Technische Samenvatting: IL-ACT voor een 30-tons Graafmachine

Probleemstelling

Autonome besturing van zware hydraulische machines, specifiek graafmachines in de klasse van 30 ton, staat voor aanzienlijke uitdagingen vanwege gekoppelde kinematica, actuatievertragingen en systeemonzekerheden. Hoewel eerdere systemen trajectoptimalisatie en geleerd inverse besturing hebben aangetoond, blijft het bereiken van robuuste, hoogprecisie-tracking onder onzekere dynamiek en veranderende operationele omstandigheden moeilijk. De auteurs adresseren de behoefte aan een bewegingsbesturingsframework dat kan omgaan met doelbereiking en trajecttracking voor dergelijke complexe machines, waarbij de voordelen van imitation learning (IL) worden afgewogen tegen de robuustheid van adaptieve besturing.

Methodologie: Het IL-ACT Framework

Het paper stelt IL-ACT voor (Imitation Learning met Adaptive Cartesian Tracking), een nieuw bewegingsbesturingsframework ontworpen voor een 30-tons hydraulische graafmachine met vier bestuurde gewrichten (zwenken, boom, arm en bucket). Het systeem werkt in een gesloten lus met een controleperiode van 0,1s en bestaat uit drie primaire componenten:

1. Anchored Imitation Policy

• Architectuur: Een volledig verbonden neuraal netwerk (14 inputs, 4 outputs) getraind via behavior cloning op operatordemonstraties.
• Trainingsstrategie: Het beleid wordt vooraf getraind op een telemetrie-corpus (15 opname-data) en verfijnd met behulp van offline kinematische supervisie. Een "kinematische docent" reconstrueert configuraties en genereert begrensde inverse-kinematische (IK) houding-richtlijnen en Cartesiaanse snelheidscommando's.
• Anchoring Mechanisme: Om stabiliteit en consistentie bij nul-actie te garanderen, wordt de output van het beleid gedefinieerd als het verschil tussen de voorspelling van het netwerk voor de huidige staat en de voorspelling voor een "nul-actie" ankerstaat (waar het doel overeenkomt met de huidige pose en de snelheid nul is). Dit zorgt ervoor dat wanneer het systeem zich bij het doel bevindt zonder beweging, het nominale commando exact nul is.
• Observaties: De inputvector bevat causale, gefilterde gewrichtshoeken, de puntpositie en de foutvector ten opzichte van een conditioneringspunt (doel of preview-punt).

2. Adaptive Cartesian Tracking (ACT)

• Feedback Correctie: Het systeem maakt gebruik van een Cartesiaanse feedbacklus die de fout berekent tussen de gewenste en gemeten puntposities.
• Gain/Bias Estimatie: Een gated estimator vergelijkt gemeten gewrichtssnelheden met een nominale plantrespons-voorspelling. Het schat gain- en bias-correcties in om afwijkingen te compenseren die worden veroorzaakt door hydraulische onzekerheden (klepvertraging, wrijving, lastmodulatie).
• Adaptatie Logica: Updates aan de gain- en bias-schattingen worden "ge-gated" op basis van excitatieniveaus (om adaptatie tijdens lage signalen of verzadiging te voorkomen) en interventie-flags.
• Integratie: Het definitieve commando is een combinatie van de nominale IL-output, de Cartesiaanse feedbacksnelheid (gemapt naar de gewrichtsruimte via een gedempte inverse Jacobiaan) en de geschatte bias/gain-correcties.

3. Shared Command Governor

• Veiligheid en Haalbaarheid: Een remafstand-governor beperkt de gegenereerde gewrichtsreferenties om ervoor te zorgen dat de machine binnen zijn fysieke limieten (positie, snelheid en acceleratiegrenzen) kan stoppen voordat een doel wordt bereikt.
• Referentie Admissibiliteit: De governor zorgt ervoor dat het positie-vraagregister binnen de verklaarde enveloppe blijft. Als de governor een onhaalbare staat detecteert, activeert het een fallback-deceleratie in plaats van een instantane stop.
• Anti-windup: Het systeem maakt gebruik van anti-windup integratie voor de integraalterm in de feedbacklus om prestatievermindering tijdens verzadiging te voorkomen.

Belangrijkste Bijdragen

De auteurs identificeren drie hoofdbijdragen:

1. Anchored Imitation-Policy Design: Een gecoördineerd vier-gewrichtsbeleid verfijnd via dataset-aggregatie en kinematische supervisie, voorzien van een exact nul-actie anker om stabiliteit te garanderen.
2. Adaptive Tracking met Constrained Reference Generation: Een framework dat Cartesiaanse feedback en gated gain/bias estimatie combineert met een gedeelde remafstand-governor. Het paper biedt een theoretische analyse die de begrensdheid van de adaptieve staten en de admissibiliteit van gegenereerde referenties vaststelt, onder voorbehoud van de haalbaarheid van de governor.
3. Uitgebreide Vergelijkende Simulatiebewijslast: Uitgebreide evaluatie over meerdere taken (doelregulatie, spiraal, figuur-acht en afgeronde raster-tracking) en condities (nominale versus verstoorde hydraulische respons, sensorgruis, extra belasting). De studie bevat vergelijkingen met getunede PID, IL-only, en Teacher+ACT baselines, gebruikmakend van meerdere trainingsseeds en initialisatiestrategieën.

Experimentele Resultaten

Het framework werd geëvalueerd in een high-fidelity Simscape-omgeving die een 30-tons graafmachine simuleert met hydraulische verstoringen (klepvertraging, wrijving, hysteresis, lastmodulatie).

Doelregulatie (100 Sequentiële Doelen)

• Succespercentage: Zowel IL-only als IL-ACT behaalden 100/100 successen in zowel nominale als verstoorde condities, terwijl PID 95/100 (nominaal) en 86/100 (verstoord) behaalde.
• Efficiëntie: Vergeleken met Teacher+ACT voltooit IL-ACT alle doelen met een kortere duur en lagere terminale fouten. Specifiek vermindert IL-ACT de duur met 7,22% (nominaal) en 12,97% (verstoord) vergeleken met Teacher+ACT.
• Nauwkeurigheid: Onder nominale en verstoorde respons reduceert IL-ACT de gemiddelde terminale fout met respectievelijk ongeveer 16,16% en 28,39% vergeleken met Teacher+ACT.

Trajecttracking (Spiraal, Figuur-acht, Raster)

• Spiraal Tracking: IL-ACT presteerde significant beter dan zowel PID als IL-only. In aanwezigheid van hydraulische verstoringen behaalde IL-ACT een Cartesiaanse tracking RMSE van 0,05864 mm, vergeleken met 12,48 mm voor PID en 2,49 mm voor IL-only.
• Generalisatie: In een uitgebreide studie met 88 runs over drie trainingsseeds en twee initialisaties (telemetrie versus willekeurig), verlaagde de met telemetrie geïnitialiseerde IL-ACT de RMSE in alle 24 figuur-acht en afgeronde raster seed-vergelijkingen tegenover Teacher+ACT.
• Last- en Ruisrobuustheid: Onder extra-belasting spiraal condities verlaagde de met telemetrie geïnitialiseerde IL-ACT de gemiddelde RMSE met ongeveer 29% vergeleken met Teacher+ACT. Onder gedeelde sensorgruis-realisaties behaalde het een 27,67% lagere gemiddelde RMSE dan Teacher+ACT.
• Impact van de Estimator: Het inschakelen van de gain/bias estimator verminderde de gemiddelde RMSE met 22,44% ten opzichte van een bevroren estimator onder sensorgruis-condities.

Betekenis en Claims

Het paper claimt dat IL-ACT succesvol de datagedreven efficiëntie van imitation learning integreert met de robuustheid van adaptieve controletheorie.

• Robuustheid: Het framework demonstreert superieure prestaties ten opzichte van pure imitation learning (IL-only) en model-gebaseerde baselines (PID) in de aanwezigheid van significante hydraulische onzekerheden en externe verstoringen.
• Theoretische Garanties: In tegen tegenstelling tot veel black-box leerbenaderingen, bieden de auteurs een analyse die vaststelt dat de adaptieve staten en Cartesiaanse feedbackcommando's begrensd blijven, en dat de gegenereerde referenties admissibel zijn, mits de governor haalbaar blijft.
• Praktische Toepasbaarheid: De resultaten suggereren dat het combineren van een voorgetraind beleid met online adaptatie en een veiligheidsgovernor een levensvatbaar pad is naar autonome besturing voor zware machines, wat een balans biedt tussen de sample-efficiëntie van leren en de veiligheidseisen van industriële operaties.

De auteurs blijven bescheiden over de reikwijdte en merken op dat deze bevindingen specifiek zijn voor de geëvalueerde simulatiecondities en dat de effecten van voorgetrainde gewichten gemengd kunnen zijn afhankelijk van de specifieke taak en initialisatie. Het werk claimt niet alle aspecten van autonome graafwerkzaamheden te hebben opgelost (bijv. doel-lokalisatie wordt als een aparte fase genoteerd), maar richt zich eerder op de bewegingsbesturing en trajecttracking fasen.