[论文解读] Design of Deep Neural Networks as Add-on Blocks for Improving Impromptu Trajectory Tracking

Siqi Zhou, Mohamed K. Helwa+1 more|arXiv (Cornell University)|May 31, 2017

Iterative Learning Control Systems参考文献 21被引用 6

一句话总结

本文提出一种DNN增强的控制架构，通过预先级联深度神经网络实时调节参考信号，提升即兴轨迹跟踪性能。通过推导特征选择的理论见解并识别有效训练的条件——特别是基线系统对阶跃输入需具备零稳态误差——该方法在输入特征数量仅为先前工作的1/3的情况下，实现了平均45.2%的RMS跟踪误差降低。

ABSTRACT

This paper introduces deep neural networks (DNNs) as add-on blocks to baseline feedback control systems to enhance tracking performance of arbitrary desired trajectories. The DNNs are trained to adapt the reference signals to the feedback control loop. The goal is to achieve a unity map between the desired and the actual outputs. In previous work, the efficacy of this approach was demonstrated on quadrotors; on 30 unseen test trajectories, the proposed DNN approach achieved an average impromptu tracking error reduction of 43% as compared to the baseline feedback controller. Motivated by these results, this work aims to provide platform-independent design guidelines for the proposed DNN-enhanced control architecture. In particular, we provide specific guidelines for the DNN feature selection, derive conditions for when the proposed approach is effective, and show in which cases the training efficiency can be further increased.

研究动机与目标

• 为将深度神经网络（DNN）作为附加模块集成到基线反馈控制器中以提升轨迹跟踪性能，制定平台无关的设计准则。
• 识别DNN增强控制架构有效的条件，特别关注基线系统对阶跃输入的稳态响应特性。
• 通过理论洞察而非试错法进行特征选择，降低DNN模块的输入维度，同时不牺牲性能。
• 通过应用差分学习方案提升训练效率，该方案依赖于基线系统满足零稳态误差的必要条件。
• 提供一种适用于不同机器人平台和控制系统的DNN增强控制方法的通用公式化表达。

提出的方法

• DNN在离线阶段使用在基线反馈控制系统执行一组参考轨迹时采集的数据进行训练。
• DNN的输入为未来期望轨迹导数（如位置、速度随时间的变化）与当前系统状态（如姿态、角速度）的组合，基于相对阶分析选定。
• 对DNN输入应用差分学习方案，利用未来值与当前值之间的差值，以提升学习的稳定性和收敛性。
• DNN被训练以近似基线系统的逆动态特性，从而有效生成补偿后的参考信号以最小化跟踪误差。
• 理论分析将DNN模块与基线系统的逆输出方程联系起来，使有效性的条件得以推导。
• 通过四旋翼平台的仿真与实验验证了该方法，与基线控制器及先前的DNN设计进行性能对比。

实验结果

研究问题

• RQ1 DNN增强控制架构在何种条件下对即兴轨迹跟踪有效？
• RQ2 如何系统性地选择DNN输入特征以降低维度，同时保持跟踪性能？
• RQ3 基线系统对阶跃输入的稳态响应在差分学习方案成功中的作用是什么？
• RQ4 DNN-based参考信号补偿方法是否可泛化至不同机器人平台而无需重新训练？
• RQ5 与以往基于试错法的DNN设计相比，该方法在性能和训练效率方面表现如何？

主要发现

• DNN增强控制架构在五个未见过的测试轨迹上实现了平均45.2%的RMS跟踪误差降低，且仅使用12个输入特征，性能与先前使用36个输入的DNN相当。
• 基于相对阶分析和系统动力学的特征选择方法，将DNN输入维度降低了67%，同时保持了相近的跟踪性能。
• 差分学习方案仅在基线系统对阶跃参考实现零稳态误差时有效；否则，其无法补偿系统偏差。
• 理论分析证实，DNN模块近似了基线系统的逆动态特性，解释了其在最小化跟踪误差方面的有效性。
• 对于零动态不稳定的系统，该方法无效，因为其逆动态变为非最小相位且不稳定。
• 实验结果表明，采用减少输入特征的DNN在z方向实现了更好的延迟补偿，表明控制指令的时序对齐性得到改善。