基于RBF辨识器与扩展卡尔曼滤波器的I²RIS机器人模型预测路径积分控制
机器人学
2025-09-16 v1 系统与控制
系统与控制
摘要
缆驱动蛇形机器人的建模与控制是一项具有挑战性的问题，原因在于其非线性力学特性，如磁滞、变刚度以及驱动缆与机器人本体之间的未知摩擦。对于眼科手术应用中的蛇形机器人——改进型集成机器人眼内蛇（I²RIS）——而言，这一挑战更为严峻，因其尺寸小且缺乏嵌入式感知反馈。数据驱动模型利用全局函数逼近，降低了复杂解析模型的挑战与计算成本。然而，当遇到训练阶段未见过的数据时，其性能可能会退化。因此，添加自适应机制可能改善这些模型在蛇形机器人与未知环境交互时的性能。在本工作中，我们将模型预测路径积分（MPPI）控制器应用于基于高斯混合模型（GMM）和高斯混合回归（GMR）的I²RIS数据驱动模型。为了分析MPPI在未见机器人-组织交互场景中的性能，模拟了未知外部扰动和环境载荷并将其添加到GMM-GMR模型中。这些机器人模型的不确定性随后通过径向基函数（RBF）进行在线辨识，其权重利用扩展卡尔曼滤波器（EKF）进行更新。仿真结果证明了MPPI算法最优控制解的鲁棒性及其相对于传统模型预测控制（MPC）算法的计算优越性。
引用
@article{arxiv.2503.14684,
title = {Model Predictive Path Integral Control of I2RIS Robot Using RBF Identifier and Extended Kalman Filter},
author = {Mojtaba Esfandiari and Pengyuan Du and Haochen Wei and Peter Gehlbach and Adnan Munawar and Peter Kazanzides and Iulian Iordachita},
journal= {arXiv preprint arXiv:2503.14684},
year = {2025}
}