Adaptive Robust Controller for handling Unknown Uncertainty of Robotic Manipulators

要約

正確かつスムーズな軌道追跡を実現する能力は、ロボットマニピュレーターが関与するさまざまなタスクを確実に成功裏に実行するために非常に重要です。
最先端の技術では、ロボットのダイナミクスの正確な数学的モデルが必要であり、不確実性をモデル化するためのロバスト性は、モデルの不一致の正確な境界に依存することで実現されます。
この論文では、モデルの不確実性に関する事前知識なしにそれを補償できる新しい適応ロバストフィードバック線形化スキームを提案し、穏やかな仮定の下での収束の理論的証明を提供します。
シミュレートされた RR ロボットでこの方法を評価します。
まず、既知のモデル不一致を持つ名目モデルを検討します。これにより、戦略を最先端の不確実性を認識した手法と比較できるようになります。
第 2 に、不確実性限界が利用できない学習済みモデルと組み合わせて、提案された制御則を実装します。
結果は、私たちの方法が、事前知識をあまり必要とせずに、不確実性を考慮した方法と同等のパフォーマンスをもたらすことを示しています。

要約(オリジナル)

The ability to achieve precise and smooth trajectory tracking is crucial for ensuring the successful execution of various tasks involving robotic manipulators. State-of-the-art techniques require accurate mathematical models of the robot dynamics, and robustness to model uncertainties is achieved by relying on precise bounds on the model mismatch. In this paper, we propose a novel adaptive robust feedback linearization scheme able to compensate for model uncertainties without any a-priori knowledge on them, and we provide a theoretical proof of convergence under mild assumptions. We evaluate the method on a simulated RR robot. First, we consider a nominal model with known model mismatch, which allows us to compare our strategy with state-of-the-art uncertainty-aware methods. Second, we implement the proposed control law in combination with a learned model, for which uncertainty bounds are not available. Results show that our method leads to performance comparable to uncertainty-aware methods while requiring less prior knowledge.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google