水压人工肌肉的分层模型预测控制及基于直接数据驱动自适应模型匹配的实验评估

由于水压人工肌肉具有难以精确建模的强迟滞特性，其高精度位移控制是一项具有挑战性的难题，目前已提出许多控制方法。近年来，数据驱动控制方法因无需显式使用数学模型而备受关注，使得设计更为简便。在我们之前的工作中，我们提出了基于虚拟参考迭代整定（FRIT）的模型预测控制（FMPC），该方法将数据驱动与基于模型的方法相结合并应用于该肌肉，因其还能考虑输入约束而展示了有效性。然而，控制性能严重依赖先验输入输出数据的问题仍未解决。基于方向遗忘的自适应 FRIT 也已被提出；然而，由于无法考虑输入约束且缺乏直接决定控制性能的设计参数（如 MPC），很难实现理想的瞬态性能。在本研究中，我们提出了一种结合上述方法的新型基于数据驱动自适应模型匹配的控制器。实验结果表明，所提方法能够在设计阶段考虑输入约束的同时，显著提高控制性能，并对不适当的初始实验数据实现高鲁棒性。