Introduzione ai sistemi meccanici sottoscritti

I sistemi meccanici attuati sono una classe fondamentale di sistemi in cui il numero di ingressi indipendenti di controllo è strettamente inferiore al numero di gradi di libertà. Questa limitazione intrinseca rende il loro controllo molto più impegnativo di quello dei sistemi completamente attuati, ma appaiono pervasivamente attraverso l'ingegneria moderna.

L’attuazione di una normativa di controllo ottimale può derivare da scelte di progettazione (ad esempio, riduzione del peso o dei costi dell’attuatore), vincoli fisici (ad esempio, una nave non può applicare la forza laterale diretta), o interazione ambientale (ad esempio, un contatto a piedi del robot a piedi con il terreno).

Comprensione dei sistemi meccanici attuati

Caratteristiche principali

Il sistema di controllo del cartufo è definito dal suo spazio di configurazione e dallo spazio di controllo: se il vettore di configurazione ha dimensione n] e il vettore di controllo ha dimensione m, sottoactuation significa ]]] m < ]

Esempi di Prominenza

  • Cart-Pole System:[] Un carrello mobile con un pendolo liberamente oscillante.
  • Piolo rovesciato invertito (Pilo di Curuta):[ Un pendolo attaccato a un braccio rotante; il motore controlla solo la rotazione del braccio, ma l'angolo del pendolo non è stato regolato.
  • Quadrotor UAV:[] Quattro eliche forniscono spinta e coppia, ma un quadrotore ha sei gradi di libertà (posizione e orientamento) ed è inasprito perché non può controllare in modo indipendente tutti i movimenti traduttivi e rotazionali, deve inclinarsi per generare accelerazione orizzontale.
  • Robot di scorrimento (ad esempio, bipedi, quadruplicati): Durante la fase di stance, il contatto con il piede con il terreno impone vincoli; il numero di attuatori è molto inferiore a quello delle articolazioni totali, che richiedono un attento equilibrio e una pianificazione dei guadi.
  • Autonomo veicoli subacquei (AUVs): Spesso hanno meno propulsori di gradi di libertà, rendendoli sottoactuati, soprattutto in ovvia o manovra a bassa velocità.
  • Strutture flessibili:[ Le grandi strutture spaziali o le braccia robotiche con collegamenti flessibili hanno infinite possibilità di vibrazione ma solo pochi attuatori, esigenti controlli avanzati per smorzamento e precisione.

Perché Matters in fase di acquisizione

I sistemi sotto-actuati offrono vantaggi in termini di peso, costo e efficienza energetica, ma anche di locomozione biologica mimica, gli animali e gli esseri umani sono intrinsecamente sottoactuati, utilizzando dinamiche passive e coordinazione per muoversi elegantemente.

Obiettivi di progettazione ottimale di controllo

Stabilità

L'obiettivo primario di qualsiasi sistema di controllo è quello di garantire che il sistema a ciclo chiuso rimanga stabile. Per i sistemi sottoactuati, la stabilità comporta spesso la regolazione del sistema a un punto di equilibrio (ad esempio, bilanciamento di un pendolo o o o o omorragia di un quadrotore) o lungo una traiettoria desiderata.

Prestazioni

Le prestazioni sono tipicamente quantificati da una funzione obiettiva o costo che cattura il consumo energetico, il tempo per raggiungere un obiettivo, l'errore di tracciamento, lo sforzo di controllo o una combinazione di esso. Il controllo ottimale cerca di minimizzare (o massimizzare) questo costo soggetto alle dinamiche del sistema e ai vincoli.Per i sistemi sottoactuati, i trade-off sono inevitabili: un rapido swing-up di un pendolo consuma più energia e può causare un'eticità eccessiva, mentre un'adeguata funzione di sollevamento.

Robustezza

I sistemi reali del mondo sono soggetti a incertezze di parametri (ad esempio, massa, inerzia, attrito), disturbi esterni (bobina, onde, variazione di carico), e dinamiche non modellate (ad esempio, rumore del sensore, saturazione dell'attuatore). Una legge di controllo ottimale deve eseguire in modo affidabile in queste condizioni.

Obiettivi aggiuntivi

  • Soddisfazione di contrasto:[ Molti sistemi sotto-accessibili operano entro limiti fisici—satura dell'attuatore, limiti di articolazione, evitamento dell'ostacolo o forze di contatto.Il controllo ottimale deve garantire che i vincoli siano rispettati, spesso tramite funzioni di barriera o ottimizzazione limitata.
  • Traiettoria Pianificazione:[ In molte applicazioni (ad esempio, manipolazione robotica, volo droni), il controller deve generare traiettorie possibili, quasi ottimali che soddisfano i vincoli differenziali (dinamica non olonomica).
  • Efficienza energetica:[] Particolarmente importante per sistemi alimentati a batteria o senza pilota. Il controllo ottimale può ridurre il consumo energetico sfruttando le dinamiche naturali (ad esempio, oscillazione di un pendolo con il movimento di pompaggio).

Metodi per la progettazione di leggi di controllo ottimali

Teoria di controllo ottimale

La base del controllo ottimale per i sistemi sotto-actuati è costituita da principi variazionali. Due pietre d’angolo sono Pontryagin’s Minimo Principio (PMP)] e Programmazione dinamica (che porta all’equazione Hamilton-Jacobi-Bellman (HJB).

  • Pontryagin Principio minimo: PMP fornisce le condizioni necessarie per l'ottimalità. Introduce le variabili Hamiltoniane, adjoint (costa), e le condizioni di confine. Per i sistemi di problema inaffittati, PMP può essere utilizzato per derivare gli archi di controllo bang-bang o singolare, spesso appare in problemi di minima energia.
  • Programmazione dinamica:[ L'equazione HJB offre una condizione sufficiente per l'ottimalità globale tramite una funzione di valore. Tuttavia, per sistemi sottoactuati ad alta dimensione, la risoluzione del PDE HJB è computazionalmente intrattabile (curse of dimensionality).

Progettazione di controllo basata su Lyapunov

Il metodo diretto di Lyapunov è uno strumento potente per sintetizzare le leggi di controllo del feedback, anche per i sistemi sotto-actuated. L'idea è quella di costruire un candidato definito positivo Lyapunov funzione V(x)[utaFLT:1] e quindi derivare il controllo ]]] in modo che il suo derivato sia definito

Linearizzazione feedback

La linearizzazione dei feedback cerca di trasformare un sistema non lineare in una tecnica completamente o parzialmente lineare usando un feedback diffeomorfismo e di stato non lineare. Per i sistemi sottoactuati, il sistema può essere input-output linearizable ma non completamente linearizzabile (cioè, rimangono dinamiche interne).

Controllo predittivo del modello (MPC)

Il controllo predittivo del modello risolve un problema di controllo ottimale finito-horizon, ripetutamente, utilizzando un modello del sistema. Per i sistemi underactuated, MPC non lineare (NMPC) è particolarmente attraente perché può gestire vincoli, dinamiche non lineari e obiettivi multipli simultaneamente. Il controller prevede che gli stati del quadro su un orizzonte ]N e ottimizza gli input possibili, rispettando solo lo stato

Controllo basato sull'energia

Molti sistemi meccanici sottovalutati, in particolare quelli con gradi passivi di libertà, possono essere controllati plasmando la loro energia totale. L’esempio classico è l’altalena-up di un pendolo: pompando energia nel sistema (cambiando il punto pivot o applicando coppia) alla fase giusta, il pendolo guadagna abbastanza energia cinetica per raggiungere la posizione invertita.

Controllo modalità scorrevole (SMC) e struttura variabile

SMC è un robusto metodo non lineare che costringe il sistema a scivolare lungo una superficie progettata nello spazio di stato. È efficace per sistemi underactuated con incertezze abbinate, in quanto può gestire non linearità e disturbi. Tuttavia, chattering a causa di interruttori discontinui può degradare le prestazioni. Modifiche come SMC di ordine superiore o strato di confine che leviga questo.

Apprendimento di rinforzo (RL) per il controllo ottimale

Negli ultimi anni, l'apprendimento del rinforzo (soprattutto RL profondo) è emerso come un approccio complementare al controllo ottimale tradizionale per i sistemi sotto-actuati. Algoritmi come DDPG (Deep Deterministic Policy Gradient), PPO, e SAC imparare politiche (leggi di controllo) direttamente dalle interazioni con l'ambiente o dalle simulazioni. RL può gestire complesse dinamiche non lineari e modelli sconosciuti, rendendolo attraente per le attività di guida sottoactuba

Formulazione matematica del problema del controllo ottimale

Un tipico problema di controllo ottimale per un sistema meccanico sottoactuato è formulato come segue: le dinamiche di sistema sono date dall'equazione differenziale di secondo ordine:

]M(q) q {\displaystyle C(q, q ̇ q ̇ + G(q)= B(q) u

]

[LT] q | Rn] sono coordinate generalizzate, M(q) è la matrice inerzia, C(q, q ̇)] contiene termini corioli e centrifughi, G(q

]J = φ(q(T), q {\displaystyle(T)] + ∫0∫T L(q(t), q ̇(t), u(t)] dt[

]]]

Il costo del terminale φ e il costo di esecuzione L sono scelti dal progettista. Il risolvere questo problema è generalmente intrattabile analiticamente per i sistemi non lineari sottoactuati, da cui la dipendenza da metodi numerici o soluzioni approssimative attraverso le tecniche sopra descritte.

Sfide nella progettazione di leggi di controllo ottimali per sistemi sotto-actuati

Nonlinearità e Nonolonomia

I sistemi sotto-actuati sono intrinsecamente non lineari; le loro dinamiche spesso mostrano comportamenti complessi come biforcazioni, movimenti caotici e singolarità. Molti sono anche non olonomici, il che significa che le velocità realizzabili del sistema in qualsiasi configurazione sono costrette a un subspazio, ma i vincoli non sono integrabili (ad esempio, una ruota o un robot di serpente).

Contratti di input e di stato

Limitazioni fisiche come i limiti di coppia motore, i limiti di angolo congiunto e l'elusione di ostacoli impongono ineguaglianze sia su stati che su input. Il rafforzamento di questi in un quadro di controllo ottimale aumenta la complessità dei problemi. Ad esempio, un quadrotore non può superare la sua massima spinta; un robot a piedi deve mantenere la sua forza di contatto dei piedi all'interno dei coni di attrito.

Modello incertezza e disordini

I modelli accurati di sistemi sotto-actuati sono spesso difficili da ottenere. L'attrito, la flessibilità, la dinamica degli attuatori e le interazioni ambientali (ad esempio, la resistenza all'aria, i contatti di terra) introducono incertezze. Le leggi di controllo ottimali progettate per un modello idealizzato possono svolgere scarsamente in realtà.

Complessità computazionale

Il controllo ottimale in tempo reale per i sistemi sottoactuati richiede risolutori veloci. Il MPC non lineare richiede la risoluzione di un problema di ottimizzazione constraina in ogni istante di campionamento; per i sistemi ad alta dimensione (ad esempio, robot umanoidi con decine di articolazioni), questo può essere computazionalmente proibitivo. Riduzione del modello, MPC esplicito e ottimizzazione offline (ad esempio, primitivi di movimento) sono soluzioni comuni.

Optimum globale vs. Optima locale

Il panorama dei costi per sistemi sotto-actuati è spesso non convesso, indosso con i minimi locali. Gli algoritmi di ottimizzazione basati su gradienti (ad esempio, collocazione diretta, singolo tiro) possono convergere a soluzioni suboptimali a meno che le ipotesi iniziali siano eccellenti.

Studi e applicazioni dei casi

Traiettoria Quadrotor

Il controllo ottimale tipico minimizza lo scatto (quarto derivato della posizione) per generare traiettorie lisce e a basso consumo energetico, mentre rispetta i limiti di spinta. Il MPC non lineare è ampiamente utilizzato: lo stato del quadrotore (posizione, velocità, orientamento, velocità angolare) è predetto su un breve orizzonte (0,5–2 secondi) mentre si ottimizza il monitoraggio degli errori.

Camminare in bicicletta

I robot a piedi come la Cassie bipedale o Asimo sono altamente sottoabilitati durante la fase di supporto singolo (solo un piede a contatto, coppia di cavigliera limitata).Il controllo ottimale viene utilizzato per pianificare e stabilizzare i cicli di gait. Il problema è spesso formulato come sistema ibrido (dinamica continua + impatti discreti del piede).

Autonoma veicoli subacquei (AUV)

Molti AUV utilizzano solo alcuni propulsori (ad esempio, due posteriori e due verticali) per navigare sei gradi di libertà. Le leggi di controllo ottimali per il tracciamento traiettoriale o il sollevamento devono spiegare la resistenza idrodinamica, le correnti e l'accoppiamento tra gli assi (ad esempio, il passo colpisce la velocità in avanti).

Le tendenze e le tendenze della ricerca

Il campo di controllo ottimale per i sistemi meccanici sotto-actuati si sta evolvendo rapidamente, mentre diverse tendenze chiave stanno plasmando il suo futuro:

  • Controllo basato su apprendimento:[] L'apprendimento approfondito di rinforzo e di imitazione sono integrati con il controllo ottimale basato sul modello. Gli approcci ibridi (ad esempio, l'apprendimento di dinamiche residue o funzioni di costo) promettono di combinare l'efficienza dei dati di MPC con l'adattabilità di RL. Effort per garantire stabilità e sicurezza tramite le funzioni Lyapunov nel loop di apprendimento (ad.
  • Controllo critico della sicurezza:[] La distribuzione del mondo reale richiede garanzie formali. Le funzioni di controllo della barriera (CBFs) e di controllo delle funzioni Lyapunov (CLFs) forniscono una sicurezza e una stabilità provabili, rispettivamente. Combinando i programmi quadratici basati su CBF-CLF (QPs) con un controllo ottimale fornisce un quadro che commercia le prestazioni per la sicurezza in modo computazionalmente efficiente.
  • Sistemi cooperativi e multi-aggettivi:[ I sistemi sotto-actuati spesso operano in sciami (ad esempio, formazioni di droni, team robot).
  • Modelli redotti-Ordina e imparati:[ tecniche di riduzione del modello (ad esempio, Decomposizione Ortogonale Proper, Decomposizione Dinamica della Modalità) e modelli appresi (ad esempio, equazioni differenziali ordinarie neurali) consentono un controllo ottimale in tempo reale dei sistemi sottoactuati ad alta dimensione comprimendo le dinamiche ad uno spazio latente tridimensionale inferiore.
  • Simulazione differenziabile:[] Strumenti come MuJoCo, motori di fisica differenziabile basati su PyTorch, e CasADi consentono l'ottimizzazione end-to-end delle leggi di controllo utilizzando gradienti attraverso le dinamiche.

Conclusioni

La progettazione di leggi di controllo ottimali per i sistemi meccanici sotto-actuati è un'impresa impegnativa ma immensamente gratificante. L'asimmetria fondamentale tra gli input di controllo e i gradi di libertà costringe gli ingegneri a comprendere profondamente le dinamiche, i fenomeni passivi e impiegare strumenti matematici sofisticati.

Per i lettori interessati ad una immersione più profonda, le risorse eccellenti includono il classico libro di testo Mercato Robotics] di Russ Tedrake (MIT OpenCourseWare) e Nonlinear Systems]] di H. K. Khalil. Per una teoria di controllo ottimale, [FLT4]