[논문 리뷰] Mobile Robots Adaptive Control Using Neural Networks

Ioan Dumitrache, Monica Drăgoicea|arXiv (Cornell University)|2001. 01. 01.

Control and Dynamics of Mobile Robots참고 문헌 2인용 수 2

한 줄 요약

이 논문은 비선형이고 결합된 동역학에서의 모델링 불확실성을 보완하는 신경망 기반 피드포워드 적응 제어 전략을 제안한다. PID 피드백 제어기와 비선형 역역학을 학습하는 신경망 피드포워드 제어기를 조합함으로써, 모델링되지 않은 동역학과 파rameter 변화가 있는 상황에서도 향상된 궤적 추적 성능을 달성한다.

ABSTRACT

The paper proposes a feed-forward control strategy for mobile robot control that accounts for a non-linear model of the vehicle with interaction between inputs and outputs. It is possible to include specific model uncertainties in the dynamic model of the mobile robot in order to see how the control problem should be addressed taking into consideration the complete dynamic mobile robot model. By means of a neural network feed-forward controller a real non-linear mathematical model of the vehicle can be taken into consideration. The classical velocity control strategy can be extended using artificial neural networks in order to compensate for the modelling uncertainties. It is possible to develop an intelligent strategy for mobile robot control.

연구 동기 및 목표

• 모델 불확실성이 있는 비홀로노믹 이동 로봇을 제어하는 데 도전하는 것.
• 계층적 제어 아키텍처에 신경망을 통합하여 궤적 추적 성능을 향상시키는 것.
• 실시간으로 모델링되지 않은 동역학을 학습하고 보완하는 적응 제어 전략을 개발하는 것.
• 기존의 속도 제어를 지능형 학습 능력으로 확장하여 강건성을 향상시키는 것.

제안 방법

• 외부 운동 제어기(속도 기준 생성)와 내부 속도 제어기(피드백 및 피드포워드 구성 요소 포함)를 포함하는 이중 수준의 계층적 제어 구조를 사용한다.
• 피드백 구성 요소는 DC 모터와 이동 플랫폼 모델(식 3)을 기반으로 단순화된 PID 제어기를 사용하여 시스템을 안정화시킨다.
• 피드포워드 구성 요소는 실시간으로 이동 로봇의 역역학을 학습하는 피드포워드 신경망을 사용한다.
• 신경망은 보정 명령 신호 Uff를 생성하여 PID 출력 Ufb를 조정함으로써 속도 추적 오차를 최소화한다.
• 제어 입력 u = [Ul Ur]는 신경망이 학습한 역모델을 사용하여 기준 속도 벡터 ηc로부터 계산된다.
• 모델 불확실성 하에서의 추적 성능을 시뮬레이션 결과를 통해 검증한다.

실험 결과

연구 질문

• RQ1 어떻게 신경망을 계층적 제어 아키텍처에 효과적으로 통합하여 이동 로봇의 궤적 추적을 가능하게 할 수 있는가?
• RQ2 비선형 이동 로봇 시스템에서 모델링되지 않은 동역학을 피드포워드 신경망 제어기가 어느 정도 보완할 수 있는가?
• RQ3 모델링 불확실성이 존재할 경우, 신경망 기반 적응 제어기가 기존의 PID 제어기보다 어떤 성능 향상을 제공하는가?
• RQ4 피드백 PID 제어와 피드포워드 신경망 제어의 조합이 시스템의 강건성과 추적 정확도를 어떻게 향상시키는가?

주요 결과

• 신경망 피드포워드 제어기가 이동 로봇의 역역학을 성공적으로 학습하여 모델링 불확실성을 정확히 보완함을 입증하였다.
• 그림 5에서 보듯이, 기존의 PID 제어기 대비 신경망 피드포워드 제어기를 사용할 경우 추적 오차가 크게 감소하였다.
• 피드포워드 제어기는 동역학적 불확실성에 실시간으로 적응하여 궤적 추적 성능을 향상시켰다.
• 신경망 제어기의 출력(그림 6)은 운영 중 안정적이고 적응적인 행동를 보였으며, 이는 역모델의 효과적인 학습을 나타내었다.
• 제안된 적응 제어 전략은 파rameter 변화와 모델링되지 않은 동역학이 존재하는 상황에서도 향상된 강건성과 더 빠른 반응을 달성하였다.
• 신경망과 PID 피드백의 통합은 비선형이고 결합된 이동 로봇 시스템에 대해 안정적이고 고성능의 제어 솔루션을 제공하였다.