IL-ACT: Imitation Learning with Adaptive Cartesian Tracking Control for a 30-ton Excavator

📄 arXiv: 2609.16696v1 📥 PDF

作者: Mehdi Heydari Shahna, Seihun Kim, Soyi Jung, Soohyun Park, Jouni Mattila, Joongheon Kim

分类: cs.RO

发布日期: 2026-09-15

💡 一句话要点

提出IL-ACT以解决30吨挖掘机自主控制问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 自主控制 模仿学习 自适应控制 挖掘机 运动控制 机器学习 工程应用

📋 核心要点

  1. 现有的自主挖掘机控制方法面临耦合运动学和驱动延迟等问题，导致控制精度和响应速度不足。
  2. IL-ACT框架结合模仿学习与自适应笛卡尔跟踪，通过预训练策略和反馈机制来优化关节控制命令。
  3. 实验结果表明，IL-ACT在多种跟踪任务中表现优异，显著降低了均方根误差（RMSE），提升了控制效率。

📝 摘要（中文）

自主挖掘机控制面临耦合运动学、驱动延迟和不确定性等挑战。本文提出了一种新颖的运动控制框架IL-ACT，结合模仿学习和自适应笛卡尔跟踪。该框架通过一个预训练的14输入模仿策略生成名义关节速率，并通过自适应笛卡尔反馈和门控增益/偏差估计来修正这些命令。Simscape评估涵盖100个顺序目标及多种跟踪模式，结果显示IL-ACT在响应条件下以更短的时间和更低的终端误差完成所有目标，展现出显著的性能提升。

🔬 方法详解

问题定义：本文旨在解决30吨挖掘机的自主控制问题，现有方法在耦合运动学、驱动延迟和不确定性方面存在显著不足，影响了控制精度与效率。

核心思路：IL-ACT框架通过模仿学习生成初始控制命令，并利用自适应笛卡尔反馈机制进行实时修正，以应对动态环境中的不确定性。

技术框架：整体架构包括预训练的模仿策略生成名义关节速率，随后通过自适应反馈和门控机制进行命令修正，最后通过停止距离控制器约束关节参考生成。

关键创新：IL-ACT的主要创新在于结合了模仿学习与自适应控制，能够在动态环境中实时调整控制命令，显著提高了控制的鲁棒性和精度。

关键设计：采用14个输入的模仿策略，设计了自适应增益和偏差估计机制，实验中通过Simscape进行评估，涵盖多种目标和跟踪模式，确保了系统在不同条件下的有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，IL-ACT在所有目标任务中以更短的时间和更低的终端误差完成任务，相较于Teacher+ACT，均方根误差（RMSE）降低了27.67%。在额外负载的螺旋跟踪中，RMSE降低约29%，展现出显著的性能提升。

🎯 应用场景

该研究的潜在应用领域包括建筑工程、矿业和自动化施工等，能够显著提升挖掘机的自主操作能力，降低人力成本，提高施工效率。未来，该技术有望扩展到其他类型的重型机械和自动化设备中，推动智能施工的发展。

📄 摘要（原文）

Autonomous excavator control is challenged by coupled kinematics, actuation lag, and uncertainty. We propose imitation learning and adaptive Cartesian tracking (IL-ACT), a novel motion control framework for a 30-ton-class excavator. An anchored, 14-input imitation policy pretrained on operator demonstrations generates nominal joint rates; adaptive Cartesian feedback and gated gain/bias estimation correct these commands before a stopping-distance governor constrains joint-reference generation. Simscape evaluation covers 100 sequential goals and spiral, figure-eight, and rounded-raster tracking, including 88 additional runs across three training seeds, two initializations, and speeds, under hydraulic response and sensing conditions. Compared with Teacher+ACT, IL-ACT completes all goals with shorter duration and lower terminal errors under both response conditions. Telemetry-initialized IL-ACT lowers RMSE in all 24 figure-eight and rounded-raster seed comparisons and lowers additional-load spiral mean RMSE by approximately 29%. Original spiral RMSE also improves over IL-only and PID. Under a shared sensor-noise realization, telemetry-initialized IL-ACT achieves 27.67% lower mean RMSE than Teacher+ACT; enabling estimation reduces mean RMSE by $22.44\%$ relative to the frozen estimator. Pretrained-weight effects remain mixed, and the original teacher comparison exhibits a spiral RMSE--maximum-error tradeoff. Analysis establishes bounded adaptive states and Cartesian feedback, with reference admissibility conditional on governor feasibility.