Hierarchical-type Model Predictive Control and Experimental Evaluation for a Water-Hydraulic Artificial Muscle with Direct Data-Driven Adaptive Model Matching
作者: Satoshi Tsuruhara, Kazuhisa Ito
分类: eess.SY
发布日期: 2024-08-26
备注: 14 pages, 17 figures
期刊: Int. J. Automation Technol., Vol.19 No.3, pp. 291-303, 2025
💡 一句话要点
提出一种基于数据驱动自适应模型匹配的分层模型预测控制方法，用于水力人工肌肉的高精度位移控制。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 水力人工肌肉 模型预测控制 数据驱动控制 自适应模型匹配 位移控制
📋 核心要点
- 水力人工肌肉的强滞后特性使其难以精确建模，导致高精度位移控制成为难题。
- 提出一种数据驱动自适应模型匹配的分层模型预测控制方法，结合数据驱动和模型预测控制的优点。
- 实验结果表明，该方法显著提高了控制性能，并对不合适的初始数据具有鲁棒性，同时考虑了输入约束。
📝 摘要（中文）
针对水力人工肌肉难以精确建模的强滞后特性导致的高精度位移控制难题，本文提出了一种新颖的数据驱动自适应模型匹配控制器，该控制器结合了分层模型预测控制（MPC）和自适应模型匹配方法。该方法旨在克服传统方法对先验输入输出数据的强依赖性问题，并解决自适应Fictitious Reference Iterative Tuning (FRIT)方法在瞬态性能和输入约束方面的局限性。实验结果表明，所提出的方法能够显著提高控制性能，对不合适的初始实验数据具有很强的鲁棒性，并在设计阶段考虑了输入约束。
🔬 方法详解
问题定义：水力人工肌肉由于其固有的强滞后特性，难以建立精确的数学模型，这给高精度位移控制带来了挑战。现有的控制方法，如基于Fictitious Reference Iterative Tuning (FRIT)的模型预测控制(FMPC)，虽然可以考虑输入约束，但控制性能严重依赖于先验的输入输出数据。自适应FRIT方法虽然有所改进，但难以保证期望的瞬态性能，且缺乏直接决定控制性能的设计参数。
核心思路：本文的核心思路是将数据驱动的自适应模型匹配方法与模型预测控制相结合，利用数据驱动方法来在线调整模型，从而克服水力人工肌肉建模困难的问题。通过自适应地调整模型，可以减少对初始数据的依赖，并提高控制器的鲁棒性和适应性。同时，结合模型预测控制，可以有效地处理输入约束，并优化控制性能。
技术框架：该控制器的整体框架可以概括为以下几个阶段：1) 数据采集：通过实验获取水力人工肌肉的输入输出数据。2) 模型匹配：利用数据驱动的自适应模型匹配算法，根据采集到的数据在线调整水力人工肌肉的模型参数。3) 模型预测控制：基于更新后的模型，利用模型预测控制算法计算最优的控制输入，同时考虑输入约束。4) 控制执行：将计算得到的控制输入作用于水力人工肌肉，实现位移控制。
关键创新：该方法最重要的技术创新在于将数据驱动的自适应模型匹配与模型预测控制相结合。传统的模型预测控制依赖于精确的数学模型，而数据驱动的方法则不需要显式的模型。通过自适应地调整模型，该方法可以克服水力人工肌肉建模困难的问题，并提高控制器的鲁棒性和适应性。与传统的自适应FRIT方法相比，该方法可以考虑输入约束，并具有直接决定控制性能的设计参数。
关键设计：具体的技术细节包括：1) 自适应模型匹配算法的选择，需要选择一种能够快速、准确地在线调整模型参数的算法。2) 模型预测控制器的设计，需要选择合适的预测模型、目标函数和约束条件。3) 输入约束的设置，需要根据水力人工肌肉的物理特性和安全要求，合理地设置输入约束。4) 算法参数的调整，需要根据具体的应用场景和性能要求，对算法的参数进行优化。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的方法能够显著提高水力人工肌肉的控制性能，并对不合适的初始实验数据具有很强的鲁棒性。与传统的控制方法相比，该方法能够实现更高的位移控制精度，并具有更好的瞬态响应。此外，该方法还能够有效地处理输入约束，保证系统的安全运行。
🎯 应用场景
该研究成果可应用于需要高精度位移控制的柔性机器人、康复机器人、外骨骼等领域。水力人工肌肉作为一种新型驱动器，具有重量轻、功率密度高等优点，在这些领域具有广泛的应用前景。该研究能够提高水力人工肌肉的控制精度和鲁棒性，从而推动其在实际应用中的发展。
📄 摘要（原文）
High-precision displacement control for water-hydraulic artificial muscles is a challenging issue due to its strong hysteresis characteristics that is hard to be modelled precisely, and many control methods have been proposed. Recently, data-driven control methods have attracted much attention because they do not explicitly use mathematical models, making design much easier. In our previous work, we proposed fictitious reference iterative tuning (FRIT)-based model predictive control (FMPC), which combines data-driven and model-based methods for the muscle and showed its effectiveness because it can consider input constraints as well. However, the problem in which control performance strongly depends on prior input-output data remains still unsolved. Adaptive FRIT based on directional forgetting has also been proposed; however, it is difficult to achieve the desired transient performance because it cannot consider input constraints and there are no design parameters that directly determine the control performance, such as MPC. In this study, we propose a novel data-driven adaptive model matching-based controller that combines these methods. Experimental results show that the proposed method could significantly improve the control performance and achieve high robustness against inappropriate initial experimental data , while considering the input constraints in the design phase.