Data-Driven Multi-step Nonlinear Model Predictive Control for Industrial Heavy Load Hydraulic Robot

要約

複雑な産業用ロボットを自動化するには、正確な非線形制御と効率的なエネルギー管理が必要です。
この論文では、複数の目的の下で制御を最適化するためのデータ駆動型非線形モデル予測制御 (NMPC) フレームワークを紹介します。
動的モデルの予測精度を向上させるために、長短期記憶 (LSTM) と多層パーセプトロン (MLP) に基づいたシングルショット マルチステップ予測 (SSMP) モデルを設計します。これは、反復せずに予測ホライズンを直接取得できます。
繰り返しを行い、計算負荷を軽減します。
さらに、オフラインとオンラインのモデルを組み合わせて、ロボットの自由応答と強制応答を重ね合わせるのと同様に、環境相互作用から生じる外乱に対処します。
オンライン モデルは、オフライン モデルの予測の不一致からシステムの変動を学習し、その重みをリアルタイムで更新します。
提案されたハイブリッド予測モデルは、入力と出力の間の関係を行列乗算に単純化し、導関数を迅速に取得できます。
したがって、制御信号シーケンスのソリューションには、適応学習率を備えた勾配降下法が採用されており、NMPC コスト関数を臨界状態を組み込んだ凸関数として定式化できます。
学習率は状態エラーに基づいて動的に調整され、ニューラル ネットワーク固有の予測の不正確さを打ち消します。
コントローラは、制御信号シーケンスの最初の値の代わりに平均値を出力します。
22トンの油圧ショベルでのシミュレーションと実験により、私たちの方法の有効性が検証され、提案されたNMPCアプローチが非線形制御やエネルギー管理を含む産業システムに広く適用できることが示されました。

要約(オリジナル)

Automating complex industrial robots requires precise nonlinear control and efficient energy management. This paper introduces a data-driven nonlinear model predictive control (NMPC) framework to optimize control under multiple objectives. To enhance the prediction accuracy of the dynamic model, we design a single-shot multi-step prediction (SSMP) model based on long short-term memory (LSTM) and multilayer perceptrons (MLP), which can directly obtain the predictive horizon without iterative repetition and reduce computational pressure. Moreover, we combine offline and online models to address disturbances stemming from environmental interactions, similar to the superposition of the robot’s free and forced responses. The online model learns the system’s variations from the prediction mismatches of the offline model and updates its weights in real time. The proposed hybrid predictive model simplifies the relationship between inputs and outputs into matrix multiplication, which can quickly obtain the derivative. Therefore, the solution for the control signal sequence employs a gradient descent method with an adaptive learning rate, allowing the NMPC cost function to be formulated as a convex function incorporating critical states. The learning rate is dynamically adjusted based on state errors to counteract the inherent prediction inaccuracies of neural networks. The controller outputs the average value of the control signal sequence instead of the first value. Simulations and experiments on a 22-ton hydraulic excavator have validated the effectiveness of our method, showing that the proposed NMPC approach can be widely applied to industrial systems, including nonlinear control and energy management.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google