[论文解读] Industrial Robot Trajectory Tracking Using Multi-Layer Neural Networks Trained by Iterative Learning Control

Shuyang Chen, John T. Wen|arXiv (Cornell University)|Feb 28, 2019

Iterative Learning Control Systems参考文献 59被引用 4

一句话总结

本文提出一种混合方法，结合迭代学习控制（ILC）与多层神经网络（NN），以提升工业机器人的轨迹跟踪性能。通过在高保真度仿真环境中对ILC生成的输入轨迹进行神经网络训练，该方法能够补偿非线性内环动力学和时滞。迁移学习进一步缩小了仿真到现实的差距，使物理机器人上的跟踪误差显著降低（例如，ℓ₂误差减少76.5%），并实现了在其他机器人型号上的泛化能力。

ABSTRACT

Fast and precise robot motion is needed in certain applications such as electronic manufacturing, additive manufacturing and assembly. Most industrial robot motion controllers allow externally commanded motion profile, but the trajectory tracking performance is affected by the robot dynamics and joint servo controllers which users have no direct access and little information. The performance is further compromised by time delays in transmitting the external command as a setpoint to the inner control loop. This paper presents an approach of combining neural networks and iterative learning control to improve the trajectory tracking performance for a multi-axis articulated industrial robot. For a given desired trajectory, the external command is iteratively refined using a high fidelity dynamical simulator to compensate for the robot inner loop dynamics. These desired trajectories and the corresponding refined input trajectories are then used to train multi-layer neural networks to emulate the dynamical inverse of the nonlinear inner loop dynamics. We show that with a sufficiently rich training set, the trained neural networks can generalize well to trajectories beyond the training set. In applying the trained neural networks to the physical robot, the tracking performance still improves but not as much as in the simulator. We show that transfer learning can effectively bridge the gap between simulation and the physical robot. In the end, we test the trained neural networks on other robot models in simulation and demonstrate the possibility of a general purpose network. Development and evaluation of this methodology is based on the ABB IRB6640-180 industrial robot and ABB RobotStudio software packages.

研究动机与目标

• 解决由于外部指令传输中未建模的动力学特性与时滞导致的工业机器人轨迹跟踪性能差的问题。
• 开发一种前馈控制策略，以补偿内环动力学，且无需在线迭代。
• 通过迁移学习弥合仿真与现实之间在轨迹跟踪性能上的差距。
• 评估训练好的神经网络在不同机器人型号上的泛化能力。
• 展示一种通用神经补偿器在工业机器人运动控制中的可行性。

提出的方法

• 在高保真度动力学仿真器中应用迭代学习控制（ILC），以生成优化的输入轨迹，从而最小化一组期望轨迹的跟踪误差。
• 使用期望轨迹及其对应的ILC优化输入，离线训练多层神经网络（NN-I），以近似机器人内控回路的逆动力学特性。
• 通过在物理机器人ILC实验中收集的数据对NN-I进行微调，实现迁移学习，从而获得性能更优的NN-II。
• 在物理A BB IRB6640-180机器人上评估训练好的神经网络，并在仿真中测试其在其他型号（IRB120、IRB6640-130）上的表现，以评估泛化能力。
• 该方法使用ABB RobotStudio环境和EGM（外部引导运动）接口实现外部轨迹指令与控制。
• 该方法假设系统具有确定性与可重复的动力学特性，并在平滑、有界的轨迹（如正弦波和chirp信号）上进行验证。

实验结果

研究问题

• RQ1 在仿真中基于ILC的轨迹优化是否能有效训练神经网络，以补偿工业机器人中非线性内环动力学？
• RQ2 迁移学习在多大程度上缩小了仿真与物理机器人部署之间的性能差距？
• RQ3 在单一机器人型号上训练的神经网络是否能泛化到具有不同运动学与动力学特性的其他机器人型号？
• RQ4 基于神经网络的补偿器在不同轨迹类型（包括平滑与随机轨迹）下的性能表现如何？
• RQ5 在高频或高加速度运动中，可实现的跟踪精度提升程度如何，特别是在误差降低方面？

主要发现

• 物理机器人关节1的跟踪误差ℓ₂范数从未经补偿时的58.6822°降低至使用仿真数据训练的神经网络后的14.0066°，并在迁移学习后进一步降低至13.6826°。
• 迁移学习显著提升了物理机器人上的性能，尤其在高频轨迹（如8 rad/s正弦波）中，有效纠正了相位滞后与幅值衰减问题。
• 训练好的神经网络在其他机器人型号上表现出良好的泛化能力：在仿真中，IRB120与IRB6640-130均对chirp与正弦轨迹实现了显著的跟踪误差降低。
• 对于随机、噪声轨迹，神经网络仍能减少滞后与幅值衰减，但效果不如在平滑轨迹上显著，表明其对轨迹平滑度较为敏感。
• 该方法表明，仅在一个机器人型号上训练的单一神经网络即可作为具有相似内环动力学特性的多种工业机器人型号的通用补偿器。
• 该方法实现了高精度轨迹跟踪，且无需在线迭代，完全依赖于预先训练好的前馈控制（通过神经网络实现）。