Real-Time Nonlinear MPC via Sequential Quadratic Programming with Structure-Exploiting ADMM and Interior-Point Methods for Underactuated Double-Pendulum Swing-Up
Dieses Paper präsentiert eine Echtzeit-Nichtlinearer-Modell-Prädiktive-Regelungsstrategie auf Basis von sequenzieller quadratischer Programmierung, die erfolgreich ein robustes Aufrichten und Stabilisieren eines unteraktuierten Doppelpendel-Systems auf unbekannter Hardware für den Wettbewerb „AI Olympics with RealAIGym“ erreicht.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, einem Roboter einen Rückwärtssalto beizubringen. Sie können ihm nicht einfach nur sagen „spring“, und hoffen, dass es klappt; Sie müssen genau herausfinden, wie viel Kraft Sie aufwenden müssen, wann er die Knie anziehen muss und wie er landet, ohne zu stürzen. Dies ist die Welt der Robotik-Steuerung, ein Fachgebiet, das sich damit beschäftigt, Maschinen das „Muskelgedächtnis“ zu geben, um sich in der realen Welt zu bewegen. Das Herzstück dieser Herausforderung ist ein Konzept namens Model Predictive Control (MPC). Betrachten Sie MPC als ein superfortschrittliches GPS für einen Roboter. Anstatt nur zu schauen, wo sich der Roboter gerade befindet, blickt das GPS ständig voraus und simuliert in Bruchteilen einer Sekunde tausende mögliche zukünftige Pfade, um den jeweils besten nächsten Schritt zu entscheiden. Es ist wie ein Schachspieler, der nicht nur einen Zug im Voraus denkt, sondern das gesamte Spiel berechnet, um einen Sieg sicherzustellen.
Stellen Sie sich nun vor, der Roboter, den Sie steuern, ist ein Doppelpendel – ein Stab, an dessen Ende ein weiterer Stab befestigt ist und der frei schwingt. Dieses System ist berüchtigt dafür, schwierig zu sein, da es unteraktuiert ist, was bedeutet, dass es mehr bewegliche Teile als Motoren besitzt. Es ist, als würde man versuchen, einen Besen auf der Hand zu balancieren, während die Hand an einer Schnur festgebunden ist; man muss ihn wild hin und her schwingen, um Energie aufzubauen, bevor man ihn schließlich aufrecht halten kann. Dieses spezifische Rätsel ist das Herzstück der „AI Olympics mit RealAIGym“, einem Wettbewerb, bei dem Teams einen Roboter programmieren müssen, damit er sich aus einer hängenden Position selbst aufschwingt und das Gleichgewicht hält, während das exakte Gewicht und die Reibung des Roboters für den Programmierer ein Geheimnis bleiben.
Die Arbeit von Karydakis und Chatzilygeroudis präsentiert eine clevere Lösung für dieses Problem unter Verwendung einer Methode namens Sequential Quadratic Programming (SQP). Anstatt zu raten und zu prüfen, agiert ihr Controller wie ein Meisterstratege, der das komplexe, wackelige Problem des Schwingens eines Doppelpendels in eine Reihe kleinerer, handhabbarer Rätsel zerlegt. In jedem winzigen Bruchteil einer Sekunde fragt sich der Roboter: „Wenn ich meinen Motor auf diese Weise bewege, wo werde ich in den nächsten Schritten sein?“ Er löst ein vereinfachtes mathematisches Problem, um den besten Pfad zu finden, macht dann den ersten Schritt und berechnet sofort für den nächsten Moment neu. Dies geschieht so schnell – über 100 Mal pro Sekunde – dass sich der Roboter anfühlt, als würde er in Echtzeit denken.
Die Forscher testeten diesen „Kern“ an zwei verschiedenen Versionen des Doppelpendels: dem Pendubot (bei dem der Motor an der Schulter sitzt) und dem Acrobot (bei dem der Motor am Ellbogen sitzt). Sie haben ihren Code nicht nur in einer Computersimulation getestet; sie haben ihn auf einen physischen Roboter in der Cloud hochgeladen und ihn dort real laufen lassen. Die Ergebnisse waren beeindruckend. Beim Pendubot schwingte der Roboter erfolgreich auf und blieb zu 100 % der Zeit im Gleichgewicht, selbst wenn jemand einen zufälligen, unerwarteten Stoß gab, um ihn aus dem Gleichgewicht zu bringen. Beim Acrobot war er zu 100 % der Zeit ohne Stöße erfolgreich und zu 70 % der Zeit bei Störungen.
Was diesen Ansatz auszeichnet, ist die Art und Weise, wie er mit den „Unbekannten“ umgeht. Der Roboter wusste nicht das exakte Gewicht seiner eigenen Teile oder wie viel Reibung in seinen Gelenken vorhanden war. Doch indem er ständig seinen Plan neu bewertete und einen speziellen mathematischen Trick verwendete, um die Gleichungen schnell zu lösen, gelang es ihm, die notwendige Energie aufzubauen, um sich aufzuschwingen und sich dann zu stabilisieren. Die Arbeit legt nahe, dass diese Methode robust genug ist, um mit dem Chaos der realen Welt fertig zu werden, und beweist, dass ein modellbasierter Ansatz mit anderen Methoden, die rein auf Trial-and-Error-Lernen basieren, konkurrieren und diese in einigen Fällen sogar übertreffen kann. Während der Acrobot noch ein wenig Hilfe bei der Reibungskompensation benötigte, um perfekt zu sein, zeigt der Gesamterfolg, dass wir mit den richtigen mathematischen Werkzeugen selbst die wackeligsten Roboter lehren können, aufrecht zu stehen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.