[论文解读] Learning-based Position and Stiffness Feedforward Control of Antagonistic Soft Pneumatic Actuators using Gaussian Processes

Tim-Lukas Habich, Sarah Kleinjohann+1 more|arXiv (Cornell University)|Mar 3, 2023

Prosthetics and Rehabilitation Robotics参考文献 32被引用 1

一句话总结

本文提出一种数据驱动、基于学习的前馈控制方法，利用高斯过程对拮抗性软气动执行器进行控制，无需事先了解系统模型，即可同时控制关节位置和刚度。通过在自定义测功机上采集的输入-输出实测数据进行训练，该方法实现了平均前馈误差为压力范围的11.5%，从而在多种配置下实现对位置和刚度的精确且连续的调节，并在模块化软体机器人样机上通过实验得到验证。

ABSTRACT

Variable stiffness actuator (VSA) designs are manifold. Conventional model-based control of these nonlinear systems is associated with high effort and design-dependent assumptions. In contrast, machine learning offers a promising alternative as models are trained on real measured data and nonlinearities are inherently taken into account. Our work presents a universal, learning-based approach for position and stiffness control of soft actuators. After introducing a soft pneumatic VSA, the model is learned with input-output data. For this purpose, a test bench was set up which enables automated measurement of the variable joint stiffness. During control, Gaussian processes are used to predict pressures for achieving desired position and stiffness. The feedforward error is on average 11.5% of the total pressure range and is compensated by feedback control. Experiments with the soft actuator show that the learning-based approach allows continuous adjustment of position and stiffness without model knowledge.© 2023 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works.

研究动机与目标

• 开发一种适用于软体机器人中变刚度执行器（VSAs）的通用、无模型控制方法。
• 实现在拮抗性软气动执行器中对关节位置和刚度的连续、同步控制。
• 克服使用解析方法建模软气动系统复杂非线性特性时的挑战。
• 通过自定义测功机采集的真实测量数据，验证数据驱动方法的可行性。
• 证明该方法在无需针对特定设计进行假设的前提下，可适用于不同执行器设计。

提出的方法

• 为实验验证，制造了一种具有两个拮抗气囊的模块化软气动VSAs。
• 开发了自动化测功机，用于在不同压力输入下采集关节角度和刚度的输入-输出数据。
• 利用实测数据训练高斯过程（GPs），以学习从期望位置和刚度到所需压力输入的逆映射。
• GP模型预测实现目标关节角度和刚度所需的前馈压力差（ΔpFF）和平均压力（p̄FF）。
• 通过调节增益（KP = 0.025 bar/deg，KI = 0.05 bar·s/deg）的反馈控制，补偿GP预测误差。
• 在运行过程中，采用电机施加扰动的方法测量关节刚度，实现实时反馈。

实验结果

研究问题

• RQ1 基于学习的无模型方法是否能够实现在软气动VSAs中对位置和刚度的同步连续控制？
• RQ2 在无先前系统建模的前提下，高斯过程在预测实现期望关节状态所需压力输入方面有多准确？
• RQ3 反馈控制在多大程度上缓解了基于GP的前馈控制中的固有误差？
• RQ4 该方法是否可普遍适用于不同VSAs设计，而无需依赖特定设计假设？
• RQ5 反馈控制对运行过程中测得的关节刚度有何影响？能否实现刚度的精确跟踪？

主要发现

• 高斯过程模型实现了平均前馈误差为总压力范围（0–0.4 bar）的11.5%，对应平均绝对误差为0.046 bar。
• 位置跟踪的平均绝对误差为0.34°，与编码器分辨力0.35°相当，表明具有高精度。
• 该方法成功实现了在七个不同目标角度下、每种角度对应两种刚度水平时，关节角度和刚度的连续同步控制。
• 在14种配置中的10种中，目标刚度被高精度实现，仅在qd = −2°时因粘弹性材料效应出现轻微偏差。
• 反馈控制有效补偿了GP预测误差，保持了稳定跟踪，且未显著降低刚度性能。
• 该方法具有设计无关性，适用于多种VSAs配置，展现出在模块化软体机器人系统中的广泛应用潜力。