Smooth Computation without Input Delay: Robust Tube-Based Model Predictive Control for Robot Manipulator Planning

要約

モデル予測制御(MPC)は、目的の最適化と制約条件の充足において目覚ましい能力を発揮してきた。しかし、最適制御問題(OCP)を各トリガーインスタントで解くことに関連する多大な計算負荷は、状態サンプリングと制御適用の間に大きな遅延をもたらす。この遅延は、複雑なタスクに取り組むリソース制約のあるシステムにおいてMPCの実用性を制限する。本論文でこの問題に対処する直観は、後継状態を予測することで、コントローラはOCPを1時間ステップ先に解くことができ、次のアクションの遅延を回避できるというものである。この目的のために、我々は実システム状態と名目システム状態の偏差を計算し、OCP解の初期条件として将来の実状態を予測する。予測計算により、現在の名目状態に基づく最適制御を保存し、遅延の影響を緩和する。さらに、線形化誤差の上限を設定し、非線形システムを効果的に線形化し、OCPの複雑さを軽減し、応答速度を向上させる。我々は、2つの数値シミュレーションと対応する実世界ロボットタスクを通して実証的な検証を行い、従来の時間トリガーMPC戦略と比較して、提案アプローチのシームレスな統合による性能の大幅な改善と応答速度の向上（最大$90%$）を実証する。

要約(オリジナル)

Model Predictive Control (MPC) has exhibited remarkable capabilities in optimizing objectives and meeting constraints. However, the substantial computational burden associated with solving the Optimal Control Problem (OCP) at each triggering instant introduces significant delays between state sampling and control application. These delays limit the practicality of MPC in resource-constrained systems when engaging in complex tasks. The intuition to address this issue in this paper is that by predicting the successor state, the controller can solve the OCP one time step ahead of time thus avoiding the delay of the next action. To this end, we compute deviations between real and nominal system states, predicting forthcoming real states as initial conditions for the imminent OCP solution. Anticipatory computation stores optimal control based on current nominal states, thus mitigating the delay effects. Additionally, we establish an upper bound for linearization error, effectively linearizing the nonlinear system, reducing OCP complexity, and enhancing response speed. We provide empirical validation through two numerical simulations and corresponding real-world robot tasks, demonstrating significant performance improvements and augmented response speed (up to $90\%$) resulting from the seamless integration of our proposed approach compared to conventional time-triggered MPC strategies.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL