[论文解读] Data-driven Reference Trajectory Optimization for Precision Motion Systems

Samuel Balula, Dominic Liao-McPherson+2 more|arXiv (Cornell University)|May 31, 2022

Advanced Measurement and Metrology Techniques被引用 5

一句话总结

该论文提出了一种数据驱动、基于优化的预补偿方法，通过修改参考轨迹而非改变底层控制器，提升了运动系统的精度与效率。采用两阶段方法——第一阶段使用线性模型进行时间最优速度规划，第二阶段使用非线性高保真模型进行优化修正——该方法将轮廓误差最多降低75%，同时将遍历时间减少73%，并在多种几何形状和加速度水平下通过实验验证。

ABSTRACT

We propose a data-driven optimization-based pre-compensation method to improve the contour tracking performance of precision motion stages by modifying the reference trajectory and without modifying any built-in low-level controllers. The position of the precision motion stage is predicted with data-driven models, a linear low-fidelity model is used to optimize traversal time, by changing the path velocity and acceleration profiles then a non-linear high-fidelity model is used to refine the previously found time-optimal solution. We experimentally demonstrate that the proposed method is capable of simultaneously improving the productivity and accuracy of a high precision motion stage. Given the data-based nature of the models, the proposed method can easily be adapted to a wide family of precision motion systems.

研究动机与目标

• 在不修改硬件或底层控制器的前提下，解决精密运动系统（PMS）中生产效率与精度之间的权衡问题。
• 开发一种适用于多种非均质机器、技术特性各异的系统的方法。
• 在仅需极少校准的情况下，实现对新型未见零件的高性能表现，支持个性化与分布式制造。
• 利用现有系统数据构建模型，而非依赖复杂的基于物理原理的首项模型。
• 通过离线参考轨迹优化，实现精度与速度的同步提升。

提出的方法

• 利用数据驱动模型，基于实验系统数据预测运动阶段的位置。
• 应用线性低保真模型，通过调整速度与加速度轮廓来优化遍历时间，求解凸优化问题。
• 使用非线性高保真模型（如神经网络）对第一阶段获得的时间最优解进行优化修正，以提升精度。
• 在第一阶段实施滚动时域策略，以平衡计算负载与解的质量。
• 将最大加速度和进给速度限制等约束整合进优化框架。
• 通过求解两阶段优化实现离线轨迹预补偿：第一阶段为时间最优轮廓，第二阶段为误差最小化优化修正。

实验结果

研究问题

• RQ1 是否能够通过数据驱动、基于优化的预补偿方法，在不修改底层控制器的前提下，同时提升PMS的精度与效率？
• RQ2 该方法在无需重新训练或校准的情况下，对新型、此前未见过的零件几何形状的泛化能力如何？
• RQ3 在滚动时域优化中，使用不同时域长度时，计算负载与性能之间的权衡如何？
• RQ4 该方法在同时最小化遍历时间的同时，能够将轮廓误差降低到何种程度？
• RQ5 在L1、L2和L∞范数下，两阶段优化（线性+非线性）方法相较于基线轨迹和现有方法的性能表现如何？

主要发现

• 对于最大加速度为3.0 m/s²的字母' r '，该方法在L∞范数下将轮廓误差最多降低了75.1%。
• 对于最大加速度为1.0 m/s²的字母' u '，该方法在L1范数下实现了52.7%的改进，并将遍历时间相比非优化轨迹减少了73%。
• 在翼型测试案例中，当优化输入轨迹的遍历时间为1.024 s时，L1范数下误差改善达75.0%，遍历时间减少57%。
• 在相同遍历时间下，优化轨迹的偏差低于非优化轨迹，表明精度-速度权衡曲线实现了有利的偏移。
• 该方法在未见几何形状上表现出良好的泛化能力：对训练数据集外形状的实验结果与仿真趋势一致，且性能提升稳定。
• 一次性优化计算速度最快，轨迹时间最短；而更长的时域会增加计算时间，并因陷入次优局部解而导致性能轻微下降。