Behavioral Data-Driven Optimal Trajectory Generation for Rotary Cranes

Riepilogo Tecnico: Generazione Ottimale di Traiettorie Basata su Dati Comportamentali per Gru Girevoli

Enunciato del Problema
L'automazione delle gru girevoli nel settore delle costruzioni affronta sfide significative a causa della natura sottodimensionata della dinamica delle gru e della difficoltà di ottenere misurazioni precise della posizione del carico in ambienti reali. Le strategie di controllo tradizionali basate su modelli dipendono da modelli parametrici accurati e da una taratura esperta, spesso fallendo nel catturare le complessità del sistema o nel gestire imprecisioni di modellazione, il che porta a un uso inefficiente dell'energia, al mancato raggiungimento degli obiettivi e a un'eccessiva oscillazione del carico. Al contrario, molti approcci basati sull'apprendimento richiedono set di dati estesi e risorse computazionali elevate. Inoltre, l'automazione con feedback completo è spesso impraticabile a causa della difficoltà di misurare i carichi sospesi su cavi lunghi e flessibili e del rischio che i loop di feedback amplifichino le oscillazioni in presenza di disturbi. Di conseguenza, le operazioni delle gru si basano spesso sulla pianificazione di traiettorie in anello aperto, limitata dalla fedeltà dei modelli fisici sottostanti.

Metodologia
Questo articolo propone un framework basato su dati comportamentali per generare traiettorie di rotazione in anello aperto che sopprimano l'oscillazione del carico, minimizzando al contempo il tempo di operazione e il consumo energetico. L'approccio è fondato sul lemma fondamentale di Willems e sulla teoria dei sistemi comportamentali, che consente di caratterizzare il comportamento del sistema direttamente dai dati misurati in ingresso-uscita, evitando la necessità di una modellazione parametrica esplicita.

La metodologia centrale prevede i seguenti passaggi:

1. Raccolta e Rappresentazione dei Dati: Il sistema viene eccitato utilizzando segnali di ingresso costanti a tratti e lisci (nello specifico, somme di seni con frequenze randomizzate) per catturare le dinamiche non lineari all'interno di una specifica regione operativa. I dati raccolti in ingresso-uscita (velocità angolare di rotazione e angoli del carico/braccio) sono organizzati in una matrice di Hankel.
2. Modellazione Non Parametrica: L'articolo tratta la matrice di Hankel come un dizionario di primitive di movimento. Sfruttando il principio di sovrapposizione negli spazi lineari, il metodo rappresenta il comportamento del sistema come una combinazione lineare di traiettorie passate. Per gestire la natura non lineare della gru e il rumore nei dati, il framework impiega la regolarizzazione della norma $\ell_1$ per promuovere la sparsità nei coefficienti di combinazione, selezionando efficacemente le primitive di movimento pertinenti. Inoltre, viene utilizzata la troncatura dei valori singolari per attenuare il rumore.
3. Formulazione dell'Ottimizzazione: Il problema della generazione di traiettorie è formulato come un problema di ottimizzazione convessa. L'obiettivo è trovare una traiettoria che interpoli tra condizioni iniziali e target di riposo date (velocità e oscillazione nulle), minimizzando una funzione di costo che bilancia:
   • Oscillazione del Carico: Mantenere il carico vicino al suo equilibrio verso il basso.
   • Tempo: Minimizzare la distanza dalla posizione target del braccio per garantire un arrivo rapido.
   • Energia: Minimizzare lo sforzo di controllo quadratico.
   • Lisciatura: Penalizzare la variazione totale dell'angolo e della velocità del braccio per prevenire cambiamenti bruschi che inducono oscillazioni.
   • Vincoli: Vengono imposti limiti rigorosi sui limiti degli attuatori e sugli angoli di oscillazione del carico per garantire la sicurezza.

Contributi Chiave

• Prima Applicazione della Teoria Comportamentale alle Gru: A conoscenza degli autori, questo è il primo lavoro ad impiegare la teoria dei sistemi comportamentali per il controllo delle gru.
• Generazione di Traiettorie Non Parametrica: Il metodo genera traiettorie ottimali direttamente da dati rumorosi senza richiedere identificazione parametrica esplicita, risolutori di ODE non lineari o assunzioni di modellazione complesse.
• Flusso di Lavoro Pratico: L'articolo presenta un flusso di lavoro sistematico per la raccolta dei dati, la taratura degli iperparametri (tramite ricerca a griglia sulle prestazioni di simulazione non parametrica) e la generazione di traiettorie, rendendo il framework applicabile ad altri sistemi di gru.
• Gestione della Non Linearità e del Rumore: Interpretando la matrice di Hankel come un dizionario di approssimazioni lineari locali e utilizzando la regolarizzazione sparsa, il metodo cattura efficacemente le dinamiche non lineari e rimane robusto al rumore di misura.

Risultati
Il metodo proposto è stato validato su una gru girevole di laboratorio in scala 1:9 e confrontato con un approccio consolidato di generazione di traiettorie ottimali basato su modelli (utilizzando un metodo a più punti di passaggio con programmazione quadratica sequenziale).

• Metriche di Prestazione: L'approccio basato sui dati ha raggiunto una riduzione fino al 35% dell'oscillazione del carico, una riduzione del 43% dell'errore di inseguimento e una riduzione del 50% del tempo di viaggio rispetto al benchmark basato su modelli.
• Validazione Sperimentale: Nei test sperimentali, le traiettorie generate hanno spostato con successo il carico tra angoli specificati con alta precisione (errore di inseguimento di 0,002 rad) e oscillazione residua minima, corrispondendo strettamente al comportamento previsto nonostante l'esecuzione in anello aperto.
• Simulazione: Studi simulativi hanno confermato che il metodo può catturare dinamiche non lineari (nello specifico l'oscillazione radiale del carico) che i modelli linearizzati non riuscivano a rappresentare, a condizione di una sufficiente diversità dei dati e di una taratura appropriata degli iperparametri.

Significato e Affermazioni
L'articolo afferma che questo lavoro riduce la complessità dell'ottimizzazione delle traiettorie per sistemi non lineari e sottodimensionati a operazioni algebriche lineari e problemi di ottimizzazione convessa. Dimostra che l'automazione delle gru può essere ottenuta senza fare affidamento su operatori esperti in loco, modelli dettagliati del sistema, simulatori ad alta fedeltà o risolutori non lineari complessi.

Gli autori mantengono una posizione modesta riguardo alla portata delle loro affermazioni:

• Riconoscono che il metodo richiede una taratura attenta degli iperparametri e che la qualità dei risultati dipende fortemente dalla progettazione dei segnali di ingresso utilizzati per la raccolta dei dati.
• Osservano che, sebbene il metodo sia basato sui dati, non è "affamato di dati" rispetto ad altri metodi basati sull'apprendimento, poiché sequenze di dati relativamente brevi sono state sufficienti.
• Dichiarano esplicitamente che un'analisi teorica rigorosa del framework comportamentale per dinamiche non lineari generali rimane un problema aperto.
• Il lavoro futuro è identificato nell'estendere l'approccio a gru in scala reale, tenendo conto di disturbi imprevisti (ad esempio, vento, effetti torsionali) e applicando potenzialmente il Controllo Predittivo Abilitato dai Dati (DeePC) per operazioni in anello chiuso.

Lo studio conclude che, operando direttamente sui dati, il framework proposto offre un'alternativa pratica, affidabile ed efficiente agli approcci tradizionali basati su modelli per la soppressione dell'oscillazione del carico nelle gru girevoli.