⚡ electrical engineering

Passive iFIR filters for data-driven velocity control in robotics

Dit artikel presenteert een passieve, datagedreven iFIR-velociteitsregeling voor niet-lineaire robotmanipulators die, na slechts drie minuten meetdata, betere trackingresultaten behaalt dan een geoptimaliseerde PID-regelaar terwijl het de stabiliteit waarborgt via passiviteitsbeperkingen.

Oorspronkelijke auteurs: Yi Zhang, Zixing Wang, Fulvio Forni

Gepubliceerd 2026-04-01

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Yi Zhang, Zixing Wang, Fulvio Forni

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een robotarm voor, zoals die je ziet in fabrieken of in labs. Deze armen moeten heel precies bewegen, vaak met een bepaalde snelheid, om taken zoals polijsten, lassen of het vastpakken van voorwerpen uit te voeren.

Deze wetenschappelijke paper gaat over een nieuwe manier om die robotarmen te besturen. Hier is de uitleg in gewone taal, met een paar handige vergelijkingen:

1. Het probleem: De "ouderwetse" besturing

Vandaag de dag gebruiken de meeste robots een besturingsmethode die PID heet.

De analogie: Stel je voor dat je een auto bestuurt. De PID-controller is als een bestuurder die alleen naar de snelheidsmeter kijkt en heel simpel reageert: "Te snel? Even remmen. Te langzaam? Even gas geven."
Het nadeel: Dit werkt prima op een rechte weg, maar als de weg hobbelig wordt (bijvoorbeeld door een zware lading of een onbekend materiaal), of als je heel snel moet reageren, wordt die simpele "gas-rem" methode onhandig. De auto begint te wiebelen of reageert te traag. Om dit op te lossen, moeten ingenieurs de PID heel lang en moeilijk afstemmen (tunen), en zelfs dan is het niet perfect.

2. De oplossing: De "slimme" robotarm (iFIR)

De auteurs van dit paper hebben een nieuw soort controller bedacht, genaamd passieve iFIR.

De analogie: In plaats van alleen naar de huidige snelheid te kijken, heeft deze nieuwe controller een korte-termijngeheugen. Het is alsof de bestuurder niet alleen naar de snelheidsmeter kijkt, maar ook onthoudt hoe de auto zich de laatste paar seconden heeft gedragen.
Hoe het werkt: De robot leert niet uit een ingewikkeld boekje met formules, maar uit data. Je laat de robot een paar minuten "proeven" (bewegen met willekeurige signalen), en de computer leert daaruit de beste manier om te sturen. Dit heet "data-gedreven".

3. Het geheim: "Passiviteit" (Veiligheid eerst)

Dit is het belangrijkste deel van het paper. Veel moderne robot-leren-methoden (zoals AI) zijn heel krachtig, maar ze kunnen soms "gekke dingen" doen en instabiel worden. Ze zijn als een getrainde atleet die soms uit balans raakt.

De auteurs hebben een speciale regel toegevoegd: Passiviteit.

De analogie: Stel je voor dat je een bal op een trampoline laat stuiteren. Een "passieve" bal geeft nooit meer energie terug dan je erin stopt; hij stopt altijd vanzelf. Een "niet-passieve" bal zou plotseling vanzelf omhoog springen, wat gevaarlijk is.
In de robot: Door de controller te dwingen "passief" te zijn, garanderen ze dat de robotarm nooit uit de hand loopt, zelfs niet als de lading verandert of als de software een fout maakt. Het is een onzichtbare veiligheidsriem die altijd aan zit.

4. Wat hebben ze ontdekt? (De resultaten)

Ze hebben dit getest op een echte robotarm (de Franka Research 3) met twee soorten taken:

Gewrichtsbesturing: Hoe snel een enkel gewricht beweegt.
Ruimtelijke besturing: Hoe snel de punt van de robot (de "hand") in de ruimte beweegt.

De resultaten waren indrukwekkend:

Sneller en nauwkeuriger: De nieuwe controller (iFIR) maakte tot 74% minder fouten dan de beste PID-controller. De robot volgde het gewenste pad veel strakker.
Snel aanpassen: Als je een zware lading aan de robot hangt (wat de dynamiek verandert), kun je de controller in slechts 3 minuten opnieuw laten leren op de nieuwe situatie. De robot "vergeet" zijn oude gewoontes en past zich direct aan.
Stabiel: Zelfs bij heel moeilijke bewegingen bleef de robot veilig en stabiel, terwijl een controller zonder de "passiviteit-regel" zou gaan trillen en uit de hand zou lopen.

Samenvatting in één zin

Deze paper laat zien dat je robots niet alleen kunt "leren" door ze data te geven, maar dat je ze ook een veiligheidsregelsysteem kunt geven dat zorgt dat ze nooit uit balans raken, waardoor ze veel slimmer, sneller en veiliger werken dan de ouderwetse methoden.

Het is alsof je een beginnende bestuurder (de robot) niet alleen een auto geeft, maar ook een slimme navigatie met een onzichtbare rem die altijd ingrijpt als je te hard gaat, zodat je veilig en soepel je bestemming bereikt.

Titel: Passieve iFIR-filters voor datagedreven snelheidsregeling in de robotica

Auteurs: Yi Zhang, Zixing Wang, en Fulvio Forni (Universiteit van Cambridge)

1. Probleemstelling

In de industriële robotica is de PID-regelaar (Proportional-Integral-Derivative) nog steeds de standaard voor de regeling van robotmanipulatoren vanwege zijn eenvoud en gemakkelijke implementatie. Echter, PID-regelaars hebben beperkingen:

Ze hebben slechts drie parameters, wat de mogelijkheid beperkt om de gesloten-lusrespons (closed-loop response) optimaal te vormen, vooral bij systemen met hoge orde dynamica en niet-lineariteiten.
Ze vereisen vaak tijdrovende handmatige afstelling (tuning).

Aan de andere kant bieden datagedreven leermethoden (zoals Deep Reinforcement Learning) potentieel voor betere prestaties, maar missen ze vaak formele stabiliteitsgaranties. Een geleerd beleid kan in simulaties goed werken, maar instabiel gedrag vertonen in de echte wereld bij onvoorziene omstandigheden.

Er is een behoefte aan een regelaar die:

Direct uit data kan leren (zonder een expliciet fysiek model van de robot).
Formele stabiliteitsgaranties biedt.
Beter presteert dan een geoptimaliseerde PID-regelaar, vooral bij complexe dynamica (zoals flexibele ladingen).

2. Methodologie: Passieve iFIR Regeling

Het paper introduceert een nieuwe regelaar: de passieve iFIR (incremental Finite Impulse Response) regelaar, ontworpen voor snelheidsregeling (zowel in de gewrichtsruimte als in de Cartesiaanse ruimte).

A. Regelaarstructuur (iFIR)
De iFIR-regelaar is een uitbreiding van de PID-regelaar:

In plaats van de standaard P- en D-termen gebruikt de iFIR een Finite Impulse Response (FIR) filter.
Dit biedt een rijkere tijdsrepresentatie en een soepelere afgeleide-term, terwijl de lineaire structuur behouden blijft.
De regelaar wordt gedefinieerd door coefficientenmatrices $\{H_k\}$ en een integraalterm $\Gamma$ .

B. Datagedreven Ontwerp (VRFT)
De parameters van de iFIR-regelaar worden bepaald via Virtual Reference Feedback Tuning (VRFT):

Er wordt geen fysiek model van de robot nodig.
Er wordt een korte "probing" dataset verzameld (ongeveer 3 minuten) door de robot te prikkelen met willekeurige signalen (bijv. sommen van sinusgolven).
Een virtuele referentie wordt berekend op basis van de gewenste gesloten-lusrespons (een referentiemodel $M_r$ ).
De regelaar wordt geoptimaliseerd om het verschil te minimaliseren tussen de werkelijke uitgang en de uitgang die zou ontstaan als de regelaar de gewenste referentie zou volgen.

C. Stabiliteitsgarantie (Passiviteit)
Het kernpunt van de methode is het opleggen van passiviteitsbeperkingen tijdens de optimalisatie:

Passiviteit is een eigenschap die energie-dissipatie garandeert. Als de regelaar passief is en de robot is passief (wat fysiek vaak het geval is), is de gesloten-lusstabiliteit gegarandeerd.
De optimalisatie wordt omgezet in een convex probleem met lineaire matrixongelijkheden (LMIs).
Specifieke constraints zorgen ervoor dat de integraalterm convex is en dat de FIR-filter een "positief reële" overdrachtsfunctie heeft (via een relaxatie van de oneindige dimensie naar een eindige steekproef).

3. Belangrijkste Bijdragen

Eerste experimentele validatie: Dit is het eerste werk dat passieve iFIR-regelaars experimenteel valideert op een echte robot (Franka Research 3).
MIMO-uitbreiding: De methode is generaliseerd naar Multi-Input Multi-Output (MIMO) systemen, wat essentieel is voor Cartesiaanse regeling waar de assen gekoppeld zijn.
Brug tussen leren en stabiliteit: Het biedt een oplossing die leert uit data maar de stabiliteitgaranties van passiviteit behoudt, in tegenstelling tot veel "black-box" leermethoden.
Snelle aanpasbaarheid: De regelaar kan binnen enkele minuten opnieuw worden getraind als de dynamica van de robot verandert (bijv. door een nieuwe lading).

4. Resultaten

De methode is getest op een Franka Research 3 robot in twee scenario's:

A. Gewrichtssnelheidsregeling (Joint-space)

Setup: Regeling van een enkele gewricht met flexibele houten strips (simulatie van zware, flexibele ladingen).
Resultaat: De passieve iFIR-regelaar presteerde significant beter dan een geoptimaliseerde PID-regelaar.
- Verbetering: Tot 41% vermindering in tracking-error (NRMSE) bij standaard dynamica.
- Robuustheid: Bij verandering van de lading (zonder hertraining) bleef iFIR stabieler en volgde de referentie nauwkeuriger dan PID.
- Stabiliteit: Bij een zeer agressieve referentie (tweede orde systeem) bleef de passieve iFIR stabiel, terwijl een iFIR-regelaar zonder passiviteitsbeperkingen instabiel werd (groeierende oscillaties).

B. Cartesiaanse Snelheidsregeling (Cartesian-space)

Setup: Regeling van de snelheid van het eind-effect in de ruimte (X, Y, Z), zowel als SISO (per as) als MIMO (gekoppeld).
Resultaat:
- SISO & MIMO: iFIR overtrof PID in zowel tijd- als frequentiedomein.
- Agressieve Referentie: Bij een snelle, tweede-orde referentie (hoge eisen aan de dynamica) was de verbetering van iFIR ten opzichte van PID opvallend groot:
  - 67,7% verbetering bij willekeurige trajecten.
  - 74,5% verbetering bij trapeziumvormige trajecten.
- Robuustheid: Wanneer de robot werd getest buiten het trainingsgebied, degradeerde de PID-regelaar met hoge-frequentie oscillaties, terwijl de iFIR-regelaar een soepelere degradatie vertoonde.

5. Betekenis en Conclusie

Dit onderzoek toont aan dat passieve iFIR-regelaars een krachtig alternatief zijn voor traditionele PID-regelaars in de robotica.

Prestatie: Ze bieden aanzienlijk betere tracking-prestaties, vooral bij complexe, niet-lineaire dynamica en hoge eisen aan de referentie.
Veiligheid: Door passiviteit te forceren tijdens het leerproces wordt instabiliteit voorkomen, wat een groot risico is bij pure datagedreven methoden.
Praktische toepasbaarheid: De methode vereist slechts een paar minuten aan data en weinig rekenkracht, waardoor het geschikt is voor industriële toepassingen waar modellen moeilijk te verkrijgen zijn.

Toekomstperspectief:
De auteurs wijzen op beperkingen, zoals de afhankelijkheid van een handmatig gekozen referentiemodel en het lineaire karakter van de regelaar. Toekomstig werk richt zich op het automatisch afleiden van referentiemodellen en het ontwikkelen van niet-lineaire, adaptieve iFIR-regelaars.