Risk-Governed Model-Free Adaptive Control of Differential-Drive Mobile Robots with Applied-Input-Consistent Dynamic MIMO Linearization
本文提出了一种针对差分驱动移动机器人的风险管控型无模型自适应控制架构，该架构通过利用实际施加的输入而非标称指令来更新伪雅可比矩阵，从而确保了辨识的一致性，进而显著提升了在轮式打滑和负载变化等动态约束下的滑移管理、跟踪精度及安全性。
原始论文采用 CC BY 4.0 许可（https://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
想象一个旨在在工厂车间或仓库中移动的机器人，它通过两个独立旋转的轮子进行导航。为了转向，一个轮子必须加速，而另一个则必须减速；为了直线行驶，它们必须完美同步地旋转。在一个理想的世界里，机器人的计算机只需告诉电机应该以多快的速度旋转，机器人就会完全按照指令行驶。但现实世界是混乱的。地面可能很滑，机器人可能正搬运着会改变平衡的重物，或者其中一个轮子可能与另一个略有不同。当这些情况发生时，轮子可能会打滑，机器人可能会难以转向，或者可能会发生意外的冲撞。如果机器人的计算机不知道这些情况正在发生，它可能会持续发送让问题变得更糟的指令，导致失去控制或发生碰撞。
这正是控制自动化生产与技术改进研究所及河内理工大学的研究人员致力于解决的挑战。他们专注于一种能够边走边学的机器人控制系统，这种系统根据它所看到的现象来调整行为，而不是依赖于一份完美的机器人物理特性图谱。虽然这种“学习”方法非常强大，但它有一个隐藏的弱点：如果机器人的安全系统或物理极限阻止了它完全执行计算机的要求，计算机就会感到困惑。它认为自己发送了一个指令，但机器人实际接收到的却是另一个指令。这种不匹配会导致学习系统建立起对机器人运动方式的错误理解，最终导致性能下降。研究人员开发了一种新方法来修复这种困惑，创建了一个能够意识到现实世界危险（如轮子打滑或重载）而不让这些危险破坏其学习过程的系统。
他们解决方案的核心是一个将机器人的学习与安全检查相分离的两部分策略。第一部分是学习引擎，它不断更新关于机器人如何响应指令的心理模型。在过去，如果安全系统介入并因为机器人即将打滑而软化了一个指令，学习引擎仍会尝试从原始的、未经过软化的指令中学习。这在数据中制造了一个谎言。新系统确保学习引擎只研究实际到达电机的那个指令。如果安全系统更改了指令，学习引擎也会学习更改后的版本。这使得机器人对自身运动的理解与现实保持完美一致，即使在情况糟糕时也是如此。
第二部分是一个“风险管理者”，它像一个谨慎的监督者一样发挥作用。这个监督者观察机器人的传感器，寻找麻烦的迹象，例如轮子旋转速度快于地面移动速度、机器人承载重量比平时大，或者机器人的左侧和右侧表现不一致。当监督者检测到这些风险时，它不会试图向学习引擎传授这些知识。相反，它会温柔地降低机器人的速度并限制其转向的剧烈程度。它为机器人创造了一个安全运行区域，确保即使机器人在湿滑路段或搬运重物，也不会尝试过于激进地移动。至关重要的是，监督者将这些风险警告与学习引擎的数据分开，从而使机器人能够在不因临时性的安全限制而产生困惑的情况下，学会如何正确移动。
为了测试这个想法，研究人员针对两轮机器人在各种困难条件下的表现进行了数千次计算机模拟。他们创建了场景，让机器人面临湿滑地面、重载以及重量分布不均的情况。他们将新系统与旧方法进行了对比，旧方法要么忽略这些风险，要么以不太成熟的方式处理这些风险。结果显示，新系统在保持机器人按预期路径行驶方面表现得显著更好。在模拟中，新方法减少了平均轮速打滑量超过6%，并减少了极端情况下的打滑量近32%。它还将高风险情况发生的频率降低了近19%。或许最令人印象深刻的是，机器人的精确路径跟随能力得到了极大的提升，其前进速度误差下降了超过50%，转向速度误差下降了超过70%。
研究还表明，仅仅观察轮子打滑不足以解决问题。一个仅对轮子打滑做出反应的系统，在机器人搬运重物或左右失衡时会表现挣扎。新系统能够同时感知三种类型的问题——打滑、重载和失衡——这正是它表现优异的原因。通过将这些不同的警告结合成一个单一的风险度量，监督者可以做出更明智的减速决策。研究人员发现，这种方法还节省了能量，模拟中的机器人比旧系统使用的电能不到一半，同时移动得更加准确。
尽管这些结果令人鼓舞，但研究人员谨慎地指出，他们目前仅在模拟环境中进行了测试。机器人尚未在真实的工厂或真实的地面上进行构建和测试。模拟包含了诸如电机延迟和传感器噪声等现实细节，但物理世界仍可能以计算机模型无法预测的方式令机器感到意外。作者表示，在实际硬件上测试该系统是必要的下一步。在此之前，这项工作作为一种强有力的理论和模拟证明，展示了将学习过程与安全检查分离可以让机器人学得更快，并在混乱的世界中移动得更安全。这种方法为使自主机器人在日益需要的复杂、不可预测的环境中变得更加可靠提供了一条清晰的路径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。