Control Pneumatic Soft Bending Actuator with Feedforward Hysteresis Compensation by Pneumatic Physical Reservoir Computing

📄 arXiv: 2409.06961v2 📥 PDF

作者: Junyi Shen, Tetsuro Miyazaki, Kenji Kawashima

分类: cs.RO, eess.SY

发布日期: 2024-09-11 (更新: 2024-12-27)

备注: 8 pages, 17 figures. IEEE Robotics and Automation Letters, doi: 10.1109/LRA.2024.3523229

期刊: IEEE Robotics and Automation Letters, 2025

DOI: 10.1109/LRA.2024.3523229

💡 一句话要点

提出基于气动物理储层计算的模糊前馈迟滞补偿方法，用于软体执行器控制。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 软体机器人 物理储层计算 迟滞补偿 模糊逻辑控制 非线性控制

📋 核心要点

  1. 软体机器人的非线性特性（如迟滞）给控制带来了挑战，同时也赋予了它们计算能力。
  2. 论文提出一种模糊气动物理储层计算(FPRC)模型，利用气动弯曲执行器的非线性特性进行前馈迟滞补偿。
  3. 实验表明，FPRC模型在测试精度和执行时间上优于回声状态网络(ESN)模型，并验证了其鲁棒性。

📝 摘要（中文）

本文提出了一种模糊气动物理储层计算(FPRC)模型，用于软体执行器运动跟踪控制中的前馈迟滞补偿。该方法利用一个气动弯曲执行器作为物理储层，其非线性计算能力用于控制另一个气动弯曲执行器。FPRC模型采用Takagi-Sugeno (T-S)模糊逻辑来处理物理储层的输出。结果表明，所提出的FPRC模型具有与回声状态网络(ESN)模型相当的训练性能，并且具有更好的测试精度和显著减少的执行时间。实验验证了FPRC模型在开环和闭环控制系统设置下控制气动软体执行器弯曲运动的有效性。实验还验证了所提出的FPRC模型对环境干扰的鲁棒性。据作者所知，这是在用于控制软体执行器的前馈迟滞补偿模型中首次实现物理系统。这项研究有望推进物理储层计算在非线性控制应用中的发展，并扩展用于控制软体执行器的前馈迟滞补偿方法。

🔬 方法详解

问题定义：软体执行器由于其材料和结构的特殊性，表现出显著的非线性特性，特别是迟滞现象，这使得精确控制变得困难。传统的控制方法难以有效补偿这种迟滞，导致控制精度下降。因此，需要一种能够有效处理非线性迟滞的控制方法。

核心思路：论文的核心思路是利用一个气动弯曲执行器作为物理储层，其内部的非线性动力学特性可以被视为一种计算资源。通过巧妙地设计输入和输出，可以将迟滞补偿问题转化为一个模式识别和函数逼近问题，利用物理储层的计算能力来解决。

技术框架：整体框架包含两个气动弯曲执行器，一个作为物理储层，另一个作为被控对象。控制流程如下：首先，将目标轨迹输入到物理储层执行器，其状态变化作为储层的输出。然后，使用Takagi-Sugeno (T-S)模糊逻辑对储层输出进行处理，得到控制信号。最后，将控制信号输入到被控执行器，实现运动跟踪。

关键创新：该方法的主要创新在于将物理储层计算应用于软体执行器的迟滞补偿。与传统的数值计算储层相比，物理储层利用真实的物理系统进行计算，具有更高的计算效率和更强的鲁棒性。此外，使用T-S模糊逻辑对储层输出进行处理，进一步提高了模型的精度和泛化能力。

关键设计：FPRC模型的关键设计包括：1) 物理储层执行器的结构和材料选择，需要保证其具有丰富的非线性动力学特性；2) 输入信号的设计，需要能够有效地激发储层的状态变化；3) T-S模糊逻辑的规则设计和参数优化，需要根据具体的控制任务进行调整。论文中未明确给出具体的参数设置细节，这部分可能需要参考相关文献或进行实验探索。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的FPRC模型在运动跟踪控制中表现出良好的性能。与ESN模型相比，FPRC模型在训练性能相当的情况下，测试精度更高，执行时间显著减少。此外，实验还验证了FPRC模型对环境干扰的鲁棒性，表明其具有较强的实用价值。具体的性能数据和提升幅度在论文中未明确给出，需要查阅原文获取。

🎯 应用场景

该研究成果可应用于各种需要精确控制的软体机器人应用场景，例如医疗康复机器人、柔性抓取器、以及在复杂环境中进行操作的机器人。通过有效补偿迟滞，可以提高软体机器人的运动精度和控制性能，使其能够更好地完成各种任务。未来，该方法有望扩展到其他类型的软体执行器和更复杂的控制任务中。

📄 摘要（原文）

The nonlinearities of soft robots bring control challenges like hysteresis but also provide them with computational capacities. This paper introduces a fuzzy pneumatic physical reservoir computing (FPRC) model for feedforward hysteresis compensation in motion tracking control of soft actuators. Our method utilizes a pneumatic bending actuator as a physical reservoir with nonlinear computing capacities to control another pneumatic bending actuator. The FPRC model employs a Takagi-Sugeno (T-S) fuzzy logic to process outputs from the physical reservoir. The proposed FPRC model shows equivalent training performance to an Echo State Network (ESN) model, whereas it exhibits better test accuracies with significantly reduced execution time. Experiments validate the FPRC model's effectiveness in controlling the bending motion of a pneumatic soft actuator with open-loop and closed-loop control system setups. The proposed FPRC model's robustness against environmental disturbances has also been experimentally verified. To the authors' knowledge, this is the first implementation of a physical system in the feedforward hysteresis compensation model for controlling soft actuators. This study is expected to advance physical reservoir computing in nonlinear control applications and extend the feedforward hysteresis compensation methods for controlling soft actuators.