非线性模型预测控制的迭代调谐用于机器人制造任务
机器人学
2026-01-05 v2 机器学习
系统与控制
系统与控制
最优化与控制
摘要
制造过程常受到环境漂移和系统磨损的影响，即使存在重复操作，也需要对控制器进行调谐。本文提出了一种用于自动调谐非线性模型预测控制（NMPC）权重矩阵的迭代学习框架，基于任务级别的性能反馈。受范数最优迭代学习控制（ILC）的启发，所提方法会在任务重复过程中自适应调整NMPC的权重Q和R，以最小化与跟踪精度、控制 effort 和饱和相关的关键性能指标（KPIs）。不同于需要通过NMPC求解器求导的梯度法，本文构建经验灵敏度矩阵，实现无需解析导数的结构化权重更新。该框架通过仿真验证，UR10e机器人执行四棱柱核心的碳纤维缠绕。结果表明，所提方法仅需4次在线重复即可收敛至接近离线贝叶斯优化（BO）的最优跟踪性能（RMSE仅为BO的0.3%），而BO算法则需要100次离线评估。该方法为重复性机器人任务中的自适应NMPC调谐提供了实用解决方案，结合精心优化控制器的精度与在线自适应的灵活性。
引用
@article{arxiv.2512.13170,
title = {Iterative Tuning of Nonlinear Model Predictive Control for Robotic Manufacturing Tasks},
author = {Deepak Ingole and Valentin Bhend and Shiva Ganesh Murali and Oliver Dobrich and Alisa Rupenyan},
journal= {arXiv preprint arXiv:2512.13170},
year = {2026}
}