[论文解读] High-bandwidth nonlinear control for soft actuators with recursive network models

Sarah Aguasvivas Manzano, Patricia Xu+3 more|arXiv (Cornell University)|Jan 4, 2021

Iterative Learning Control Systems参考文献 13被引用 4

一句话总结

本文提出了一种高带宽、轻量级的非线性预测控制器，用于软体执行器，采用参数稀疏的递归神经网络（全连接、GRU、LSTM）进行前向运动学预测，并结合在线牛顿-拉夫森优化。该方法实现了亚厘米级路径跟踪，均方根误差（RMSE）低至1.62 mm，且仅占用2.22 kB的闪存内存，可在资源受限的微控制器上实现嵌入式部署。

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.

研究动机与目标

• 开发一种轻量级、高带宽的控制器，用于软体机器人执行器，可在嵌入式微控制器上高效运行。
• 与传统RNN相比，降低模型大小和内存占用，同时保持高控制精度。
• 实现实时、非线性输出跟踪，并具备对机械和电磁干扰的鲁棒性。
• 证明紧凑的递归神经网络模型可在软体机器人控制中实现与大型复杂模型相当的性能。

提出的方法

• 采用参数稀疏的递归神经网络（全连接、GRU、LSTM）预测软体执行器末端执行器的前向运动学。
• 利用在线牛顿-拉夫森优化计算控制输入，以最小化预测时域内的跟踪误差。
• 集成来自嵌入式“Light Lace”光学传感器的实时反馈，以校正模型预测并提升鲁棒性。
• 采用数值梯度近似方法，实现实时优化，且无需依赖具备自动微分功能的高级深度学习框架。
• 设计控制器以实现极低的空间复杂度和最小内存占用，从而实现在通用微控制器上与执行器共置。
• 采用分层递归架构，在保持预测精度的同时减小模型规模和计算负载。

实验结果

研究问题

• RQ1 轻量级递归神经网络模型是否能在极小内存占用下实现对软体执行器运动学的高精度前向预测？
• RQ2 采用数值梯度的牛顿-拉夫森优化是否可在不依赖高级框架自动微分功能的情况下实现高带宽控制？
• RQ3 在跟踪精度和干扰抑制能力方面，不同递归网络架构（全连接、GRU、LSTM）的控制器性能如何比较？
• RQ4 在保持性能的前提下，紧凑模型在多大程度上可替代大型神经网络用于软体机器人控制？
• RQ5 仅通过嵌入式传感器反馈，控制器是否能有效抑制机械和电磁干扰？

主要发现

• 采用GRU模型的控制器在三项任务中均实现了1.62 mm的均方根误差（RMSE），优于全连接（1.8 mm）和LSTM（2.11 mm）模型。
• 系统实现了实时控制，环路频率适合高带宽运行，ESP32微控制器上的计算时间低于10 ms。
• 控制器成功抑制了机械和电磁干扰，表现为在施加137 g负载后，控制输入和传感器信号迅速恢复。
• GRU模型在测试集上表现出更优的预测精度，直接转化为相比全连接和LSTM模型更优的控制性能。
• 整个控制器框架仅需2.22 kB的闪存内存，实现了控制器与执行器在单一嵌入式平台上的共置。
• 该方法对传感器非线性和漂移具有鲁棒性，在实验间调整传感器归一化参数后仍能实现有效干扰抑制。