⚡ electrical engineering

Influence of Radial Basis Activation Functions on Intelligent Controller for Robotic Manipulators

Cet article présente un cadre de commande intelligente pour les manipulateurs robotiques qui combine la commande non linéaire basée sur un modèle avec des réseaux de neurones adaptatifs à fonctions de base radiales, démontrant, à travers des résultats expérimentaux, que le choix spécifique de la fonction d'activation influence de manière significative le comportement transitoire, la précision en régime permanent et la fluidité de la commande tout en maintenant la stabilité en boucle fermée.

Auteurs originaux : Kimmo Paldanius, Gabriel Da Silva Lima, Wallace Moreira Bessa

Publié 2026-07-03

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Kimmo Paldanius, Gabriel Da Silva Lima, Wallace Moreira Bessa

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous enseigniez à un bras robotique à dessiner un cercle parfait sur une feuille de papier. Vous lui donnez un ensemble d'instructions (le « chemin idéal »), mais le robot n'est pas parfait. Il possède des articulations lourdes, une friction collante, et peut-être même que l'air exerce une légère pression contre lui. Ce sont les « perturbations » qui font osciller le robot hors de la ligne.

Ce document traite de la création d'un « assistant intelligent » pour le robot. Cet assistant est un type de cerveau artificiel (un réseau de neurones) qui apprend en temps réel à deviner ce que sont ces perturbations et dit au robot comment lutter contre elles.

Les chercheurs ont posé une question très spécifique : Est-ce que la forme de la « cellule cérébrale » à l'intérieur de cet assistant intelligent importe ?

En termes techniques, ils testaient différentes « fonctions d'activation » (les formules mathématiques qui disent à la cellule cérébrale comment réagir). Ils ont comparé trois formes :

Gaussienne : Une courbe lisse en forme de cloche (le choix standard).
Laplacienne : Un pic pointu et tranchant.
Inverse Multicarrée (IMQ) : Une courbe large et plate qui s'étend loin.

Voici ce qu'ils ont trouvé, expliqué par des analogies simples :

La configuration : Le robot et l'« assistant intelligent »

L'équipe a utilisé un jumeau numérique d'un bras robotique Quanser (un bras unique qui se déplace de haut en bas). Ils l'ont programmé pour suivre trois chemins différents :

Une onde sinusoïdale : Une courbe fluide et ondulante (comme une douce vague océanique).
Une onde carrée : Un chemin qui saute instantanément d'une position à une autre (comme un interrupteur que l'on actionne).
Une onde triangulaire : Un chemin qui monte à une vitesse constante, puis redescend à une vitesse constante.

Ils ont gardé tout le reste exactement identique (le poids du robot, la vitesse d'apprentissage, le nombre de neurones). La seule chose qu'ils ont modifiée est la forme de la formule de la « cellule cérébrale ».

Les résultats : Lisse vs Tranchant

1. Pour les chemins fluides (ondes sinusoïdales et triangulaires) : Le « large filet » l'emporte
Lorsque le robot devait suivre un chemin fluide et continu, le noyau Inverse Multicarrée (IMQ) était le grand vainqueur.

L'analogie : Imaginez essayer de capturer un poisson dans un lac calme. Le noyau IMQ est comme un filet large et profond. Parce qu'il possède un « support global » (il s'étend loin), il peut voir l'ensemble du mouvement de l'eau à la fois. Il fait une estimation très précise de l'endroit où se trouve le poisson (l'erreur), même si le poisson est un peu loin.
Le résultat : Le robot a commis moins d'erreurs. La version IMQ a réduit les erreurs de suivi de près de 52 % par rapport à la méthode standard. C'était la plus précise pour les mouvements fluides.

2. Pour les sauts brusques (ondes carrées) : Le « large filet » s'excite trop
Quand le robot devait sauter instantanément d'un endroit à un autre, les résultats étaient différents.

L'analogie : Maintenant, imaginez que le poisson saute instantanément hors de l'eau. Le large filet (IMQ) essaie de capturer le poisson partout à la fois, mais parce qu'il est si sensible à toute la zone, il devient un peu « agité » ou agressif. Il dépasse légèrement la cible avant de se corriger.
Le résultat : Bien que l'IMQ ait toujours réduit la quantité totale d'erreur au fil du temps, il a provoqué un dépassement (le robot va au-delà de la cible) plus important que les autres méthodes. Les noyaux plus « tranchants » (comme le Laplacien) étaient moins agressifs dans leur réaction initiale, bien qu'ils n'aient pas été aussi précis globalement.

La grande conclusion

Le document conclut que le choix de la forme de la « cellule cérébrale » n'est pas seulement un petit détail technique ; c'est un bouton de réglage que les ingénieurs peuvent tourner.

Si vous voulez que votre robot soit ultra-précis sur des chemins fluides et continus (comme peindre une courbe), utilisez la forme Inverse Multicarrée. Elle agit comme une vision large et holistique qui attrape les erreurs avant qu'elles ne croissent.
Si vous avez besoin que le robot effectue des arrêts soudains et brusques sans dépasser la cible, vous pourriez préférer une forme différente qui réagit de manière plus locale et tranchante, plutôt que d'essayer de deviner toute l'image à la fois.

En bref : Le « cerveau » du robot fonctionne mieux lorsqu'on adapte la forme de sa pensée à la forme de la tâche. Un penseur large et fluide est excellent pour les tâches fluides, mais un penseur plus tranchant pourrait être plus sûr pour les sauts soudains. Les chercheurs ont prouvé qu'en changeant simplement cette forme mathématique, ils pouvaient rendre le robot nettement meilleur dans son travail sans changer le robot lui-même.

Résumé technique : Influence des fonctions d'activation à base radiale sur le contrôleur intelligent pour les manipulateurs robotiques

Énoncé du problème
Le suivi de trajectoire des manipulateurs robotiques est fréquemment abordé par des méthodes de commande non linéaires basées sur un modèle, telles que la linéarisation par rétroaction. Bien qu'efficaces dans des conditions nominales, ces approches souffrent d'une dégradation des performances dues aux incertitudes paramétriques, au frottement, aux dynamiques non modélisées et aux perturbations externes. Bien que des extensions adaptatives et basées sur l'apprentissage existent pour améliorer la robustesse, l'influence spécifique de la fonction d'activation (noyau) au sein des estimateurs de perturbations par réseaux de neurones à fonctions de base radiale (RBF) sur le comportement en boucle fermée reste sous-explorée. Bien que la stabilité de Lyapunov soit généralement garantie pour les fonctions d'activation bornées, l'impact de la forme du noyau sur la réponse transitoire, la précision en régime permanent et la fluidité de la commande n'est pas systématiquement caractérisé.

Méthodologie
Les auteurs proposent un cadre de commande intelligente qui intègre une linéarisation par rétroaction avec un estimateur de perturbation neuronal en ligne basé sur des réseaux RBF.

Structure de commande : Le contrôleur utilise une loi de linéarisation par rétroaction basée sur un modèle, augmentée d'un terme adaptatif ( $\hat{d}$ ) pour compenser l'incertitude totale ( $d$ ). L'estimateur de perturbation est défini par $\hat{d}_i = w_i^\top \phi_i(s_i)$ , où $w_i$ représente les poids adaptatifs et $\phi_i$ les fonctions d'activation.
Analyse de stabilité : Une loi d'adaptation basée sur Lyapunov est employée pour mettre à jour les poids neuronaux. Pour garantir le caractère borné des signaux en boucle fermée et prévenir la dérive des poids, un algorithme de projection est appliqué, garantissant que les poids restent dans une région convexe. Cela assure que l'erreur de suivi converge vers une région compacte autour de l'origine.
Configuration expérimentale : Le cadre a été implémenté sur un manipulateur robotique Quanser QArm à un seul degré de liberté (DOF) dans un environnement de jumeau numérique (Quanser Interactive Labs). Le système a été testé avec une acquisition cadencée par matériel (500 Hz) sous trois trajectoires de référence distinctes : sinusoïdale, carrée (de type échelon) et triangulaire (de type rampe).
Protocole comparatif : Pour isoler l'effet de la fonction d'activation, tous les autres paramètres ont été maintenus constants lors des tests, y compris les gains du contrôleur ( $\lambda_i$ $λ_{i}$ ), les taux d'apprentissage ( $\eta_i$ $η_{i}$ ), les bornes de projection ( $\mu_i$ $μ_{i}$ ) et le nombre de neurones ( $n_i = 6$ $n_{i} = 6$ ). Trois noyaux spécifiques ont été évalués :
1. Gaussien : $\kappa_G(\rho) = \exp(-\rho^2)$ (Support local, référence).
2. Laplacien : $\kappa_L(\rho) = \exp(-|\rho|)$ (Support local).
3. Inverse Multiquadratique (IMQ) : $\kappa_{IMQ}(\rho) = 1/\sqrt{1+\rho^2}$ (Support global).

Résultats clés
Les résultats expérimentaux, quantifiés via l'erreur quadratique moyenne (RMSe), l'intégrale de l'erreur absolue (IAE) et l'effort de commande (RMSPWM), ont révélé des compromis de performance distincts selon la sélection du noyau :

Trajectoires continues (sinusoïdales et triangulaires) : Le noyau Inverse Multiquadratique (IMQ) a démontré une performance supérieure. Comparé à la référence (linéarisation par rétroaction conventionnelle sans compensation neuronale), le noyau IMQ a réduit la RMSe de 51,9 % pour les ondes sinusoïdales et de 49,0 % pour les ondes triangulaires. Les noyaux Laplacien et Gaussien ont également amélioré les performances par rapport à la référence, mais dans une moindre mesure.
Trajectoires discontinues (référence carrée) : Un compromis critique est apparu. Bien que tous les noyaux neuronaux aient réduit l'IAE (indiquant une meilleure accumulation globale de l'erreur), ils ont introduit un dépassement transitoire et augmenté les temps de stabilisation par rapport à la référence. Plus précisément, le noyau IMQ a entraîné le dépassement le plus élevé (6,86 %) et le temps de stabilisation le plus long (2,624 s), tandis que le contrôleur de référence maintenait un dépassement nul.
Effort de commande : L'augmentation de l'effort de commande (RMSPWM) a été minimale pour tous les contrôleurs intelligents, restant généralement en dessous d'une augmentation de 3 % par rapport à la référence, malgré des améliorations significatives de la précision de suivi.

Signification et affirmations
L'article affirme que le choix de la fonction d'activation dans les contrôleurs intelligents basés sur RBF doit être considéré non pas simplement comme un détail d'implémentation, mais comme un paramètre de conception structurelle. Les conclusions indiquent que :

Le support du noyau importe : Les noyaux à support global (comme l'IMQ) fournissent une approximation plus holistique des variétés de perturbation pour les trajectoires lisses et continues, conduisant à une plus grande précision en régime permanent.
Compromis Transitoire vs Régime Permanent : Les noyaux localisés (Gaussien, Laplacien) ou le contrôleur de référence peuvent être préférables pour les applications exigeant des réponses par échelon strictement monotones, car les noyaux globaux peuvent induire une agressivité transitoire lors de commandes discontinues.
Flexibilité de conception : Les ingénieurs peuvent ajuster la fonction d'activation pour prioriser soit la précision maximale en régime permanent (en favorisant l'IMQ pour des trajectoires lisses), soit un dépassement transitoire minimal (en favorisant les noyaux localisés ou la référence pour des entrées en échelon), tout en maintenant les garanties de stabilité théorique fournies par la loi d'adaptation basée sur Lyapunov.

L'étude conclut que bien que la stabilité soit préservée pour tous les noyaux bornés, la sélection du noyau façonne directement la dynamique d'adaptation et la performance pratique en boucle fermée, offrant un mécanisme pour adapter les contrôleurs intelligents aux exigences spécifiques des trajectoires.

La configuration : Le robot et l'« assistant intelligent »

Les résultats : Lisse vs Tranchant

La grande conclusion

Articles similaires