[論文レビュー] Mobile Robots Adaptive Control Using Neural Networks

Ioan Dumitrache, Monica Drăgoicea|arXiv (Cornell University)|Jan 1, 2001

Control and Dynamics of Mobile Robots参考文献 2被引用数 2

ひとこと要約

本稿では、非線形で結合された力学的特性におけるモデル化の不確実性を補償するニューラルネットワークベースのフィードフォワード適応制御戦略を、移動ロボットに対して提案する。PIDフィードバック制御と、逆運動学を学習するニューラルネットワークフィードフォワード制御を組み合わせることで、モデル化されていない動的特性やパラメータの変動があっても、優れた軌道追従性能を達成する。

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.

研究の動機と目的

• モデル不確実性下での非ホロノミック移動ロボットの制御という課題に対処すること。
• 階層的制御アーキテクチャにニューラルネットワークを統合することで、軌道追従性能を向上させること。
• リアルタイムで未モデル化された動的特性を学習し補償する適応制御戦略を開発すること。
• 従来の速度制御を、知能的な学習能力を備えたものに拡張し、より高いロバスト性を実現すること。

提案手法

• 二段階の階層的制御構造を採用：外側の運動制御器が速度リファレンスを生成し、内側の速度制御器がフィードバックとフィードフォワードの要素を併用する。
• フィードバック部は、DCモータと移動プラットフォームのモデル（式3）に基づいた簡略化されたPID制御器を用い、システムの安定化を図る。
• フィードフォワード部は、リアルタイムで移動ロボットの逆運動学を学習するフィードフォワードニューラルネットワークを採用する。
• ニューラルネットワークは補正入力信号Uffを生成し、PID出力Ufbを調整して速度追従誤差を最小化する。
• 制御入力u = [Ul Ur] は、参照速度ベクトルηc を用いて、ニューラルネットワークが学習した逆モデルから計算される。
• モデル不確実性下での追従性能を示すシミュレーション結果により、システムの妥当性が検証された。

実験結果

リサーチクエスチョン

• RQ1 どのようにしてニューラルネットワークを階層的制御アーキテクチャに効果的に統合し、移動ロボットの軌道追従制御を実現できるか？
• RQ2 非線形移動ロボット系において、ニューラルネットワークベースのフィードフォワード制御は、未モデル化された動的特性をどの程度補償できるか？
• RQ3 モデル不確実性が存在する状況下で、ニューラルネットワークベースの適応制御は、従来のPID制御に比べてどの程度性能向上を達成できるか？
• RQ4 フィードバックPID制御とフィードフォワードニューラルネットワーク制御を組み合わせることで、システムのロバスト性と追従精度はどのように向上するか？

主な発見

• ニューラルネットワークフィードフォワード制御は、移動ロボットの逆運動学を効果的に学習し、モデル化不確実性の正確な補償を可能にした。
• 図5に示すように、従来のPID制御と比較して、ニューラルネットワークフィードフォワード制御を用いた場合、追従誤差が顕著に低減された。
• フィードフォワード制御は、動的不確実性に対するリアルタイムでの適応が有効であり、軌道追従性能の向上に寄与した。
• 図6に示すニューラルネットワーク制御器の出力は、運転中に安定的かつ適応的であることが確認され、逆モデルの効果的な学習が示された。
• 提案された適応制御戦略は、パrameterの変動や未モデル化された動的特性が存在する状況でも、より高いロバスト性と迅速な応答を達成した。
• ニューラルネットワークとPIDフィードバックの統合により、非線形で結合された移動ロボット系に対して、安定的かつ高性能な制御ソリューションが実現された。