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

Sintesi Tecnica: Influenza delle Funzioni di Attivazione a Base Radiale su un Controllore Intelligente per Manipolatori Robotici

Definizione del Problema
Il tracciamento della traiettoria di un manipolatore robotico è spesso affrontato mediante metodi di controllo non lineare basati sul modello, come la linearizzazione del feedback. Sebbene efficaci in condizioni nominali, tali approcci soffrono di un degrado delle prestazioni dovuto a incertezze parametriche, attrito, dinamiche non modellate e disturbi esterni. Nonostante esistano estensioni adattive e basate sull'apprendimento per migliorare la robustezza, l'influenza specifica della funzione di attivazione (kernel) all'interno degli stimatori di disturbo basati su reti neurali RBF (Radial Basis Function) sul comportamento a ciclo chiuso rimane scarsamente esplorata. Sebbene la stabilità di Lyapunov sia generalmente garantita per funzioni di attivazione limitate, l'impatto della forma del kernel sulla risposta transitoria, sulla precisione a regime e sulla fluidità del controllo non è sistematicamente caratterizzato.

Metodologia
Gli autori propongono un framework di controllo intelligente che integra la linearizzazione del feedback con uno stimatore di disturbo neurale online basato su reti RBF.

• Struttura del Controllo: Il controllore utilizza una legge di linearizzazione del feedback basata sul modello, aumentata da un termine adattivo ($\hat{d}$) per compensare l'incertezza totale ($d$). Lo stimatore di disturbo è definito come $\hat{d}_i = w_i^\top \phi_i(s_i)$, dove $w_i$ rappresenta i pesi adattivi e $\phi_i$ le funzioni di attivazione.
• Analisi della Stabilità: Viene impiegata una legge di adattamento basata su Lyapunov per aggiornare i pesi neurali. Per garantire la limitatezza dei segnali a ciclo chiuso e prevenire la deriva dei pesi, viene applicato un algoritmo di proiezione, garantendo che i pesi rimangano entro una regione convessa. Ciò assicura che l'errore di tracciamento converga verso una regione compatta attorno all'origine.
• Configurazione Sperimentale: Il framework è stato implementato su un manipolatore robotico a singolo grado di libertà (DOF) Quanser QArm in un ambiente di digital twin (Quanser Interactive Labs). Il sistema è stato testato con acquisizione temporizzata via hardware (500 Hz) sotto tre diverse traiettorie di riferimento: sinusoidale, quadra (tipo gradino) e triangolare (tipo rampa).
• Protocollo Comparativo: Per isolare l'effetto della funzione di attivazione, tutti gli altri parametri sono stati mantenuti costanti tra i test, inclusi i guadagni del controllore ($\lambda_i$), i tassi di apprendimento ($\eta_i$), i limiti di proiezione ($\mu_i$) e il numero di neuroni ($n_i = 6$). Sono stati valutati tre kernel specifici:
  1. Gaussiano: $\kappa_G(\rho) = \exp(-\rho^2)$ (Supporto locale, baseline).
  2. Laplaciano: $\kappa_L(\rho) = \exp(-|\rho|)$ (Supporto locale).
  3. Multiquadratico Inverso (IMQ): $\kappa_{IMQ}(\rho) = 1/\sqrt{1+\rho^2}$ (Supporto globale).

Risultati Chiave
I risultati sperimentali, quantificati tramite l'Errore Quadratico Medio (RMSe), l'Integrale dell'Errore Assoluto (IAE) e lo sforzo di controllo (RMSPWM), hanno rivelato distinti compromessi basati sulla selezione del kernel:

• Traiettorie Continue (Sinusoidale e Triangolare): Il kernel Multiquadratico Inverso (IMQ) ha dimostrato prestazioni superiori. Rispetto alla baseline (linearizzazione del feedback convenzionale senza compensazione neurale), il kernel IMQ ha ridotto il RMSe del 51,9% per le onde sinusoidali e del 49,0% per le onde triangolari. Anche i kernel Laplaciano e Gaussiano hanno migliorato le prestazioni rispetto alla baseline, ma in misura minore.
• Traiettorie Discontinue (Riferimento Quadra): È emerso un compromesso critico. Sebbene tutti i kernel neurali abbiano ridotto l'IAE (indicando una migliore gestione dell'accumulo totale dell'errore), essi hanno introdotto sovraelongazioni transitorie e tempi di assestamento più lunghi rispetto alla baseline. Nello specifico, il kernel IMQ ha causato la maggiore sovraelongazione (6,86%) e il maggior tempo di assestamento (2,624 s), mentre il controllore baseline ha mantenuto una sovraelongazione nulla.
• Sforzo di Controllo: L'aumento dello sforzo di controllo (RMSPWM) è stato minimo in tutti i controllori intelligenti, rimanendo generalmente al di sotto di un incremento del 3% rispetto alla baseline, nonostante i significativi miglioramenti nella precisione di tracciamento.

Significatività e Rivendicazioni
L'articolo afferma che la scelta della funzione di attivazione nei controllori intelligenti basati su RBF debba essere vista non semplicemente come un dettaglio di implementazione, ma come un parametro di progettazione strutturale. Le conclusioni indicano che:

1. L'importanza del Supporto del Kernel: I kernel con supporto globale (come l'IMQ) forniscono un'approssimazione più olistica dei manifold di disturbo per traiettorie lisce e continue, portando a una maggiore precisione a regime.
2. Compromesso tra Transitorio e Regime Stazionario: I kernel localizzati (Gaussiano, Laplaciano) o il controllore baseline possono essere preferibili per applicazioni che richiedono risposte a gradino strettamente monotoniche, poiché i kernel globali possono indurre aggressività transitoria sotto comandi discontinui.
3. Flessibilità di Progettazione: Gli ingegneri possono regolare la funzione di attivazione per dare priorità o alla massima precisione a regime (favorendo l'IMQ per percorsi fluidi) o al minimo overshoot transitorio (favorendo i kernel localizzati o la baseline per input a gradino), mantenendo al contempo le garanzie teoriche di stabilità fornite dalla legge di adattamento basata su Lyapunov.

Lo studio conclude che, sebbene la stabilità sia preservata per tutti i kernel limitati, la selezione del kernel modella direttamente la dinamica di adattamento e le prestazioni pratiche a ciclo chiuso, offrendo un meccanismo per personalizzare i controllori intelligenti in base ai requisiti specifici della traiettoria.