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

Resumo Técnico: Influência de Funções de Ativação de Base Radial em Controladores Inteligentes para Manipuladores Robóticos

Definição do Problema
O rastreamento de trajetórias de manipuladores robóticos é frequentemente abordado por métodos de controle não linear baseados em modelo, como a linearização por realimentação. Embora eficazes sob condições nominais, essas abordagens sofrem degradação de desempenho devido a incertezas paramétricas, fricção, dinâmicas não modeladas e distúrbios externos. Embora existam extensões adaptativas e baseadas em aprendizado para aumentar a robustez, a influência específica da função de ativação (kernel) dentro dos estimadores de distúrbio de redes neurais de Função de Base Radial (RBF) no comportamento de malha fechada permanece subexplorada. Embora a estabilidade de Lyapunov seja geralmente garantida para funções de ativação limitadas, o impacto da forma do kernel na resposta transitória, na precisão em regime permanente e na suavidade do controle não é caracterizado sistematicamente.

Metodologia
Os autores propõem uma estrutura de controle inteligente que integra a linearização por realimentação com um estimador de distúrbio neural baseado em redes RBF online.

• Estrutura de Controle: O controlador utiliza uma lei de linearização por realimentação baseada em modelo aumentada por um termo adaptativo ($\hat{d}$) para compensar a incerteza total ($d$). O estimador de distúrbio é definido como $\hat{d}_i = w_i^\top \phi_i(s_i)$, onde $w_i$ representa os pesos adaptativos e $\phi_i$ representa as funções de ativação.
• Análise de Estabilidade: Uma lei de adaptação baseada em Lyapunov é empregada para atualizar os pesos neurais. Para garantir a limitação dos sinais de malha fechada e evitar o desvio de pesos (weight drift), um algoritmo de projeção é aplicado, garantindo que os pesos permaneçam dentro de uma região convexa. Isso assegura que o erro de rastreamento converja para uma região compacta em torno da origem.
• Configuração Experimental: A estrutura foi implementada em um manipulador robótico Quanser QArm de um único grau de liberdade (DOF) em um ambiente de gêmeo digital (Quanser Interactive Labs). O sistema foi testado sob aquisição temporizada por hardware (500 Hz) com três trajetórias de referência distintas: senoidal, quadrada (tipo degrau) e triangular (tipo rampa).
• Protocolo Comparativo: Para isolar o efeito da função de ativação, todos os outros parâmetros foram mantidos constantes em todos os testes, incluindo ganhos do controlador ($\lambda_i$), taxas de aprendizado ($\eta_i$), limites de projeção ($\mu_i$) e o número de neurônios ($n_i = 6$). Três kernels específicos foram avaliados:
  1. Gaussiano: $\kappa_G(\rho) = \exp(-\rho^2)$ (Suporte local, baseline).
  2. Laplaciano: $\kappa_L(\rho) = \exp(-|\rho|)$ (Suporte local).
  3. Multiquadrático Inverso (IMQ): $\kappa_{IMQ}(\rho) = 1/\sqrt{1+\rho^2}$ (Suporte global).

Resultos Principais
Os resultados experimentais quantificados via Erro Quadrático Médio (RMSe), Erro Integral do Valor Absoluto (IAE) e esforço de controle (RMSPWM) revelaram distintos compromissos de desempenho baseados na seleção do kernel:

• Trajetórias Contínuas (Senoidal e Triangular): O kernel Multiquadrático Inverso (IMQ) demonstrou desempenho superior. Comparado ao baseline (linearização por realimentação convencional sem compensação neural), o kernel IMQ reduziu o RMSe em 51,9% para ondas senoidais e 49,0% para ondas triangulares. Os kernels Laplaciano e Gaussiano também melhoraram o desempenho em relação ao baseline, mas em menor escala.
• Trajetórias Descontínuas (Referência Quadrada): Um compromisso crítico emergiu. Embora todos os kernels neurais tenham reduzido o IAE (indicando melhor acúmulo de erro total), eles introduziram sobrepasso (overshoot) transiente e aumentaram os tempos de acomodação em comparação ao baseline. Especificamente, o kernel IMQ resultou no maior sobrepasso (6,86%) e tempo de acomodação (2,624 s), enquanto o controlador baseline manteve sobrepasso zero.
• Esforço de Controle: O aumento no esforço de controle (RMSPWM) foi mínimo em todos os controladores inteligentes, permanecendo geralmente abaixo de um aumento de 3% em relação ao baseline, apesar das melhorias significativas na precisão de rastreamento.

Significância e Alegações
O artigo afirma que a escolha da função de ativação em controladores inteligentes baseados em RBF deve ser vista não meramente como um detalhe de implementação, mas como um parâmetro de projeto estrutural. Os achados indicam que:

1. O Suporte do Kernel Importa: Kernels com suporte global (como o IMQ) fornecem uma aproximação mais holística dos manifolds de distúrbio para trajetórias suaves e contínuas, levando a uma maior precisão em regime permanente.
2. Compromisso entre Transiente e Regime Permanente: Kernels localizados (Gaussiano, Laplaciano) ou o controlador baseline podem ser preferíveis para aplicações que exigem respostas de degrau estritamente monotônicas, pois kernels globais podem induzir agressividade transiente sob comandos descontínuos.
3. Flexibilidade de Projeto: Engenheiros podem ajustar a função de ativação para priorizar tanto a máxima precisão em regime permanente (favorecendo o IMQ para caminhos suaves) quanto o mínimo sobrepasso transiente (favorecendo kernels localizados ou o baseline para entradas de degrau), mantendo todas as garantias teóricas de estabilidade fornecidas pela lei de adaptação baseada em Lyapunov.

O estudo conclui que, embora a estabilidade seja preservada para todos os kernels limitados, a seleção do kernel molda diretamente a dinâmica de adaptação e o desempenho prático de malha fechada, oferecendo um mecanismo para adaptar controladores inteligentes a requisitos de trajetória específicos.