Eine neuartige Technik zur Verbesserung der Lernfähigkeit von Robotern, die sich wiederholende Aufgaben ausführen

5. Juni 2023

Dieser Artikel wurde gemäß dem Redaktionsprozess und den Richtlinien von Science X überprüft. Die Redakteure haben die folgenden Attribute hervorgehoben und gleichzeitig die Glaubwürdigkeit des Inhalts sichergestellt:

faktengeprüft

Korrekturlesen

von Cactus Communications

Aus den Fehlern der Vergangenheit zu lernen, ist nicht auf Menschen beschränkt. Computer machen das auch. In der Industrie erfolgt dies über computergestützte Steuerungssysteme, die den Betrieb von Produktionsanlagen unterstützen. Für Industrieroboter, die bestimmte Aufgaben in Chargen ausführen, beispielsweise die Herstellung von Kleidung, Computerchips oder Backwaren, ist die am häufigsten verwendete Steuerungstechnik die iterative Lernsteuerung (ILC). Die meisten Branchen verlassen sich immer noch auf ILC-Systeme, die eine Lernstrategie namens Proportional-Type Update Rule (PTUR) verwenden. Diese Technik verbessert die Leistung von ILC-Systemen, indem dieselbe Aufgabe immer wieder wiederholt und ihre Steuereingaben basierend auf Fehlern aktualisiert werden, die in früheren Iterationen aufgetreten sind.

Diese Kontrollmethode wurde jedoch schon vor Jahrzehnten vorgeschlagen. Und da ILC-Systeme zunehmend für die Ausführung komplexerer Aufgaben eingesetzt werden, besteht ein Bedarf an Techniken, die schneller und mit größerer Genauigkeit lernen können.

In einem kürzlichen Durchbruch hat eine Gruppe von Wissenschaftlern eine neue Technik vorgeschlagen, die die Fractional Power Update Rule (FPUR) nutzt, um das Leistungspotenzial linearer ILC-Systeme mit einem Eingang und einem Ausgang zu steigern. Die Studie wurde im IEEE/CAA Journal of Automatica Sinica veröffentlicht.

Konvergenzraten – die Raten, mit denen die Differenz zwischen der gewünschten Ausgabe und der tatsächlichen Ausgabe im Laufe der Zeit abnimmt – spielen eine entscheidende Rolle bei der Definition der Effizienz eines ILC-Systems. Bestehende Methoden zur Verbesserung der Konvergenzrate erweisen sich in Situationen, in denen eine hohe Präzision erforderlich ist, häufig als unbefriedigend. Selbst bei konstanten oder manuell gewählten Lernzuwächsen können aktuelle ILC-Systeme, die die lineare Aktualisierungsmethode verwenden, die verfügbaren Informationen nicht vollständig ausnutzen. Daher untersuchten die Wissenschaftler Ansätze über PTUR hinaus, die nichtlineare Aktualisierungsmethoden nutzten, um zu lernen und die gewünschte Ausgabe zu erzielen.

„Traditionelle PTUR verwendet einen linearen Term für den Tracking-Fehler, um die Steuereingabe zu aktualisieren. Andererseits verwendet FPUR einen Bruchterm für die Aktualisierung. Da jede positive Zahl, die kleiner als eins ist, eine größere Bruchzahl als sie selbst hat, ist die Aktualisierungsintensität von FPUR.“ ist bei kleinen Tracking-Fehlern größer als die von PTUR, was zu einer schnelleren Konvergenzrate führt“, erklärt Zihan Li, der Hauptautor der Studie und Masterstudent an der School of Mathematics der Renmin University of China.

Das Team entwickelte eine neue FPUR-Methode, die von neueren Finite-Time-Control- (FTC) und Terminal-Sliding-Mode-Control-Strategien (TSMC) inspiriert ist, bei denen es sich um potenzielle Techniken zur Überwindung der zuvor genannten Probleme und zur Verbesserung der Konvergenzgeschwindigkeit handelt. Die Wissenschaftler verwendeten außerdem einen nichtlinearen Mapping-Ansatz, um die Fehlerdynamik im Zeitverlauf zu untersuchen. Dieser Ansatz ermöglichte es ihnen, eine schnelle Konvergenzleistung zu melden und mögliche Grenzzyklen von Tracking-Fehlern in ILC-Systemen zu charakterisieren. Darüber hinaus wurden auch numerische Simulationen durchgeführt, um die Wirksamkeit der neuen Methode zu validieren.

Auf die Frage, wie das vorgeschlagene System den Bereich der ILC-Systeme verändern würde, sagt Li: „Diese Studie dient drei Hauptzwecken. Erstens stellt sie einen Algorithmus bereit, der eine nichtlineare Aktualisierungsmethode verwendet, um die Lernfähigkeit zu verbessern. Zweitens zeigt sie, dass Anpassung.“ „Fractional Power Terme“ ermöglichen die Regulierung der Konvergenzrate basierend auf der tatsächlichen Leistung. Und schließlich weist es schnelle Konvergenzraten auf, die denen von FTC und TMSC ebenbürtig sind.“

Diese Studie hat zum ersten Mal die Verwendung des FPUR für ILC in linearen Systemen mit einem Eingang und einem Ausgang demonstriert. Die vorgeschlagene Technik könnte möglicherweise in anderen repetitiven Systemen wie autonomen Fahrzeugen, unbemannten Luftfahrzeugen und Rehabilitationsrobotern eingesetzt werden.

Mehr Informationen: Zihan Li et al., Enhancing Iterative Learning Control With Fractional Power Update Law, IEEE/CAA Journal of Automatica Sinica (2023). DOI: 10.1109/JAS.2023.123525