[發明專利]一種空間機器人高斯過程軌跡跟蹤控制方法

有效

• 申請號: 202011197637.6
• 申請日: 2020-10-30
• 公開（公告）號: CN112318509B
• 公開（公告）日: 2022-04-29
• 發明（設計）人: 符啟恩;孫長銀;陸科林
• 申請（專利權）人: 東南大學
• 主分類號: B25J9/16
• 分類號: B25J9/16
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 杜靜靜

本發明公開了一種空間機器人高斯過程軌跡跟蹤控制方法，對空間機器人系統動力學模型進行在線辨識，同時利用模型置信度動態地調整控制增益。進一步地，對高斯過程動力學模型的在線訓練采用基于引導數據點的稀疏化方法，同時采用一種邊緣粒子濾波器對高斯過程模型的超參數進行在線估計，有效地減小了模型訓練和預測的計算負擔。

技術領域

本發明涉及軌跡跟蹤控制技術領域，特別涉及一種空間機器人高斯過程軌跡跟蹤控制方法。

背景技術

在空間探索計劃中，空間機器人的應用能夠幫助人類完成十分危險而困難的工作。在空間站在軌裝配、維護維修等任務中，空間機器人都扮演著十分重要的角色。空間機器人的軌跡跟蹤控制是空間機器人應用中的一項重要技術。隨著系統辨識理論和控制理論的不斷發展，基于數據和機器學習的控制方法不斷提出，大大提高了在系統模型未知情況下的軌跡跟蹤控制性能。

《面向模型未知的自由漂浮空間機械臂自適應神經魯棒控制》，載于《中國工程機械學報》(王超,蔣理劍,葉曉平,蔣黎紅,and張文輝,面向模型未知的自由漂浮空間機械臂自適應神經魯棒控制,中國工程機械學報,vol.17,pp.153-158,2019.)公開了一種基于神經網絡模型的空間機器人軌跡跟蹤控制方法，使用徑向基神經網絡對機器人動力學模型中的未知部分進行逼近，設計魯棒控制器對逼近誤差和外界干擾進行補償。然而，該方法與其他類似使用神經網絡進行軌跡跟蹤控制律設計的方法存在一定問題，包括模型可解釋性差、模型置信度難以評估、需要大量訓練數據等。

高斯過程是一種非參數化的機器學習模型，與神經網絡相比，高斯過程模型預測中得到的后驗協方差可以作為模型準確度的度量，靈活運用在模型應用中，具備天生的優勢。同時，訓練高斯過程模型所需的數據也相對較少。《Stable gaussian process basedtracking control of euler–lagrange systems》，載于《Automatica》(T.Beckers,D.and S.Hirche,Stable gaussian process based tracking control of euler–lagrange systems,Automatica,vol.103,pp.390-397,2019.)中公開了一種基于高斯過程的歐拉-拉格朗日系統軌跡跟蹤方法，使用高斯過程模型對系統未知動力學進行擬合，結合傳統的計算轉矩控制方法，取得了較好的控制效果。然而，使用原始的高斯過程方法計算復雜度較高，而且該方法基于離線學習，無法應對環境的變化。

稀疏在線高斯過程是高斯過程技術的延展，是解決上述兩個問題的途徑。《Variational learning of inducing variables in sparse Gaussian processes》，載于會議《Artificial Intelligence and Statistics》(M.Titsias,Variationallearning of inducing variables in sparse Gaussian processes,in ArtificialIntelligence and Statistics,2009,pp.567-574.)公開了一種基于引導輸入點的稀疏高斯過程方法，用引導點值歸納訓練數據中的信息，大大提高了高斯過程方法的計算效率；《Amarginalized particle Gaussian process regression》，載于會議《Advances inNeural Information Processing Systems》(Y.Wang and B.Chaib-draa,Amarginalized particle Gaussian process regression,in Advances in NeuralInformation Processing Systems,2012,pp.1187-1195.)公開了一種在線高斯過程技術，基于邊緣粒子濾波器技術對高斯過程模型進行在線更新。然而這些技術都限于算法上的改進，缺乏與實際應用的結合。