フィードフォワードロボット制御のためのハイブリッド分析およびデータ駆動型モデリング

フィードフォワードモデルベースの制御は、たとえば、マニピュレーターの運動学またはダイナミクスの正確な知識に関するロボット工学の制御プラントのモデルに依存しています。ただし、機械的および分析モデルは、植物の固有の特性のすべての側面をキャプチャするわけではなく、さまざまなパラメーター、モデル化されていない摩擦または柔らかい材料のために、モデルのダイナミクスが残っています。これに関連して、機械学習は、データから非線形植物モデルを抽出するための代替適切な手法です。ただし、完全なデータベースのモデルも不正確さに悩まされており、よく知られている分析モデルの学習が含まれている場合、非効率的です。したがって、このホワイトペーパーでは、分析モデルと学習エラーモデルを含むハイブリッドモデルに基づいたフィードフォワード制御がモデリングの精度を大幅に改善できると主張しています。ここでのハイブリッドモデリングは、2つのモデリングの世界の最高を組み合わせる目的に役立ちます。ハイブリッドモデリングの方法論について説明し、ロボット工学の2つの典型的な問題、すなわち逆運動制御と計算されたトルク制御についてアプローチが実証されています。前者は、冗長なソフトロボットのために実行され、後者は冗長な自由度を備えた厳格な産業ロボットのために実行されます。この場合、完全な分析モデルはプラットフォームで使用できません。

Feed-forward model-based control relies on models of the controlled plant, e.g., in robotics on accurate knowledge of manipulator kinematics or dynamics. However, mechanical and analytical models do not capture all aspects of a plant's intrinsic properties and there remain unmodeled dynamics due to varying parameters, unmodeled friction or soft materials. In this context, machine learning is an alternative suitable technique to extract non-linear plant models from data. However, fully data-based models suffer from inaccuracies as well and are inefficient if they include learning of well known analytical models. This paper thus argues that feed-forward control based on hybrid models comprising an analytical model and a learned error model can significantly improve modeling accuracy. Hybrid modeling here serves the purpose to combine the best of the two modeling worlds. The hybrid modeling methodology is described and the approach is demonstrated for two typical problems in robotics, i.e., inverse kinematics control and computed torque control. The former is performed for a redundant soft robot and the latter for a rigid industrial robot with redundant degrees of freedom, where a complete analytical model is not available for any of the platforms.