Behavioral Data-Driven Optimal Trajectory Generation for Rotary Cranes

Résumé technique : Génération de trajectoires optimales pour grues rotatives basée sur des données comportementales

Énoncé du problème
L'automatisation des grues rotatives dans le secteur de la construction fait face à des défis majeurs en raison du caractère sous-actionné de la dynamique des grues et de la difficulté d'obtenir des mesures précises de la position de la charge dans des environnements réels. Les stratégies de contrôle traditionnelles basées sur des modèles dépendent de modèles paramétriques précis et d'un réglage expert, échouant souvent à capturer les complexités du système ou à gérer les imprécisions de modélisation, ce qui entraîne une utilisation inefficace de l'énergie, des ratés de cible et des oscillations excessives de la charge. À l'inverse, de nombreuses approches basées sur l'apprentissage nécessitent des ensembles de données étendus et des ressources informatiques élevées. De plus, l'automatisation en boucle fermée est souvent peu pratique en raison de la difficulté de mesurer les charges suspendues sur des câbles longs et flexibles et du risque que les boucles de rétroaction amplifient les oscillations en présence de perturbations. Par conséquent, les opérations de grue reposent souvent sur une planification de trajectoire en boucle ouverte, limitée par la fidélité des modèles physiques sous-jacents.

Méthodologie
Cet article propose un cadre basé sur des données comportementales pour générer des trajectoires de rotation en boucle ouverte qui suppriment les oscillations de la charge tout en minimisant le temps d'opération et la consommation d'énergie. L'approche est fondée sur le lemme fondamental de Willems et la théorie des systèmes comportementaux, qui permettent de caractériser le comportement du système directement à partir de données entrée-sortie mesurées, évitant ainsi le besoin d'une modélisation paramétrique explicite.

La méthodologie centrale comprend les étapes suivantes :

1. Collecte et représentation des données : Le système est excité à l'aide de signaux d'entrée constants par morceaux et lisses (spécifiquement, des sommes de sinus avec des fréquences randomisées) pour capturer la dynamique non linéaire dans une région opérationnelle spécifique. Les données entrée-sortie collectées (vitesse angulaire de rotation et angles de charge/flèche) sont organisées dans une matrice de Hankel.
2. Modélisation non paramétrique : L'article traite la matrice de Hankel comme un dictionnaire de primitives de mouvement. En exploitant le principe de superposition dans les sous-espaces linéaires, la méthode représente le comportement du système comme une combinaison linéaire de trajectoires passées. Pour gérer la nature non linéaire de la grue et le bruit dans les données, le cadre emploie une régularisation de norme $\ell_1$ pour favoriser la parcimonie dans les coefficients de combinaison, sélectionnant efficacement les primitives de mouvement pertinentes. De plus, une troncature des valeurs singulières est utilisée pour atténuer le bruit.
3. Formulation de l'optimisation : Le problème de génération de trajectoire est formulé comme un problème d'optimisation convexe. L'objectif est de trouver une trajectoire qui interpole entre des conditions de repos initiales et cibles données (vitesse et oscillation nulles) tout en minimisant une fonction de coût qui équilibre :
   • Oscillation de la charge : Maintenir la charge proche de son équilibre vertical.
   • Temps : Minimiser la distance vers la position cible de la flèche pour assurer une arrivée rapide.
   • Énergie : Minimiser l'effort de contrôle au carré.
   • Lissage : Pénaliser la variation totale de l'angle et de la vitesse de la flèche pour éviter les changements brusques qui induisent des oscillations.
   • Contraintes : Des bornes strictes sont imposées sur les limites des actionneurs et les angles d'oscillation de la charge pour garantir la sécurité.

Contributions clés

• Première application de la théorie comportementale aux grues : À la connaissance des auteurs, il s'agit du premier travail employant la théorie des systèmes comportementaux pour le contrôle des grues.
• Génération de trajectoires non paramétrique : La méthode génère des trajectoires optimales directement à partir de données bruitées sans nécessiter d'identification paramétrique explicite, de solveurs d'EDO non linéaires ou d'hypothèses de modélisation complexes.
• Flux de travail pratique : L'article présente un flux de travail systématique pour la collecte de données, le réglage des hyperparamètres (via une recherche par grille sur les performances de simulation non paramétrique) et la génération de trajectoires, rendant le cadre applicable à d'autres systèmes de grues.
• Gestion de la non-linéarité et du bruit : En interprétant la matrice de Hankel comme un dictionnaire d'approximations linéaires locales et en utilisant une régularisation parcimonieuse, la méthode capture efficacement la dynamique non linéaire et reste robuste au bruit de mesure.

Résultats
La méthode proposée a été validée sur une grue rotative de laboratoire à l'échelle 1:9 et comparée à une approche établie de génération de trajectoires optimales basée sur des modèles (utilisant une méthode multi-points de passage avec programmation quadratique séquentielle).

• Métriques de performance : L'approche basée sur les données a permis une réduction de 35 % des oscillations de la charge, une réduction de 43 % de l'erreur de suivi et une réduction de 50 % du temps de déplacement par rapport à l'étalon basé sur des modèles.
• Validation expérimentale : Lors des essais expérimentaux, les trajectoires générées ont déplacé la charge avec succès entre des angles spécifiés avec une haute précision (erreur de suivi de 0,002 rad) et une oscillation résiduelle minimale, correspondant étroitement au comportement prédit malgré l'exécution en boucle ouverte.
• Simulation : Des études simulatives ont confirmé que la méthode pouvait capturer la dynamique non linéaire (spécifiquement l'oscillation radiale de la charge) que les modèles linéarisés ne parvenaient pas à représenter, à condition d'une diversité de données suffisante et d'un réglage approprié des hyperparamètres.

Signification et affirmations
L'article affirme que ce travail réduit la complexité de l'optimisation de trajectoire pour les systèmes non linéaires et sous-actionnés à des opérations d'algèbre linéaire et des problèmes d'optimisation convexe. Il démontre que l'automatisation des grues peut être réalisée sans dépendre d'opérateurs experts sur site, de modélisation détaillée du système, de simulateurs haute fidélité ou de solveurs non linéaires complexes.

Les auteurs adoptent une position modeste concernant la portée de leurs affirmations :

• Ils reconnaissent que la méthode nécessite un réglage attentif des hyperparamètres et que la qualité des résultats dépend fortement de la conception des signaux d'entrée utilisés pour la collecte de données.
• Ils notent que, bien que la méthode soit basée sur les données, elle n'est pas « avide de données » par rapport à d'autres méthodes basées sur l'apprentissage, car des séquences de données relativement courtes ont suffi.
• Ils déclarent explicitement qu'une analyse théorique rigoureuse du cadre comportemental pour les dynamiques non linéaires générales reste un problème ouvert.
• Les travaux futurs sont identifiés comme l'extension de l'approche aux grues à échelle réelle, la prise en compte de perturbations imprévues (par exemple, vent, effets de torsion) et l'application potentielle du contrôle prédictif activé par les données (DeePC) pour une opération en boucle fermée.

L'étude conclut qu'en opérant directement sur les données, le cadre proposé offre une alternative pratique, fiable et efficace aux approches traditionnelles basées sur des modèles pour supprimer les oscillations de la charge dans les grues rotatives.