博文

乔红院士团队 | 自适应管道模型预测控制助力机器人智能升级

已有 37 次阅读 2025-5-8 11:52 |个人分类:文章推荐|系统分类:博客资讯

导读

中国机器人技术飞跃式发展，工业机器人装载量占全球过半，探月机器人实现地外采样，构建了人形机器人大工厂这一核心技术底座。面对机器人系统可靠性、智能性、安全性等核心挑战，乔红院士团队在本刊发表了"具有模型不确定性和状态约束的机器人滑模自适应管道模型预测控制"的研究成果，实现机器人快速准确的轨迹跟踪。

这篇文章介绍了一种用于具有状态约束和不确定动力学的机器人操作臂的最优跟踪控制研究。它提出了一种基于滑模的自适应管模型预测控制方法。该方法利用高阶全驱动系统构建机器人操作臂的预测模型，并将标称模型预测控制器与滑模和基于节点自适应神经网络的辅助控制器相结合。这种组合旨在准确、稳定地跟踪期望轨迹，补偿非线性不确定动力学，并确保所有变量的有界性。该方法的有效性通过硬件实验得到了验证。

文章基本信息

标题：Sliding mode-based adaptive tube model predictive control for robotic manipulators with model uncertainty and state constraints

作者：Erlong Kang1,2, Yang Liu1,3, Hong Qiao1,4,5

机构：1.中国科学院自动化研究所多模态人工智能系统国家重点实验室; 2.北京市手眼脑交互机器人智能研究与应用北京市重点实验室; 3.中国科学技术大学机械工程学院; 4.中国科学院大学; 5.中国科学院脑科学与智能技术卓越中心

引用：Kang, E., Liu, Y. & Qiao, H. Sliding mode-based adaptive tube model predictive control for robotic manipulators with model uncertainty and state constraints. Control Theory Technol. 21, 334–351 (2023). https://doi.org/10.1007/s11768-023-00174-7

全文链接：https://rdcu.be/dv6iM‍

摘要

本文研究了具有状态约束和不确定动力学的机械臂最优跟踪控制问题，提出了一种基于滑模的自适应管道模型预测控制方法。首先，利用高阶全驱动系统方法，建立机器人的标称模型作为预测模型。基于标称模型，设计了具有滑模的标称模型预测控制器，放松了终端约束，实现了标称系统对期望轨迹的精确稳定跟踪。然后，构造了基于节点自适应神经网络的辅助控制器，对机械臂的非线性不确定动力学进行动态补偿。此外，标称状态和实际状态之间的估计偏差仅限于管子不变集。同时，验证了名义模型预测控制的递推可行性，并根据李亚普诺夫定理证明了所有变量的最终一致有界性。实验结果表明，在该方法的作用下，机器人能够实现快速高效的轨迹跟踪。

引言

在过去的几十年里，机器人在工业界和学术界得到了广泛的研究和应用，其控制设计和分析也受到了广泛的关注。克服复杂不确定动力学的影响是研究机器人控制的重要问题之一。鲁棒控制和自适应控制是处理这一问题的两种常用理论框架。近年来，最优控制性能的实现越来越受到人们的重视，成为机器人控制器设计中的又一个重要问题。研究人员采用滑模控制来实现所需的控制性能，如快速的暂态响应和准确的控制精度。而且，最优控制也用于改善机器人的控制性能。总体而言，在复杂不确定动力学约束下，实现实际机械臂的最优控制仍是备受关注的研究热点。

因为能有效解决约束多变量系统的最优控制问题，模型预测控制(MPC)因此广为人知。然而，MPC是典型的基于模型的方法之一，通常需要显式的预测模型。使用MPC来处理不确定系统，比如机器人机械手，是一项具有挑战性的工作。

克服上述挑战的常见方案是通过学习建立合适的预测模型。针对不同的系统，研究人员提出了神经网络模型、模糊系统模型、高斯过程模型、递归模糊神经网络模型等。从整体上看，均调研并采用了离线/在线的学习模式。然而，对于离线学习模型，不能实时处理系统动态的不确定性；对于在线学习模型，预测模型需要实时更新，这可能会增加预测控制优化问题的计算复杂性。

针对这一挑战的另一种思路是设计一种有效的反馈校正方法，以补偿机器人机械手的不确定性。这一思路避免了将复杂的不确定模型引入到优化问题的求解中，从而简化了预测控制的计算复杂性。基于tube的MPC是实现这一目标的一种有效方法。提出了一种用于具有扰动的机器人跟踪控制的鲁棒tube MPC。将快速tube MPC方法应用于冗余度水下机器人-机械手系统的运动跟踪控制，并将未建模的不确定性以扰动的形式处理。基于tube的MPC方法也被用于线性参数变化系统、非线性时滞系统等的控制。然而，以前的研究大多集中在类似x=f(x,u)+w的系统上，其中x=f(x,u)是标称模型，w是扰动或等价的外部扰动。对于未知的机器人系统，在基于tube的MPC下，实现对不确定非线性模型的动态补偿仍然是一个难点。如何构造一个合适的标称模型，并设计出相应的辅助控制器，还有待进一步研究。

MPC的另一个重要和具有挑战性的问题是目标函数的设计。它不仅影响系统最优控制性能的实现，而且在控制器的稳定性分析中起着重要的作用。具有终端代价函数和终端约束的MPC是构造目标函数的一种广泛使用的方法。然而，对这一类问题的理论研究大多集中在稳定性分析上，对最优性指标的讨论相对较少。此外，终端约束的引入使系统的稳定性分析和相关参数的设计变得复杂。例如，研究人员提出了用于MPC稳定性分析的收缩终端约束、时变终端约束等。因此，开发一种有效的MPC目标函数，既能放松终端约束，简化参数设计，又能保证系统的控制性能和稳定性，是一个值得研究的问题。

解决上述问题的一种方法是在MPC目标函数中引入滑模。一方面，滑模控制(SMC)是一种有效的鲁棒控制方法，可以实现较高的控制精度。另一方面，在滑模控制器的控制下，系统状态可以沿着定义的滑模面收敛，这可以看作是状态约束。将MPC与SMC相结合应用于非线性系统控制已有研究，但主要集中在两个方面：(1)利用MPC来求解SMC的辅助控制器，使系统状态以最优的方式收敛到滑模面，这样可以改善SMC的抖振现象；(2)标称系统的最优控制器由MPC求解，而SMC用于估计和补偿实际系统的不确定性或扰动。据我们所知，将滑模理论引入到MPC目标函数的设计中的研究较少。

为了解决上述问题，针对具有状态约束的不确定机械臂，提出了一种基于滑模的自适应tube MPC (SM-ATMPC)策略。主要贡献概括如下：

(1)对于标称MPC，基于高阶完全驱动(HOFA)系统方法建立了机器人的预测模型，并通过引入由标称跟踪误差和定义的虚拟状态构成的滑模来设计目标函数。此外，通过求解动态微分方程组，将名义状态约束转化为输入约束。然后，放宽终端约束，实现标称系统对期望轨迹的精确稳定跟踪。

(2)基于节点自适应神经网络构造了tube MPC的辅助控制器。提出了神经网络节点的自适应调整方法和神经网络权值的自适应更新规律。利用神经网络对机械臂的非线性不确定系统模型进行动态补偿，并将标称状态与实际状态之间的估计偏差限制在tube不变量集内。

(3)验证了标称MPC的递推可行性。根据Lyapunov定理证明了闭环系统的稳定性，并且所有变量都满足最终一致有界性(UUB)，并通过硬件实验验证了该控制方法的有效性。

结论

针对具有状态约束和模型不确定性的机械臂跟踪控制问题，本文提出了一种基于滑模的自适应tube MPC策略。研究了预测控制的目标函数和反馈校正设计，提出的控制框架由三部分组成：标称模型、引入滑模的标称MPC和基于节点自适应神经网络的辅助控制。首先，根据HOFA系统方法建立了机械手的线性标称模型，并将其作为预测模型。然后，通过求解动态微分方程组将标称状态约束转化为输入约束，并通过引入滑模设计标称MPC的目标函数。基于所提出的标称MPC策略，实现了标称系统对期望轨迹的精确稳定跟踪。然后，设计了基于节点自适应神经网络的辅助控制器，构造了神经网络节点的自适应调整方法和神经网络权值的自适应更新规律。因此，机械手的非线性不确定性在反馈校正部分得到了补偿，而不是通过学习预测模型进行估计。标称状态和实际状态之间的估计偏差也限于tube不变集。根据李亚普诺夫定理证明了闭环系统的所有变量都是UUB的，并通过对比实验说明了该控制方法的有效性。04

作者简介

Erlong Kang，2015 年获天津大学自动化专业工学学士学位，2022 年获中国科学院大学控制科学与工程专业工学博士学位。现为中国科学院自动化研究所多模态人工智能系统国家重点实验室助理研究员。他的研究重点是智能机器人系统、机器人控制和机器人系统的顺应操控。

Yang Liu，2013年获华北水利水电大学测控技术与仪器程控专业工学学士学位，2018年获华北理工大学机械工程专业工学硕士学位。目前，他在北京科技大学攻读机械工程博士学位，并在中国科学院自动化研究所多模态人工智能系统国家重点实验室攻读博士学位。他目前的研究兴趣包括机器人学、智能机器人系统和高性能机器人操控。

Hong Qiao, 中国科学院院士，IEEE Fellow，1995 年在西安交通大学获得工程学士学位和工程硕士学位，并在英国莱斯特德蒙福特大学获得机器人控制博士学位。1997 年至 2004 年，她曾任香港城市大学助理教授和曼彻斯特大学讲师。她目前是中国科学院自动化研究所多模态人工智能系统国家重点实验室教授。她还是中国科学院上海脑科学与智能技术卓越研究中心教授。她目前的研究兴趣包括机器人、机器学习和模式识别。

期刊简介

640 spr.jpg

欢迎扫码进入期刊主页

Control Theory and Technology (CTT), 中文名《控制理论与技术》, 创刊于2003年，原刊名为Journal of Control Theory and Applications，2014年刊名更改为Control Theory and Technology。由华南理工大学与中国科学院数学与系统科学研究院联合主办，主要报道系统控制科学中具有新观念、新思想的理论研究成果及其在各个领域中的应用。目前被 ESCI (JIF 1.7)、EI、Scopus (CiteScore 3.1，更新于2025年4月5日)、CSCD、INSPEC、ACM 等众多数据库收录, 并于2013–2018年获得两期中国科技期刊国际影响力提升计划项目资助。2017–2021年连续获得“中国最具国际影响力学术期刊”和“中国国际影响力优秀学术期刊”称号，获得广东省高水平科技期刊建设项目(2021-2024年)，2022-2024年进入中国科协自动化学科领域高质量科技期刊目录。

官网：https://link.springer.com/journal/11768 (即http://www.springer.com/11768)

https://jcta.ijournals.cn/cta_en/ch/index.aspx

投稿：https://mc03.manuscriptcentral.com/ctt

微信：ControlTheoryTech （欢迎扫码关注期刊微信公众号）