Learning-based Observer for Coupled Disturbance

要約

ロボットシステムの高精度制御の達成は、低忠実度の動的モデルと外乱によって妨げられます。
特に、内部の不確実性と外部障害の複雑な結合は、この課題をさらに悪化させます。
この研究では、コントロールと学習の哲学を組み合わせて結合した妨害を正確に推定できる効果的かつ収束的なアルゴリズムを紹介します。
具体的には、Chebyshevシリーズの拡張に頼ることにより、結合された妨害は、まず、システム状態と外乱にそれぞれ依存する2つの既知の構造にそれぞれ分解されます。
その後、正規化された最小二乗アルゴリズムが形式化され、履歴の時系列データを使用してパラメーターマトリックスを学習します。
最後に、学習部分を利用することにより、結合妨害の高精度の推定を達成するために、多項式障害観察者が特に考案されています。
提案されたアルゴリズムは、広範なシミュレーションと実際の飛行テストを通じて評価されます。
この作業は、ロボットアプリケーションの長年の課題に対処するための学習アプローチを制御フレームワークに統合するための新しい経路を提供できると考えています。

要約(オリジナル)

Achieving high-precision control for robotic systems is hindered by the low-fidelity dynamical model and external disturbances. Especially, the intricate coupling between internal uncertainties and external disturbances further exacerbates this challenge. This study introduces an effective and convergent algorithm enabling accurate estimation of the coupled disturbance via combining control and learning philosophies. Concretely, by resorting to Chebyshev series expansion, the coupled disturbance is firstly decomposed into an unknown parameter matrix and two known structures dependent on system state and external disturbance respectively. A regularized least squares algorithm is subsequently formalized to learn the parameter matrix using historical time-series data. Finally, a polynomial disturbance observer is specifically devised to achieve a high-precision estimation of the coupled disturbance by utilizing the learned portion. The proposed algorithm is evaluated through extensive simulations and real flight tests. We believe this work can offer a new pathway to integrate learning approaches into control frameworks for addressing longstanding challenges in robotic applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google