A Novel Robust Control Method Combining DNN-Based NMPC Approximation and PI Control: Application to Exoskeleton Squat Movements

📄 arXiv: 2510.00188v1 📥 PDF

作者: Alireza Aliyari, Gholamreza Vossoughi

分类: cs.RO, eess.SY

发布日期: 2025-09-30

💡 一句话要点

提出基于DNN的NMPC近似与PI控制混合方法，提升外骨骼机器人下蹲运动的鲁棒性。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 外骨骼机器人 非线性模型预测控制 深度神经网络 混合控制 鲁棒控制

📋 核心要点

  1. NMPC计算量大，难以实时应用；NMPC-DNN在未见过的扰动下鲁棒性差，跟踪误差大。
  2. 提出混合NMPC-DNN-PI控制，结合DNN近似NMPC的快速性和PI控制的鲁棒性，提升控制性能。
  3. 应用于外骨骼机器人下蹲运动控制，降低人体关节扭矩，计算成本远低于传统NMPC。

📝 摘要（中文）

本文提出了一种新颖的鲁棒控制方法，将基于深度神经网络的非线性模型预测控制（NMPC-DNN）近似与PI控制相结合（混合NMPC-DNN-PI）。NMPC是一种精确的控制器，但其计算负担重，限制了其在机器人系统中的应用。虽然NMPC-DNN可以近似NMPC，但在存在意外扰动或操作条件与训练数据不同时，缺乏鲁棒性，导致较大的跟踪误差。为了解决这个问题，首次将NMPC-DNN的输出与PI控制器结合。通过将其应用于外骨骼机器人的下蹲运动来验证所提出的控制器，该运动具有复杂的动力学模型，并且在鲁棒非线性控制设计方面受到的关注有限。开发了一个具有三个主动关节（踝关节、膝关节、髋关节）的人-机器人动力学模型，并使用超过530万个训练样本来训练DNN。结果表明，在DNN未见过的条件下，混合NMPC-DNN-PI的跟踪误差明显低于NMPC-DNN。此外，使用外骨骼大大降低了人体关节扭矩，在所研究的案例中，踝关节、膝关节和髋关节的RMS值分别降低了30.9%、41.8%和29.7%。此外，混合NMPC-DNN-PI的计算成本比NMPC低99.93%。

🔬 方法详解

问题定义：论文旨在解决外骨骼机器人下蹲运动控制中，传统NMPC计算量大难以实时应用，以及基于DNN近似的NMPC方法在面对未知的扰动时鲁棒性不足的问题。现有方法难以兼顾控制精度、计算效率和鲁棒性。

核心思路：论文的核心思路是将基于DNN的NMPC近似与PI控制器相结合，形成混合控制策略。DNN负责提供快速的近似控制，而PI控制器则用于补偿DNN的不足，提高系统对未知扰动的鲁棒性。这种混合策略旨在结合两者的优点，实现高性能的下蹲运动控制。

技术框架：整体框架包含以下几个主要模块：1) 人-机器人动力学建模，建立包含踝、膝、髋三个主动关节的动力学模型；2) NMPC-DNN训练，使用大量数据训练DNN以近似NMPC控制律；3) PI控制器设计，设计PI控制器以补偿DNN的不足；4) 混合控制，将NMPC-DNN的输出与PI控制器的输出相结合，作为最终的控制信号。

关键创新：最重要的技术创新点在于将NMPC-DNN与PI控制器进行混合。与单独使用NMPC-DNN相比，该方法提高了系统的鲁棒性，使其能够更好地应对未知的扰动。与传统的NMPC相比，该方法大大降低了计算成本，使其能够实现实时控制。

关键设计：论文使用了超过530万个训练样本来训练DNN，确保DNN能够学习到较为精确的NMPC控制律。PI控制器的参数需要根据具体的系统进行调整，以实现最佳的控制性能。论文中没有明确给出DNN的具体网络结构和损失函数，这些可能是实验细节或未公开的信息。

📊 实验亮点

实验结果表明，在DNN未见过的条件下，混合NMPC-DNN-PI的跟踪误差明显低于NMPC-DNN。同时，使用外骨骼大大降低了人体关节扭矩，踝关节、膝关节和髋关节的RMS值分别降低了30.9%、41.8%和29.7%。此外，混合NMPC-DNN-PI的计算成本比NMPC低99.93%。

🎯 应用场景

该研究成果可应用于康复机器人、助力外骨骼等领域，帮助行动不便的人群完成日常活动，提高生活质量。此外，该混合控制策略也可推广到其他具有复杂动力学模型的机器人系统，例如工业机器人、无人机等，提高其控制性能和鲁棒性。

📄 摘要（原文）

Nonlinear Model Predictive Control (NMPC) is a precise controller, but its heavy computational load often prevents application in robotic systems. Some studies have attempted to approximate NMPC using deep neural networks (NMPC-DNN). However, in the presence of unexpected disturbances or when operating conditions differ from training data, this approach lacks robustness, leading to large tracking errors. To address this issue, for the first time, the NMPC-DNN output is combined with a PI controller (Hybrid NMPC-DNN-PI). The proposed controller is validated by applying it to an exoskeleton robot during squat movement, which has a complex dynamic model and has received limited attention regarding robust nonlinear control design. A human-robot dynamic model with three active joints (ankle, knee, hip) is developed, and more than 5.3 million training samples are used to train the DNN. The results show that, under unseen conditions for the DNN, the tracking error in Hybrid NMPC-DNN-PI is significantly lower compared to NMPC-DNN. Moreover, human joint torques are greatly reduced with the use of the exoskeleton, with RMS values for the studied case reduced by 30.9%, 41.8%, and 29.7% at the ankle, knee, and hip, respectively. In addition, the computational cost of Hybrid NMPC-DNN-PI is 99.93% lower than that of NMPC.