System Identification for Virtual Sensor-Based Model Predictive Control: Application to a 2-DoF Direct-Drive Robotic Arm

📄 arXiv: 2505.23138v1 📥 PDF

作者: Kosei Tsuji, Ichiro Maruta, Kenji Fujimoto, Tomoyuki Maeda, Yoshihisa Tamase, Tsukasa Shinohara

分类: eess.SY, cs.RO

发布日期: 2025-05-29

备注: 6 pages, 5 figures, submitted to L-CSS with CDC 2025 option

💡 一句话要点

提出预测虚拟传感器辨识(PVSID)框架，解决NMPC中关键变量难以实时测量问题。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 非线性模型预测控制 虚拟传感器 系统辨识 机器人控制 惯性测量单元

📋 核心要点

  1. 非线性模型预测控制(NMPC)面临建模难和关键变量难以实时测量两大挑战，限制了其应用。
  2. 论文提出预测虚拟传感器辨识(PVSID)框架，利用建模阶段的高成本传感器创建虚拟传感器，供NMPC使用。
  3. 实验结果表明，在2-DoF机器人手臂上，PVSID能实现精确的末端轨迹跟踪，无需昂贵的运动捕捉系统。

📝 摘要（中文）

非线性模型预测控制(NMPC)是控制复杂非线性系统的有效方法，但面临两个主要挑战：精确建模非线性动力学困难，以及与控制目标直接相关的变量通常无法直接测量。虽然高成本传感器可以在模型开发阶段获取这些变量，但在实际部署中通常不可行。为了克服这些限制，我们提出了一种预测虚拟传感器辨识(PVSID)框架，该框架利用建模阶段的临时高成本传感器为NMPC实现创建虚拟传感器。我们在一个具有复杂关节相互作用的二自由度(2-DoF)直驱机器人手臂上验证了PVSID，在建模过程中通过运动捕捉获取末端位置，并在NMPC中使用惯性测量单元(IMU)。实验结果表明，我们使用已识别虚拟传感器的NMPC实现了精确的末端轨迹跟踪，而无需在操作过程中使用运动捕捉系统。PVSID为在关键变量的测量受到成本或操作限制的非线性系统中实施最优控制提供了一种实用的解决方案。

🔬 方法详解

问题定义：非线性模型预测控制(NMPC)在控制复杂非线性系统时表现出色，但实际应用中存在两个主要痛点。一是精确建模非线性动力学非常困难，二是直接与控制目标相关的变量往往难以实时测量。虽然可以使用高成本传感器进行离线建模，但在实际部署时，由于成本或环境限制，这些传感器通常无法使用。

核心思路：论文的核心思路是利用在模型开发阶段可用的高精度、高成本传感器（例如运动捕捉系统）来训练“虚拟传感器”。这些虚拟传感器能够根据其他易于测量的变量（例如IMU数据）来预测难以直接测量的变量（例如末端执行器的位置）。这样，在实际部署时，只需要使用低成本的传感器，并通过虚拟传感器来估计所需的控制变量。

技术框架：PVSID框架包含以下几个主要阶段：1) 数据采集：使用高成本传感器和低成本传感器同时采集数据。2) 系统辨识：利用采集到的数据，建立从低成本传感器数据到高成本传感器数据的映射关系，即训练虚拟传感器。3) NMPC设计：基于辨识出的虚拟传感器，设计非线性模型预测控制器。4) 在线控制：在实际运行过程中，使用低成本传感器获取数据，通过虚拟传感器估计所需变量，并将其输入到NMPC中进行控制。

关键创新：该方法的核心创新在于将系统辨识与虚拟传感器技术相结合，并将其应用于非线性模型预测控制。与传统的NMPC方法相比，该方法不需要直接测量所有控制变量，从而降低了系统成本和复杂性。与传统的虚拟传感器方法相比，该方法更加注重预测性能，并将其与NMPC相结合，从而实现了更精确的控制。

关键设计：论文中，虚拟传感器的具体实现方式未知，但可以推测是利用机器学习或系统辨识方法，例如神经网络或支持向量机，来建立从IMU数据到末端执行器位置的映射关系。损失函数的设计目标是最小化虚拟传感器预测值与高成本传感器测量值之间的误差。NMPC的设计则需要考虑虚拟传感器的预测误差，并进行相应的鲁棒性设计。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，使用PVSID框架的NMPC能够实现对2-DoF直驱机器人手臂末端轨迹的精确跟踪，而无需在运行过程中使用昂贵的运动捕捉系统。虽然论文中没有给出具体的性能数据，但强调了该方法在实际应用中的可行性和有效性，证明了虚拟传感器在NMPC中的应用潜力。

🎯 应用场景

该研究成果可广泛应用于机器人、自动化和航空航天等领域。例如，在机器人领域，可以降低机器人控制系统的成本和复杂性，提高机器人的自主性和适应性。在航空航天领域，可以用于飞行器的姿态估计和控制，提高飞行器的安全性和可靠性。此外，该方法还可以应用于其他需要精确控制但难以直接测量关键变量的场景。

📄 摘要（原文）

Nonlinear Model Predictive Control (NMPC) offers a powerful approach for controlling complex nonlinear systems, yet faces two key challenges. First, accurately modeling nonlinear dynamics remains difficult. Second, variables directly related to control objectives often cannot be directly measured during operation. Although high-cost sensors can acquire these variables during model development, their use in practical deployment is typically infeasible. To overcome these limitations, we propose a Predictive Virtual Sensor Identification (PVSID) framework that leverages temporary high-cost sensors during the modeling phase to create virtual sensors for NMPC implementation. We validate PVSID on a Two-Degree-of-Freedom (2-DoF) direct-drive robotic arm with complex joint interactions, capturing tip position via motion capture during modeling and utilize an Inertial Measurement Unit (IMU) in NMPC. Experimental results show our NMPC with identified virtual sensors achieves precise tip trajectory tracking without requiring the motion capture system during operation. PVSID offers a practical solution for implementing optimal control in nonlinear systems where the measurement of key variables is constrained by cost or operational limitations.