⚡ electrical engineering

Passive iFIR filters for data-driven velocity control in robotics

该论文提出了一种基于 VRFT 的数据驱动被动 iFIR 速度控制方法，仅需少量探测数据即可为 Franka 机器人设计出兼具稳定性保证与优异跟踪性能（相比优化 PID 降低高达 74.5% 的跟踪误差）的控制器，有效弥合了学习控制与稳定性保障设计之间的鸿沟。

原作者： Yi Zhang, Zixing Wang, Fulvio Forni

发布于 2026-04-01

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Yi Zhang, Zixing Wang, Fulvio Forni

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文介绍了一种让机器人手臂运动更精准、更聪明的新方法。为了让你轻松理解，我们可以把机器人控制想象成**“教一个新手司机开车”**。

1. 核心问题：老方法 vs. 新方法

现状（PID 控制器）：像“老司机的直觉”
目前的工业机器人主要靠一种叫 PID 的控制器。这就像一位经验丰富的老司机，他开车主要靠三个简单的习惯：

看偏差（P）： 离目标多远就踩多深油门。
看历史（I）： 如果一直偏了，就慢慢加深油门。
看趋势（D）： 如果车速快得快要冲过头了，就提前松油门。
缺点： 这位“老司机”虽然稳定，但反应比较死板。如果路况突然变得很复杂（比如机器人拿起了一个软绵绵的长木板，或者在高速下需要急转弯），他的三个简单习惯就不够用了，车开起来会抖动或者跟不上节奏。

新方法（Passive iFIR 控制器）：像“带记忆的智能导航”
这篇论文提出了一种叫 iFIR 的新控制器。它不仅仅是看“现在”和“趋势”，它还拥有一段**“短期记忆”**。

比喻： 想象这位司机不仅看眼前，还能记住过去几秒钟内路面的每一次微小颠簸。他像是一个拥有“短期记忆”的超级导航，能根据过去几秒的数据，预判下一秒该怎么打方向盘。
优势： 这种“记忆”让它在处理复杂、高难度的动作时（比如快速移动且负载变化大），比老司机的直觉要精准得多。

2. 核心挑战：怎么保证不翻车？（稳定性）

在机器人领域，有一个巨大的矛盾：

传统方法（PID）： 很稳，但不够聪明。
纯数据驱动（AI/深度学习）： 很聪明，能学会各种花哨动作，但不可控。就像让一个 AI 司机去赛车，它可能练得飞快，但一旦遇到没见过的路况，可能会突然失控撞墙，因为它没有“安全底线”。

这篇论文的绝妙之处：给“智能”加上“安全锁”
作者设计了一种**“被动性（Passivity）”**的约束。

比喻： 想象给这位“智能司机”装了一个**“能量守恒锁”。无论他怎么学习新的驾驶技巧，系统强制规定：“你消耗的能量永远不能大于你获得的能量”**。
效果： 这就像给汽车装了一个物理上的防侧翻装置。无论路况多难，无论算法怎么优化，只要这个“锁”在，机器人就绝对不会失控翻车。这解决了“既要聪明，又要安全”的难题。

3. 它是如何学习的？（数据驱动）

这个方法不需要工程师去写复杂的数学公式来描述机器人的每一个零件（这太难了，就像让司机去背整辆车的发动机图纸）。

过程：
1. 探路（Probing）： 让机器人先随便动几分钟（比如 3 分钟），就像让新车在空地上随便跑跑，感受路感。
2. 模仿（VRFT）： 系统记录这些数据，然后自动计算出那个“带记忆的智能导航”该怎么设置参数。
3. 结果： 只需要几分钟的数据，就能生成一个比调教了很久的 PID 还要好的控制器。

4. 实验效果：真的有用吗？

作者在真实的 Franka 机械臂上做了实验，效果惊人：

场景一：拿着一根长长的软木板（高难度负载）
- 老方法（PID）： 像拿着长杆子走路，容易晃，很难控制速度。
- 新方法（iFIR）： 像拿着长杆子走路的“大师”，稳如泰山。
- 数据： 在追踪速度时，误差减少了 41%。
场景二：在三维空间里快速画圈（高难度任务）
- 老方法（PID）： 动作变形，甚至开始剧烈抖动（不稳定）。
- 新方法（iFIR）： 动作丝滑，精准到位。
- 数据： 在最苛刻的测试中，误差减少了 74.5%！这意味着它几乎完美地完成了任务。
场景三：换了个负载（适应性）
- 如果机器人拿的东西变了（比如从长木板换成短木板），旧的控制策略就不灵了。
- 新方法： 只需要再花几分钟收集新数据，重新“学习”一下，马上就能恢复最佳状态。

总结

这篇论文就像是在说：

“我们发明了一种新的机器人控制方法。它不像传统方法那样死板，也不像纯 AI 那样危险。它像一个**‘有记忆且严守安全底线’的超级司机。只需要给它几分钟的时间去‘试跑’，它就能学会如何以极高的精度控制机器人，哪怕是在最复杂、最危险的工况下，也能保证绝对安全且动作丝滑**。”

这对于未来的机器人（比如做精密打磨、手术机器人或家庭服务机器人）来说，是一个巨大的进步，因为它让机器人既聪明又靠谱。

这是一份关于论文《Passive iFIR filters for data-driven velocity control in robotics》（用于机器人数据驱动速度控制的被动 iFIR 滤波器）的详细技术总结。

1. 研究背景与问题定义 (Problem Statement)

背景：
- 传统 PID 的局限性：工业机器人主要依赖 PID 控制器，因其简单且易于部署。然而，PID 仅具有三个参数（P、I、D），对于高阶、非线性的机器人动力学系统，其闭环响应塑造能力有限，难以在复杂动态下实现最优跟踪。
- 数据驱动控制的挑战：基于学习（如深度强化学习）的控制方法虽然能处理复杂动态，但通常缺乏形式化的稳定性保证，且需要大量数据。
- 核心挑战：如何在利用数据驱动方法提升性能的同时，保留经典控制理论中的稳定性保证（特别是针对速度控制这一工业机器人的核心接口）。
问题定义：
- 针对具有旋转关节的 7 自由度机器人机械臂（Franka Research 3），在存在不同负载动力学（如柔性负载）的情况下，设计一种速度控制器。
- 目标是在关节空间和笛卡尔空间实现速度跟踪，使闭环响应尽可能逼近用户指定的参考模型（Reference Model），同时严格保证闭环系统的稳定性。

2. 方法论 (Methodology)

论文提出了一种基于被动 iFIR（积分有限脉冲响应）滤波器的数据驱动控制方法，结合了虚拟参考反馈整定（VRFT）和被动性约束。

iFIR 控制器结构：
- iFIR 控制器扩展了传统 PID 结构，将 PD 部分替换为一个有限脉冲响应（FIR）滤波器，并保留积分项。
- 数学表达为： $u(t) = \sum H_k e(t-k) + T_s \Gamma \sum e(t-k)$ 。
- 这种结构提供了比 PID 更丰富的时间表示能力，能够更细腻地处理动态，同时保持线性结构。
数据驱动设计流程 (VRFT)：
- 数据采集：仅需约 3 分钟（或 1 分钟用于笛卡尔空间）的探测数据。通过向机器人施加正弦波叠加的激励信号，收集输入（力矩/力）和输出（速度）数据。
- 虚拟参考整定：利用 VRFT 技术，无需建立机器人显式模型。通过构建“虚拟参考信号” $r = M_r^{-1}(y)$ ，将控制问题转化为最小化误差信号 $e = r - y$ 与控制器输出 $u$ 之间差异的优化问题。
被动性约束与稳定性保证：
- 这是该方法的核心创新。为了确保闭环稳定性，直接在优化过程中施加被动性（Passivity）约束。
- 约束条件：
  1. 积分增益矩阵 $\Gamma$ 必须是对称半正定的（保证积分动作的被动性）。
  2. FIR 滤波器的系数需满足指数衰减约束（正则化）。
  3. 通过离散采样点上的线性矩阵不等式（LMI）约束，确保 FIR 滤波器的传递函数满足正实性（Positive Realness），这是被动系统的充分条件。
- 理论依据：根据被动性定理，如果控制器是被动的，且机器人本体和环境也是被动的（物理耗散），则互联系统是稳定的。

3. 主要贡献 (Key Contributions)

理论创新：首次将被动 iFIR 控制器的概念从单输入单输出（SISO）扩展到多输入多输出（MIMO）系统，并提供了基于数据驱动的稳定性保证框架。
性能与稳定性的平衡：提出了一种“中间路线”，既不像传统 PID 那样受限于参数结构，也不像纯数据驱动方法那样缺乏稳定性保证。
实验验证：在 Franka Research 3 机器人上进行了全面的实验验证，包括关节空间速度和笛卡尔空间速度控制，涵盖了不同负载（柔性板）和不同参考模型（一阶、二阶）的场景。
快速重适应：证明了当机器人动力学发生变化（如负载改变）时，仅需少量新数据即可在几分钟内重新学习控制器，恢复标称性能。

4. 实验结果 (Results)

实验在 Franka Research 3 机器人上进行，对比了被动 iFIR 控制器与经过 VRFT 优化的 PID 控制器。

关节空间速度控制 (Joint-space)：
- 标称性能：在 100cm 柔性负载下，被动 iFIR 相比优化后的 PID，阶跃响应的归一化均方根误差（NRMSE）降低了 41.0%。
- 鲁棒性：当负载变为 57cm 板（动力学改变）且未重新训练时，iFIR 仍比 PID 表现更好（误差降低 28.1%）。
- 稳定性验证：在极具挑战性的二阶参考模型下，无被动性约束的 iFIR 控制器导致系统失稳（振荡发散），而有被动性约束的 iFIR 和 PID 均保持稳定。这证明了被动性约束对防止不稳定的关键作用。
笛卡尔空间速度控制 (Cartesian-space)：
- SISO 与 MIMO 对比：在 MIMO 设置下（考虑轴间耦合），iFIR 表现优于 SISO 设置。
- 高阶动态跟踪：在更激进的二阶参考模型（ $\omega_n=25$ $ω_{n} = 25$ ）下，iFIR 展现出显著优势。
  - 随机速度轨迹跟踪：NRMSE 改善 67.7%。
  - 梯形速度轨迹跟踪：NRMSE 改善高达 74.5%。
- 鲁棒性：当工作点偏离训练配置时，PID 表现出明显的高频振荡，而 iFIR 的性能下降更为平缓（Graceful degradation）。

5. 意义与结论 (Significance & Conclusion)

填补空白：该研究成功弥合了“基于学习的控制”与“稳定性保证设计”之间的鸿沟。它证明了仅用少量数据（3 分钟）即可训练出既高性能又具备严格稳定性保证的控制器。
工业应用潜力：对于需要高精度速度控制且面临模型不确定性（如柔性负载、接触力变化）的工业场景（如抛光、焊接、装配），被动 iFIR 提供了一种比传统 PID 更优越且比纯 AI 方法更可靠的替代方案。
局限性：
- 目前仍依赖人工选择的参考模型。
- 设计是线性的，对机器人强非线性的处理能力有限。
- 尚未实现在线自适应（Online Adaptation），需离线重新训练。
未来方向：自动推导参考模型，以及开发非线性、自适应的 iFIR 控制器。

总结：这篇论文提出了一种基于被动性约束的数据驱动 iFIR 控制方法，在 Franka 机器人上实现了优于优化 PID 的速度跟踪性能，同时通过数学约束严格保证了闭环稳定性，为数据驱动控制在工业机器人中的安全落地提供了重要的理论支撑和实验证据。