面向辅助型软机器人增强控制的基于学习的延迟补偿
机器人学
2025-04-18 v1 系统与控制
系统与控制
摘要
由于软机器人固有的安全性和适应性，它们在医疗保健领域，尤其是在辅助护理中的应用日益增多。由于软机器人的非线性动力学和时延的存在，控制软机器人具有挑战性，在用于患者护理的软机械臂等应用中尤其如此。本文提出了一种基于学习的方法来近似非线性状态预测器（史密斯预测器），旨在改善具有短固有输入延迟的双模块软机器人臂的跟踪性能。该方法使用核递归最小二乘跟踪器（KRLST）在线学习系统动力学，并使用勒让德延迟网络（LDN）压缩过去的输入历史，以实现高效的延迟补偿。实验结果表明，与基于基线模型的非线性控制器相比，跟踪性能有显著改善。统计分析证实了改进的显著性。该方法计算效率高且可在线适应，使其适用于真实世界场景，并突出了其在辅助护理应用中实现更安全、更准确的软机器人控制方面的潜力。
引用
@article{arxiv.2504.12428,
title = {Learning-based Delay Compensation for Enhanced Control of Assistive Soft Robots},
author = {Adrià Mompó Alepuz and Dimitrios Papageorgiou and Silvia Tolu},
journal= {arXiv preprint arXiv:2504.12428},
year = {2025}
}