映射为关节力矩。在参数和状态准确的情况下,每个关节从虚拟输入到位置都表现为一个双积分器。
数据驱动预测器学习什么? 它根据记录的数据学习虚拟输入—位置响应,其中包括由参数误差、状态估计误差和执行器误差造成的残余动力学。
什么情况下学习能改善预测和跟踪? 参数准确时,学习得到的预测器也能提高预测精度;机械参数不准确时,改善幅度更大。在参数存在误差时,学习该响应也能改善跟踪。
测量噪声如何影响性能? 噪声增大会提高预测误差和跟踪误差,并增加执行器活动。尽管如此,所有几何数据驱动预测控制试验均顺利完成。