Stick-Slip-Induced Time Delays in Reconfigurable Systems: Data-Driven Estimation and Sliding Mode Control

技術要約：再構成可能システムにおけるスティック・スリップ誘発型タイムディレイ

問題提起
再構成可能な機械システム、特にケーブル駆動ロボットやテンセグリティ機構は、スティック・スリップ摩擦による性能低下に悩まされている。この現象は、弾性要素を介した運動伝達において、未知かつ可変的なタイムディレイを導入し、軌道追従誤差、リミットサイクル、および潜在的な機械的不安定性を引き起こす。既存の摩擦モデル（例：クーロン摩擦、LuGreモデル）は存在するものの、それらは複雑なパラメータ同定に依存するか、あるいは実環境における遅延の動的かつ可変的な性質を捉えきれないことが多い。さらに、標準的な制御戦略はこれらの遅延を有界な外乱として扱うため、チャタリングや摩耗を誘発する高いスイッチングゲインを必要とする。

手法
著者らは、データ駆動型の遅延推定とロバストなスライディングモード制御（SMC）戦略を統合したハイブリッド制御アーキテクチャを提案している。本手法は、主に以下の3つの段階で進行する。

1. 実験的特性評価とデータ駆動型モデリング：

   • 実験用テストベッドは、線形アクチュエータ、交換可能なスプリング（0.077–0.696 N/m）、およびセンサ（ロードセル、エンコーダ、Time-of-Flight）を用いて構築され、荷重、張力、剛性、および速度の変化下における運動開始遅延を定量化した。
   • 生データは、外れ値とノイズを除去するためのDBSCANクラスタリングを用いた2段階のフィルタリング処理を経て、回帰分析にかけられた。
   • 物理パラメータ（剛性 $K$、張力 $T_i$、重量 $w$、速度 $V$）に基づいて遅延（$\hat{h}$）を推定するために、いくつかの予測モデルが学習された。これには正規方程式、バッチ/確率的/ミニバッチ勾配降下法、および浅い人工ニューラルネットワーク（ANN）が含まれる。ANNは、明示的な解析的摩擦モデルを必要とせずに非線形依存性を効果的に捉え、最も優れた性能（MSE = 0.214）を示した。

2. 制御アーキテクチャの統合：

   • 推定された遅延 $\hat{h} = f_\theta(K, T_i, w, V)$ は、履歴状態バッファに送られる。
   • このバッファにより、コントローラは遅延した状態 $x(t-\hat{h})$ に直接アクセスすることが可能となる。
   • 遅延した状態は、スティック・スリップによるレイテンシの主要な影響を能動的に打ち消すために、等価制御則（$u_{eq}$）に注入される。
   • **スーパースウィステッド・スライディングモードコントローラ（ST-SMC）**は、残差推定誤差および外部外乱に対処するためのロバストなスイッチング項（$u_n$）を提供し、第1次SMCと比較してチャタリングを低減することを目指す。

3. 安定性解析とゲイン最適化：

   • ヒューリスティックなチューニングを避けるため、スライディング面のゲイン（$\sigma$）は、リアプノフ・クラスキー関数および**線形行列不等式（LMI）**を用いて体系的に最適化される。
   • 時変遅延を伴う低次スライディングダイナミクスの漸近安定性を保証するため、記述子ベースのアプローチを採用し、安定条件の保守性を低減させている。
   • 得られた双線形行列不等式（BMI）を解可能なLMIに変換し、最適な $\sigma$ を見つけるためのアルゴリズムが提示されている。

主な貢献

• ハイブリッド遅延補償： 本論文は、スティック・スリップのレイテンシの機械学習による予測を、単なる外乱としてではなく、等価制御則の中に直接組み込む新しい手法を導入している。
• LMIベースのゲインチューニング： 推定された時間遅れを伴うシステムに特化した、LMIベースの安定性解析を用いたスライディングモードゲイン最適化のための、形式的な非ヒューリスティックな手順を提供している。
• 実験的検証： 提案されたフレームワークは、ケーブル駆動の上肢リハビリテーションデバイスと、平面回転テンセグリティ機構という2つの異なるシステムで検証されている。

結果
検証は、外部外乱（$v(t) = 2\cos(2t)$）およびシミュレーションされた時間遅延（リハビリテーション装置では最大7秒、テンセグリティシステムでは0.7秒）の下で、両方のシステムに対して行われた。

• 追従精度： 提案されたLMI最適化スーパースウィステッドSMCは、従来の徒手チューニングを大幅に上回った。
  • リハビリテーションシステムにおいて、RMSEは手動チューニングのST-SMCによる0.2286°から0.0083°へと減少した。これは標準的な手法と比較して99%の誤差削減を意味する。
  • テンセグリティシステムにおいて、RMSEは0.0902°から0.0751°へと改善し、手動チューニングに対して48%の向上を示した。
• チャタリングの低減： ANN予測器を介して遅延を能動的に補償することで、必要なロバスト・スイッチングゲインが低くなり、結果としてより滑らかな制御信号とチャタリングの低減が実現された。
• モデル性能： 浅いANNは、遅延ダイナミクスの予測において線形回帰および勾配降下法のバリエーションよりも優れた性能を示し、スティック・スリップ現象に対する非線形モデリングの必要性を裏付けた。

意義と主張
著者らは、本研究がデータ駆動型の適応性と厳密な制御理論の間の溝を埋めることに成功したと主張している。データ駆動型の遅延予測器とLMI最適化スライディングモード制御を統合することにより、システムは可変的なスティック・スリップ遅延が存在する場合でも、複雑な解析的摩擦モデルに頼ることなく高精度な軌道追従を実現している。本研究は、遅延を未モデルの外乱としてではなく、補償可能な状態（バッファと等価制御を介して）として扱うことで、制御ゲインを大幅に低減させ、安定性のマージンを向上させられることを示している。

限界と今後の課題
本論文は、現在のアプローチが継続的なメモリ割り当てを必要とする履歴状態バッファに依存していること、およびニューラルネットワーク予測器が古典的な回帰よりも多くの計算リソースを必要とすることを認めている。したがって、本手法は現在、シミュレーションおよび実験検証において平面的な1自由度メカニズムに限定されている。今後の課題として、ニューラルネットワークとバッファ管理のさらなる最適化を必要とする、リソース制約のある組み込みシステムへのリアルタイム実装への展開が挙げられている。