基于深度 MPC 的高自由度机器人操作臂自适应鲁棒运动规划
机器人学
2024-07-19 v1
摘要
在当代控制理论中，自适应方法因其内在的灵活性和在管理建模不确定性方面的鲁棒性而备受推崇。尤其，鲁棒自适应控制凭借其强大的能力，能够利用鲁棒优化算法来逼近代价函数并放宽常规自适应控制范例所施加的严格约束。深度学习方法由于其广泛的层级结构，提供了显著增强的逼近能力。尽管如此，深度学习的实现却充满了挑战，尤其是在训练过程中会遇到的梯度消失和梯度爆炸现象。本文引入一种集成深度 MPC 的自适应控制方案，受制于一种创新的权重更新法则，以仅使用梯度符号来缓解梯度消失和爆炸的困境。所提出的控制器是一种自适应动态反演机制，集成了一个增强状态观测器于辅助估计电路中，以提升训练阶段的效果。该方法使深度 MPC 能够实时学习整个植物模型，控制器的有效性通过包括高自由度机器人操作臂的仿真实验得以演示，其中该控制器能够迅速学习非线性植物动力学，并在运动规划任务中表现出优异的性能。
引用
@article{arxiv.2407.12887,
title = {Self-Adaptive Robust Motion Planning for High DoF Robot Manipulator using Deep MPC},
author = {Ye Zhang and Kangtong Mo and Fangzhou Shen and Xuanzhen Xu and Xingyu Zhang and Jiayue Yu and Chang Yu},
journal= {arXiv preprint arXiv:2407.12887},
year = {2024}
}