⚡ electrical engineering

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

Dit artikel presenteert een intelligent regelkader voor robotmanipulatoren dat modelgebaseerde nietlineaire regeling combineert met adaptieve radial basis function neurale netwerken, waarbij door middel van experimentele resultaten wordt aangetoond dat de specifieke keuze van de activatiefunctie het transiënte gedrag, de stationaire nauwkeurigheid en de regelgladheid significant beïnvloedt, terwijl de gesloten lus stabiliteit behouden blijft.

Oorspronkelijke auteurs: Kimmo Paldanius, Gabriel Da Silva Lima, Wallace Moreira Bessa

Gepubliceerd 2026-07-03

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Kimmo Paldanius, Gabriel Da Silva Lima, Wallace Moreira Bessa

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 voor dat je een robotarm leert om een perfecte cirkel op een stuk papier te tekenen. Je geeft het een reeks instructies (het "ideale pad"), maar de robot is niet perfect. Het heeft zware gewrichten, kleverige wrijving, en misschien duwt de lucht er ook nog een beetje tegenaan. Dit zijn de "verstoringen" die de robot van de lijn laten afwijken.

Dit artikel gaat over het bouwen van een "slimme helper" voor de robot. Deze helper is een type kunstmatig brein (een neuraal netwerk) dat in realtime leert om te raden wat die verstoringen zijn en de robot vertelt hoe hij kan terugvechten.

De onderzoekers stelden een zeer specifieke vraag: Maakt de vorm van de "hersencel" binnen deze slimme helper uit?

In technische termen testten ze verschillende "activatiefuncties" (de wiskundige formules die bepalen hoe de hersencel reageert). Ze vergeleken drie vormen:

Gaussiaans: Een gladde, klokvormige curve (de standaardkeuze).
Laplacian: Een scherpe, puntige piek.
Inverse Multiquadratic (IMQ): Een brede, vlakke curve die ver uitwaaiert.

Dit is wat ze ontdekten, uitgelegd via eenvoudige analogieën:

De Opstelling: De Robot en de "Slimme Helper"

Het team gebruikte een digitale tweeling van een Quanser robotarm (een enkele arm die op en neer beweegt). Ze programmeerden de robot om drie verschillende paden te volgen:

Een Sinusgolf: Een vloeiende, golvende curve (als een zachte oceaangolf).
Een Blokgolf: Een pad dat direct van de ene naar de andere positie springt (zoals een lichtschakelaar die aan of uit wordt gezet).
Een Driehoeksgolf: Een pad dat met een constante snelheid omhoog gaat, en daarna met een constante snelheid weer omlaag.

Ze hielden de rest exact hetzelfde (het gewicht van de robot, de leersnelheid, het aantal neuronen). Het enige wat ze veranderden, was de vorm van de formule van de "hersencel".

De Resultaten: Glad versus Scherp

1. Voor Gladde Paden (Sinus- en Driehoeksgolven): De "Brede Net" wint
Wanneer de robot de opdracht kreeg om een glad, vloeiend pad te volgen, was de Inverse Multiquadratic (IMQ) kernel de duidelijke winnaar.

De Analogie: Stel je voor dat je een vis probeert te vangen in een kalm meer. De IMQ-kernel is als een breed, diep net. Omdat het "globale ondersteuning" heeft (het strekt zich ver uit), kan het in één oogopslag het hele beeld van de beweging van het water zien. Het maakt een zeer nauwkeurige inschatting van waar de vis (de fout) zich bevindt, zelfs als de vis een stuk verder weg is.
Het Resultaat: De robot maakte minder fouten. De IMQ-versie verminderde de volgfouten met bijna 52% vergeleken met de standaardmethode. Het was het meest precies bij vloeiende bewegingen.

2. Voor Scherpe Sprongen (Blokgolven): Het "Brede Net" raakt te enthousiast
Wanneer de robot plotseling van de ene plek naar de andere moest springen, waren de resultaten anders.

De Analogie: Stel je nu voor dat de vis plotseling uit het water springt. Het brede net (IMQ) probeert de vis overal tegelijk te vangen, maar omdat het zo gevoelig is voor het hele gebied, wordt het een beetje "nerveus" of agressief. Het schiet iets over het doel heen voordat het zichzelf corrigeert.
Het Resultaat: Hoewel de IMQ over de totale tijd genomen nog steeds de totale hoeveelheid fouten verminderde, zorgde het ervoor dat de robot meer overshoot vertoonde (voorbij het doel ging) dan de andere methoden. De "scherpere" kernels (zoals de Laplacian) waren minder agressief in hun initiële reactie, hoewel ze in totaal minder precies waren.

De Belangrijkste Conclusie

Het artikel concludeert dat de keuze van de vorm van de "hersencel" niet zomaar een klein technisch detail is; het is een ontwerpknop waar ingenieurs aan kunnen draaien.

Als je wilt dat je robot ultragenaauw is op gladde, continue paden (zoals het schilderen van een curve), gebruik dan de Inverse Multiquadratic vorm. Het werkt als een breed, holistisch beeld dat fouten opvangt voordat ze groeien.
Als je nodig hebt dat de robot plotselinge, scherpe stops maakt zonder door te schieten, kies je misschien liever een andere vorm die meer lokaal en scherp reageert, in plaats van te proberen het hele plaatje in één keer te raden.

Kortom: Het "brein" van de robot werkt het best wanneer je de vorm van zijn denken afstemt op de vorm van de taak. Een brede, gladde denker is geweldig voor gladde taken, maar een scherpere denker is misschien veiliger voor plotselinge sprongen. De onderzoekers bewezen dat ze door simpelweg deze wiskundige vorm te veranderen, de robot aanzienlijk beter konden maken in zijn werk, zonder de robot zelf te veranderen.

Technische Samenvatting: Invloed van Radiale Basis Activatiefuncties op de Intelligente Regelaar voor Robotische Manipulatoren

Probleemstelling
Trajecttracking voor robotische manipulatoren wordt veelal aangepakt met modelgebaseerde nietlineaire regelmethoden, zoals feedback-linearisatie. Hoewel deze effectief zijn onder nominale omstandigheden, lijden deze benaderingen onder prestatievermindering door parametrische onzekerheden, wrijving, niet-gemodelleerde dynamica en externe verstoringen. Hoewel adaptieve en op leren gebaseerde uitbreidingen bestaan om de robuustheid te vergroten, blijft de specifieke invloed van de activatiefunctie (kernel) binnen de Radial Basis Function (RBF) neurale netwerk-verstoringsschatters op het closed-loop gedrag nog onvoldoende onderzocht. Hoewel Lyapunov-stabiliteit over het algemeen gegarandeerd is voor begrensde activatiefuncties, is de impact van de vorm van de kernel op het transiënte gedrag, de stationaire nauwkeurigheid en de regelgladheid niet systematisch gekarakteriseerd.

Methodologie
De auteurs stellen een intelligente regelframework voor dat feedback-linearisatie integreert met een online neurale verstoringsschatter gebaseerd op RBF-netwerken.

Regelstructuur: De regelaar maakt gebruik van een modelgebaseerde feedback-linearisatie wet die wordt aangevuld met een adaptieve term ( $\hat{d}$ ) om de totale onzekerheid ( $d$ ) te compenseren. De verstoringsschatter wordt gedefinieerd als $\hat{d}_i = w_i^\top \phi_i(s_i)$ , waarbij $w_i$ de adaptieve gewichten vertegenwoordigt en $\phi_i$ de activatiefuncties zijn.
Stabiliteitsanalyse: Een Lyapunov-gebaseerde adaptatiewet wordt gebruikt om de neurale gewichten bij te werken. Om de begrensdheid van de closed-loop signalen te waarborgen en gewichtdrift te voorkomen, wordt een projectiealgoritme toegepast, wat garandeert dat de gewichten binnen een convexe regio blijven. Dit zorgt ervoor dat de trackingsfout convergeert naar een compact gebied rond de oorsprong.
Experimentele Opstelling: Het framework werd geïmplementeerd op een single-degree-of-freedom (1 DOF) Quanser QArm robotische manipulator binnen een digital twin omgeving (Quanser Interactive Labs). Het systeem werd getest onder hardware-getimede acquisitie (500 Hz) met drie verschillende referentietrajecten: sinusvormig, kwadraat (stap-achtig) en driehoekig (ramp-achtig).
Vergelijkingsprotocol: Om het effect van de activatiefunctie te isoleren, werden alle andere parameters constant gehouden tijdens de tests, inclus overlapping van regelaarswinsten ( $\lambda_i$ $λ_{i}$ ), leersnelheden ( $\eta_i$ $η_{i}$ ), projectiegrenzen ( $\mu_i$ $μ_{i}$ ) en het aantal neuronen ( $n_i = 6$ $n_{i} = 6$ ). Drie specifieke kernels werden geëvalueerd:
1. Gaussiaans: $\kappa_G(\rho) = \exp(-\rho^2)$ (Lokale ondersteuning, baseline).
2. Laplace: $\kappa_L(\rho) = \exp(-|\rho|)$ (Lokale ondersteuning).
3. Inverse Multiquadratisch (IMQ): $\kappa_{IMQ}(\rho) = 1/\sqrt{1+\rho^2}$ (Globale ondersteuning).

Belangrijkste Resultaten
Experimentele resultaten, gekwantificeerd via Root-Mean-Square Error (RMSe), Integral of Absolute Error (IAE) en regelinspanning (RMSPWM), onthulden duidelijke prestatieafwegingen op basis van kernelselectie:

Continue Trajecten (Sinusoïde en Driehoekig): De Inverse Multiquadratische (IMQ) kernel vertoonde superieure prestaties. Vergeleken met de baseline (conventionele feedback-linearisatie zonder neurale compensatie) verminderde de IMQ-kernel de RMSe met 51,9% voor sinusgolven en 49,0% voor driehoekige golven. De Laplace- en Gaussische kernels verbeterden de prestaties ook ten opzichte van de baseline, maar in minder mate.
Discontinue Trajecten (Kwadratische Referentie): Er ontstond een kritieke afweging. Hoewel alle neurale kernels de IAE verminderden (wat wijst op een betere algehele foutaccumulatie), introduceerden zij transiënte overshoots en verhoogde insteltijden vergeleken met de baseline. Specifiek resulteerde de IMQ-kernel in de hoogste overshoot (6,86%) en insteltijd (2,624 s), terwijl de baseline-regelaar nul overshoot behield.
Regelinspanning: De toename in regelinspanning (RMSPWM) was minimaal bij alle intelligente regelaars, bleef over het algemeen onder de 3% toename ten opzichte van de baseline, ondanks de significante verbeteringen in tracking-nauwkeurigheid.

Betekenis en Claims
Het artikel stelt dat de keuze van de activatiefunctie in RBF-gebaseerde intelligente regelaars niet louter moet worden beschouwd als een implementatiedetail, maar als een structurele ontwerpparameter. De bevindingen wijzen erop dat:

Ondersteuning van de Kernel is Cruciaal: Kernels met globale ondersteuning (zoals IMQ) bieden een meer holistische benadering van verstoringsmanifolds voor gladde, continue trajecten, wat leidt tot hogere stationaire precisie.
Transiënte vs. Stationaire Afweging: Gelokaliseerde kernels (Gaussiaans, Laplace) of de baseline-regelaar kunnen de voorkeur hebben voor toepassingen die strikt monotone stapresponsen vereisen, aangezien globale kernels agressiviteit in het transiënte gedrag kunnen induceren onder discontinue commando's.
Ontwerpflexibiliteit: Ingenieurs kunnen de activatiefunctie afstemmen om ofwel maximale stationaire precisie (voorkeur voor IMQ voor gladde paden) of minimale transiënte overshoot (voorkeur voor gelokaliseerde kernels of baseline voor stap-inputs) te prioriteren, terwijl de theoretische stabiliteitsgaranties van de Lyapunov-gebaseerde adaptatiewet behouden blijven.

De studie concludeert dat hoewel stabiliteit behouden blijft voor alle begrensde kernels, de selectie van de kernel het adaptatiedynamische gedrag en de praktische closed-loop prestaties direct vormgeeft, wat een mechanisme biedt om intelligente regelaars af te stemmen op specifieke trajectvereisten.

De Opstelling: De Robot en de "Slimme Helper"

De Resultaten: Glad versus Scherp

De Belangrijkste Conclusie

Meer zoals dit