学习滚动 $\mu$bot 的跟踪控制器

微米级机器人（$\mu$bot）在新兴医疗应用中近期展现出巨大潜力。精确控制 $\mu$bot 对其成功部署至关重要，但也极具挑战性。在本工作中，我们考虑在存在干扰和不确定性的情况下，使用 $\mu$bot 跟踪参考轨迹的问题。干扰主要来自布朗运动和其他环境现象，而不确定性源于模型参数误差。我们将 $\mu$bot 建模为由全局磁场控制的不确定独轮车模型。为补偿干扰和不确定性，我们开发了一种非线性失配控制器。我们将模型失配误差定义为模型预测速度与 $\mu$bot 实际速度之间的差异。我们采用高斯过程将模型失配误差作为所施加控制输入的函数进行学习。然后，我们使用最小二乘最小化来选择控制动作，以最小化 $\mu$bot 实际速度与参考速度之间的差异。我们在仿真中演示了联合学习与控制算法的在线性能，其中我们的方法准确学习了模型失配并提高了跟踪性能。我们还在实验中验证了该方法，并表明某些误差指标最多降低了 $40\%$。