[論文レビュー] High-bandwidth nonlinear control for soft actuators with recursive network models

Sarah Aguasvivas Manzano, Patricia Xu+3 more|arXiv (Cornell University)|Jan 4, 2021

Iterative Learning Control Systems参考文献 13被引用数 4

ひとこと要約

本論文は、前方運動学予測にパラメータを絞った再帰的ニューラルネットワーク（全結合、GRU、LSTM）とオンラインニュートン・ラプソン最適化を用いた、高帯域幅で軽量な非線形予測制御器を提案する。本制御器は1.62 mmのRMSEを達成し、1.62 mmのRMSEを実現し、2.22 kBのフラッシュメモリに収まり、リソース制限のあるマイコンへの埋め込み実装を可能にする。

ABSTRACT

We present a high-bandwidth, lightweight, and nonlinear output tracking technique for soft actuators that combines parsimonious recursive layers for forward output predictions and online optimization using Newton-Raphson. This technique allows for reduced model sizes and increased control loop frequencies when compared with conventional RNN models. Experimental results of this controller prototype on a single soft actuator with soft positional sensors indicate effective tracking of referenced spatial trajectories and rejection of mechanical and electromagnetic disturbances. These are evidenced by root mean squared path tracking errors (RMSE) of 1.8mm using a fully connected (FC) substructure, 1.62mm using a gated recurrent unit (GRU) and 2.11mm using a long short term memory (LSTM) unit, all averaged over three tasks. Among these models, the highest flash memory requirement is 2.22kB enabling co-location of controller and actuator.

研究の動機と目的

• 埋め込みマイコン上で効率的に動作する、軽量で高帯域幅のソフトロボットアクチュエータ制御器を開発すること。
• 従来のRNNと比較してモデルサイズとメモリフットプリントを削減しながらも、高い制御精度を維持すること。
• 機械的および電磁的擾乱に対してロバストなリアルタイム非線形出力追従制御を実現すること。
• コンパクトな再帰的ニューラルネットワークモデルが、ソフトロボティクス制御において大規模で複雑なモデルと競合する性能を達成できることを実証すること。

提案手法

• ソフトアクチュエータの先端の前方運動学を予測するために、パラメータを絞った再帰的ニューラルネットワーク（全結合、GRU、LSTM）を採用する。
• 予測ホライズン内で追従誤差を最小化する制御入力を計算するために、オンラインニュートン・ラプソン最適化を用いる。
• モデル予測の補正と耐障害性の向上のため、埋め込み型の「Light Lace」光学センサからのリアルタイムセンサフィードバックを統合する。
• 高レベルのディープラーニングフレームワークに自動微分機能に依存せずに、効率的なオンライン最適化を実現するために数値勾配近似を適用する。
• 制御器を低空間複雑性および最小限のメモリフットプリントに設計することで、一般のマイコン上でのアクチュエータと同一プラットフォームへの統合を可能にする。
• モデルサイズと計算負荷を削減しながらも予測精度を保持するため、階層的再帰アーキテクチャを採用する。

実験結果

リサーチクエスチョン

• RQ1 軽量な再帰的ニューラルネットワークモデルは、最小限のメモリフットプリントでソフトアクチュエータの運動学を高精度に予測できるか？
• RQ2 数値勾配を用いたニュートン・ラプソン最適化は、高レベルのフレームワークの自動微分機能に依存せずに、自動微分に依存せずに高帯域制御を実現できるか？
• RQ3 FC、GRU、LSTMといった異なる再帰的ネットワークアーキテクチャにおいて、追従精度と擾乱抑制性能の観点から、制御器の性能はどのように異なるか？
• RQ4 コンパクトなモデルが、性能を維持したまま、大規模なニューラルネットワークを代替できる程度まで到達できるか？
• RQ5 埋め込みセンサフィードバックのみを用いて、機械的および電磁的擾乱を効果的に抑制できるか？

主な発見

• GRUベースのモデルを用いた制御器は、3つのタスクにおいてFC（1.8 mm）およびLSTM（2.11 mm）モデルを上回る、1.62 mmの平均二乗誤差（RMSE）を達成した。
• ESP32マイコン上で10 ms未満の計算時間で実現されたため、リアルタイム制御が可能であり、高帯域動作に適したループ周波数を達成した。
• 137 gの負荷による擾乱に対して、制御入力とセンサ信号の調整が迅速に行われ、機械的および電磁的擾乱を効果的に抑制した。
• テストセットにおいてGRUベースのモデルが優れた予測精度を示し、これはFCおよびLSTMモデルと比較して、より優れた制御性能に直接的につながった。
• 制御器フレームワーク全体のフラッシュメモリ使用量はわずか2.22 kBであり、制御器とアクチュエータを単一の埋め込みプラットフォームに統合可能であった。
• センサの非線形性やドリフトに対してもロバストであることが実証され、実験間でセンサの正規化設定を変更しても、効果的な擾乱抑制が維持された。