[論文レビュー] Data-driven Reference Trajectory Optimization for Precision Motion Systems

Samuel Balula, Dominic Liao-McPherson+2 more|arXiv (Cornell University)|May 31, 2022

Advanced Measurement and Metrology Techniques被引用数 5

ひとこと要約

本論文では、低レベルのコントローラーを変更せずに、参照軌道を変更することで、運動系の精度と生産性を向上させるデータ駆動型で最適化に基づく事前補正手法を提案する。2段階のアプローチ——最初に時間最適な速度プロファイルを求める線形モデルを用い、次に高精度な非線形モデルで修正を行う——ことで、実験的に多様な形状および加速度レベルで、輪郭誤差を最大75%まで低減するとともに、移動時間を73%短縮した。

ABSTRACT

We propose a data-driven optimization-based pre-compensation method to improve the contour tracking performance of precision motion stages by modifying the reference trajectory and without modifying any built-in low-level controllers. The position of the precision motion stage is predicted with data-driven models, a linear low-fidelity model is used to optimize traversal time, by changing the path velocity and acceleration profiles then a non-linear high-fidelity model is used to refine the previously found time-optimal solution. We experimentally demonstrate that the proposed method is capable of simultaneously improving the productivity and accuracy of a high precision motion stage. Given the data-based nature of the models, the proposed method can easily be adapted to a wide family of precision motion systems.

研究の動機と目的

• ハードウェアや低レベルコントローラーを変更せずに、精密運動系（PMS）における生産性と精度のトレードオフを解消すること。
• 技術的特性が異なる多様で非一様な機械に適用可能な手法を開発すること。
• 最小限のキャリブレーションで、以前に見られなかった部品に対しても高い性能を発揮させ、個別化および分散型製造を支援すること。
• 複雑な物理的原理に基づくモデルに依存せず、利用可能なシステムデータからモデルを構築すること。
• オフラインの参照軌道最適化により、精度と速度の両方を同時に向上させること。

提案手法

• 実験的なシステムデータに基づいて、運動ステージの位置を予測するデータ駆動型モデルを用いる。
• 速度および加速度プロファイルの調整により移動時間を最適化するため、凸最適化問題を解く線形低精度モデルを適用する。
• 最初の段階で得られた時間最適解を、非線形高精度モデル（例：ニューラルネットワーク）で精緻化し、精度を向上させる。
• 計算負荷と解の品質のバランスを取るために、最初の段階で再帰的ホライズン戦略を実装する。
• 最大加速度や進給速度制限などの制約を最適化フレームワークに統合する。
• 2段階の最適化によりオフラインで軌道事前補正を実行する：最初に時間最適プロファイルを求める段階、次に誤差最小化のための修正段階。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型で最適化に基づく事前補正手法は、低レベルコントローラーを変更せずに、PMSにおける精度と生産性の両方を向上させることができるか？
• RQ2 本手法は、再トレーニングやキャリブレーションなしに、新たに出現する未確認の部品形状にどの程度一般化可能か？
• RQ3 再帰的ホライズン最適化における異なるホライズン長さを用いた場合、計算負荷と性能のトレードオフはどのようになるか？
• RQ4 本手法は、移動時間を最小限に抑えながら、輪郭誤差をどの程度低減できるか？
• RQ5 線形＋非線形の2段階最適化の性能は、L1、L2、L∞ノルムの観点から、ベースライン軌道および既存手法と比較してどの程度優れているか？

主な発見

• 最大加速度3.0 m/s²の条件下で、文字' r 'に対して、L∞ノルムで輪郭誤差を最大75.1%まで低減した。
• 最大加速度1.0 m/s²の条件下で、文字' u 'に対して、L1ノルムで52.7%の改善を達成し、非最適化軌道と比較して移動時間を73%短縮した。
• 翼型試験では、最適化入力軌道を用いることで、L1ノルムで75.0%の改善が得られ、1.024秒の移動時間で57%の短縮が達成された。
• 同じ移動時間内でも、最適化された軌道は非最適化軌道よりも偏差が小さく、精度と速度のトレードオフ曲線が有利にシフトしていることが示された。
• 本手法は未確認の形状に対しても良好に一般化された：トレーニングデータセット外の形状についての実験結果は、シミュレーションのトレンドと一致し、一貫した性能向上が確認された。
• ワンショット最適化は最も計算が速く、軌道移動時間も短かったが、長いホライズンでは計算時間が増加し、局所最適解によるわずかな性能劣化が生じた。