基于物理约束元学习和强化学习适配的跨平台可学习模糊自适应PID控制器调参

动机与差距：PID族控制器因其简单性和可解释性，仍是许多机器人系统的实用选择，但调参以获得稳定高性能的控制器仍耗时且通常难以在不同机器人形态、有效负载和部署条件下可移植。模糊自适应调度可提供可解释的在线调整，但其 per-joint 缩放和后验参数依赖平台，难以系统化调参。提出的方法：我们提出了一个用于跨平台调参的分层框架，用于可学习模糊自适应PID控制器（LF-PID）。该控制器使用共享的模糊成员分区以保持通用的误差语义，同时学习 per-joint 缩放和Takagi-Sugeno后验参数，以在线调度PID增益。结合物理约束的虚拟机器人合成，元学习提供来自机器人物理特征的跨平台初始化，轻量级强化学习（RL）阶段在动态不匹配条件下进行部署特定的细化。我们从三个基础仿真平台出发，通过对质量（±10%）、惯性（±15%）和摩擦力（±20%）的有界扰动生成232个物理有效的训练变体。结果与洞见：我们在两个不同的系统（9自由度串联机械臂和12自由度四足机器人）下进行了跨平台泛化评估，包含多种扰动情景。RL细化阶段在元初始化的控制器基础上提高了跟踪性能，在具有挑战性的高负载关节上实现了最高80.4%的误差降低（从12.36度降至2.42度），在参数不确定性下提升了19.2%。我们进一步识别到了优化底限效应：当元初始化的基线存在局部缺陷时，线上细化可获得显著提升，但当基线质量已相当均衡时，线上细化提供的改进有限。