[논문 리뷰] High-bandwidth nonlinear control for soft actuators with recursive network models

Sarah Aguasvivas Manzano, Patricia Xu외 3명|arXiv (Cornell University)|2021. 01. 04.

Iterative Learning Control Systems참고 문헌 13인용 수 4

한 줄 요약

이 논문은 전방 운동학 예측을 위한 비용 효율적인 재귀 신경망(FC, GRU, LSTM)과 온라인 뉴턴-라프슨 최적화를 사용하여 소프트 액추에이터용 고대역폭, 경량 비선형 예측 제어기를 제안한다. 이 제어기는 루트 평균 제곱 오차(RMSE)가 최소 1.62 mm에 불과하고, 2.22 kB 미만의 플래시 메모리에만 차지하여 자원 제한된 마이크로컨트롤러에 내장 배치가 가능하다.

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.

연구 동기 및 목표

• 자원 제한된 임베디드 마이크로컨트롤러에서 효율적으로 작동하는 경량 고대역폭 제어기를 개발하는 것.
• 기존 RNN과 비교해 모델 크기와 메모리 프로파일을 줄이면서도 높은 제어 정확도를 유지하는 것.
• 기계적 및 전자기적 외란에 대해 강건한 실시간 비선형 출력 추적을 가능하게 하는 것.
• 작고 효율적인 재귀 신경망 모델이 소프트 로봇 제어에서 큰 복잡한 모델과 경쟁 가능한 성능을 달성할 수 있음을 입증하는 것.

제안 방법

• 소프트 액추에이터의 종단 효과기 운동학을 예측하기 위해 비용 효율적인 재귀 신경망(전결합, GRU, LSTM)을 사용한다.
• 예측 수평 동안 추적 오차를 최소화하는 제어 입력을 계산하기 위해 온라인 뉴턴-라프슨 최적화를 사용한다.
• 모델 예측의 정확도를 향상시키고 강건성을 높이기 위해 임베디드된 '라이트 레이스' 광학 센서로부터 실시간 센서 피드백을 통합한다.
• 고수준 딥러닝 프레임워크의 자동 미분 기능에 의존하지 않고도 효율적인 온라인 최적화를 위해 수치적 기울기 근사를 적용한다.
• 제어기를 저공간 복잡도와 최소한의 메모리 프로필을 갖도록 설계하여 일반 마이크로컨트롤러에 액추에이터와 함께 공치배치가 가능하도록 한다.
• 모델 크기와 계산 부담을 줄이면서도 예측 정확도를 유지하기 위해 계층적 재귀 아키텍처를 적용한다.

실험 결과

연구 질문

• RQ1 경량 재귀 신경망 모델이 최소한의 메모리 프로필로 소프트 액추에이터 운동학의 고정밀 전방 예측을 달성할 수 있는가?
• RQ2 수치적 기울기 근사를 사용하는 뉴턴-라프슨 최적화가 고수준 프레임워크의 자동 미분 기능 없이도 고대역폭 제어를 가능하게 하는가?
• RQ3 다양한 재귀 네트워크 아키텍처(FC, GRU, LSTM) 간의 추적 정확도 및 외란 제거 성능를 비교했을 때의 성능 차이는 어떠한가?
• RQ4 작은 모델이 큰 신경망 모델을 대체할 수 있는 정도는 어느 정도이며, 성능 유지를 유지할 수 있는가?
• RQ5 임베디드 센서 피드백만으로 기계적 및 전자기적 외란을 효과적으로 제거할 수 있는가?

주요 결과

• GRU 기반 모델을 사용한 제어기는 세 가지 작업 전반에서 FC(1.8 mm) 및 LSTM(2.11 mm) 모델보다 루트 평균 제곱 오차(RMSE)가 1.62 mm로 뛰어난 성능을 보였다.
• ESP32 마이크로컨트롤러에서 10 ms 미만의 계산 시간을 기록하여 고대역폭 작동에 적합한 실시간 제어 주기를 확보했다.
• 137 g의 하중에 의해 발생한 기계적 및 전자기적 외란에 대해 제어 입력과 센서 신호 조정이 빠르게 반영되어 외란 제거가 성공적으로 이루어졌다.
• 테스트 세트에서 GRU 기반 모델은 예측 정확도가 뛰어나, FC 및 LSTM 모델 대비 더 나은 제어 성능으로 이어졌다.
• 전체 제어기 프레임워크는 단지 2.22 kB의 플래시 메모리만을 차지하여 액추에이터와 동일한 임베디드 플랫폼에 제어기를 공치배치할 수 있도록 했다.
• 센서의 비선형성과 드리프트에 대해 강건한 성능을 보였으며, 실험 간 센서 정규화 조정에도 효과적인 외란 제거가 이루어졌다.