Learning a Tracking Controller for Rolling $μ$bots

要約

ミクロンスケールのロボット ($\mu$bots) は、最近、新たな医療用途に大きな期待を寄せています。
$\mu$bot を正確に制御することは、展開を成功させるために重要ではありますが、困難です。
この研究では、外乱と不確実性が存在する中で $\mu$bot を使用して基準軌道を追跡する問題を検討します。
擾乱は主にブラウン運動やその他の環境現象から生じますが、不確実性はモデル パラメーターの誤差から生じます。
$\mu$bot を、地球規模の磁場によって制御される不確実な一輪車としてモデル化します。
外乱や不確実性を補償するために、非線形ミスマッチ コントローラーを開発します。
モデルの不一致誤差を、モデルの予測速度と $\mu$bot の実際の速度の差として定義します。
ガウス プロセスを使用して、適用された制御入力の関数としてモデルの不一致エラーを学習します。
次に、最小二乗最小化を使用して、$\mu$bot の実際の速度と基準速度の差を最小化する制御アクションを選択します。
シミュレーションで共同学習および制御アルゴリズムのオンライン パフォーマンスを実証します。このアプローチでは、モデルの不一致を正確に学習し、追跡パフォーマンスが向上します。
また、実験でアプローチを検証し、特定のエラー メトリックが最大 $40\%$ 削減されることを示します。

要約(オリジナル)

Micron-scale robots ($\mu$bots) have recently shown great promise for emerging medical applications. Accurate controlling $\mu$bots, while critical to their successful deployment, is challenging. In this work, we consider the problem of tracking a reference trajectory using a $\mu$bot in the presence of disturbances and uncertainty. The disturbances primarily come from Brownian motion and other environmental phenomena, while the uncertainty originates from errors in the model parameters. We model the $\mu$bot as an uncertain unicycle that is controlled by a global magnetic field. To compensate for disturbances and uncertainties, we develop a nonlinear mismatch controller. We define the model mismatch error as the difference between our model’s predicted velocity and the actual velocity of the $\mu$bot. We employ a Gaussian Process to learn the model mismatch error as a function of the applied control input. Then we use a least-squares minimization to select a control action that minimizes the difference between the actual velocity of the $\mu$bot and a reference velocity. We demonstrate the online performance of our joint learning and control algorithm in simulation, where our approach accurately learns the model mismatch and improves tracking performance. We also validate our approach in an experiment and show that certain error metrics are reduced by up to $40\%$.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google