[논문 리뷰] Iterative Learning Control for Fast and Accurate Position Tracking with a Soft Robotic Arm.

Matthias Hofer, Lukas Spannagl외 1명|arXiv (Cornell University)|2019. 01. 29.

Iterative Learning Control Systems참고 문헌 14인용 수 4

한 줄 요약

이 논문은 반동성 팽창 벨로우스로 구동되는 연성 로봇 팔에서 위치 추적 정확도를 향상시키기 위해 피드백 제어와 조합된 범수 최적의 반복 학습 제어(ILC) 방식을 제안한다. 30회 이내의 반복 시행 동안, 0.2초 내에 60°로 급격하게 변화하는 설정값 이동에 대해 루트 평균 제곱 추적 오차가 13°에서 2° 이하로 감소되었다.

ABSTRACT

This paper presents the application of an iterative learning control scheme to improve the position tracking performance for a soft robotic arm during aggressive maneuvers. Two antagonistically arranged, inflatable bellows actuate the robotic arm and provide high compliance while enabling fast actuation. Low-cost switching valves are used for pressure control of the soft actuators. A norm-optimal iterative learning control scheme based on a linear model of the system is presented and applied in parallel with a feedback controller. The learning scheme is experimentally evaluated on an aggressive trajectory involving set point shifts of 60 degrees within 0.2 seconds. The effectiveness of the learning approach is demonstrated by a reduction of the root-mean-square tracking error from 13 degrees to less than 2 degrees after applying the learning scheme for less than 30 iterations.

연구 동기 및 목표

• 고속, 급격한 동작 중 연성 로봇 팔의 위치 추적 성능을 향상시키기 위해.
• 유연하고 빠르게 작동하는 기계적 압력 액추에이터를 갖춘 연성 로봇 시스템에서 높은 추적 오차 문제를 해결하기 위해.
• 고정밀 시스템 모델링이 필요 없이 반복적인 추적 오차를 감소시키는 반복 학습 제어 방식을 개발하고 검증하기 위해.
• 저비용 전환 밸브를 사용한 압력 제어를 통해 ILC를 피드백 제어기와 통합하여 견고한 성능을 달성하기 위해.

제안 방법

• 연성 로봇 팔의 동역학에 대해 선형화된 모델을 사용하여 범수 최적의 반복 학습 제어 법칙을 설계한다.
• ILC 방식을 피드백 제어기와 병렬로 적용하여 시스템을 안정화하고 일시적 반응을 향상시킨다.
• 저비용 전환 밸브를 사용하여 반동성 팽창 벨로우스의 압력을 제어함으로써 고탄성과 함께 빠른 작동을 가능하게 한다.
• 과거의 오차 데이터를 기반으로 제어 입력을 업데이트함으로써 반복 시험 동안 추적 오차를 최소화하는 학습 법칙을 적용한다.
• 시험은 0.2초 내에 60°로 설정값이 변화하는 궤적을 포함한 시스템에서 수행된다.
• 반복 과정에서 오차 노름을 최소화하도록 하는 ILC 업데이트 규칙을 유도하여 수렴성과 견고성을 확보한다.

실험 결과

연구 질문

• RQ1 급격하고 빠른 동작 중 연성 로봇 팔에서 반복 학습 제어가 추적 오차를 효과적으로 감소시킬 수 있는가?
• RQ2 ILC를 피드백 제어기와 통합함으로써 피드백 제어만을 사용할 경우와 비교해 성능이 어떻게 향상되는가?
• RQ3 저비용 기계적 밸브와 선형 모델 기반 ILC 접근법을 사용할 경우 도달할 수 있는 추적 정밀도는 어느 정도인가?
• RQ4 반복 작업에서 ILC 방식이 유의미한 오차 감소를 달성하기 위해 필요한 반복 횟수는 몇 번인가?

주요 결과

• 범수 최적 ILC 방식은 30회 이내의 반복 시행 후 루트 평균 제곱(RMS) 추적 오차를 13도에서 2도 이하로 감소시켰다.
• 압력 제어에 저비용 전환 밸브를 사용함에도 불구하고 시스템은 높은 정밀도의 위치 추적 성능을 달성했다.
• ILC와 피드백 제어의 조합은 0.2초 내에 60도로 급격하게 설정값이 변화하는 상황에서도 안정적이고 정밀한 추적을 가능하게 했다.
• 학습 방식은 빠른 수렴성을 보였으며, 첫 10~15회의 반복 이내에 유의미한 오차 감소가 관찰되었다.
• 선형 모델 기반 ILC 접근법은 연성 기계적 액추에이터의 본질적인 비선형성에도 효과적으로 작용했다.
• 실험 결과는 반복 학습 제어가 반복 작업을 수행하는 연성 로봇 시스템에서 정확도를 향상시키는 실용적인 방법임을 확인한다.