基于在线学习的气动软弯曲执行器控制——气动物理储备计算
机器人学
2025-06-06 v1 机器学习
系统与控制
系统与控制
摘要
软体机器人固有的非线性特性在控制上 presents 诸多挑战，同时也为其提供了丰富的计算潜能。储备计算（Reservoir Computing, RC）在控制类非线性系统（如软体执行器）的在线学习系统中展现出良好的效果。传统的RC可通过利用软体执行器的非线性动力学，扩展为物理储备计算（Physical Reservoir Computing, PRC）。本文引入一种基于PRC的在线学习框架，用于控制气动软弯曲执行器的运动，并以另一气动软执行器作为PRC模型。与需两个RC模型的传统设计不同，本文提出的控制系统采用更紧凑的结构，仅使用一个RC模型。此外，该框架实现零样本在线学习，解决了以往基于PRC的控制系统依赖离线训练的局限性。通过仿真和实验验证了所提系统的性能。实验结果表明，PRC模型在弯曲运动控制任务中相较于线性模型达到了优异的控制性能，平均将根均方误差（RMSE）降低了超过37%。本文提出的PRC-based在线学习控制框架为利用物理系统固有的非线性特性以增强软体执行器控制提供了一种新方法。
引用
@article{arxiv.2503.15819,
title = {Control Pneumatic Soft Bending Actuator with Online Learning Pneumatic Physical Reservoir Computing},
author = {Junyi Shen and Tetsuro Miyazaki and Kenji Kawashima},
journal= {arXiv preprint arXiv:2503.15819},
year = {2025}
}
备注
8 pages, 13 figures, IEEE-RAS International Conference on Soft Robotics (RoboSoft 2025)