学习稳态依赖变量阻抗控制以实现柔顺操控

《IEEE/ASME Transactions on Mechatronics》：Learning Stable State-Dependent Variable Impedance Control for Compliant Manipulation

变阻抗控制（VIC）通过动态调整机械阻抗提升机器人灵活性和安全性，但变量阻抗易导致系统不稳定。本文提出基于神经能量函数SNEUM的VIC方法，通过全局唯一最小能量特性编码可稳定变刚度行为，并利用超参数调整实现控制平滑性与精度的动态平衡，实验验证了该方法在保持稳定的同时提升控制性能的有效性。

　　

摘要：

状态依赖的变量阻抗控制（VIC）已被证明是实现柔顺且灵巧的机器人操作所必需的技术。然而，引入变量阻抗控制会引发机器人系统的稳定性问题，从而带来潜在的安全风险。遗憾的是，目前还没有一个普遍有效的框架来解决这一问题，现有的方法往往需要牺牲VIC的性能来保证稳定性。本文提出了一种基于学习的VIC方法，旨在同时维持系统的稳定性和控制性能。具体而言，我们设计了一种名为SNEUM的神经能量函数，该函数具有全局唯一的最小值。然后利用SNEUM来编码可变的刚度行为，从而实现稳定且可学习的VIC结构。由于SNEUM的特殊形式，我们表明通过调整SNEUM的一个超参数，可以数学上确定专注于控制平滑性或精度的控制模式。通过多种对比实验验证了所提出方法的有效性。

引言

阻抗控制[1]是广泛应用于需要接触操作的机器人系统中的控制方法之一。然而，随着机器人越来越倾向于在非结构化的工作环境中运行，尤其是在对安全性要求较高的人机协作任务中[2]、[3]，传统的阻抗控制方法由于其灵活性有限而不再适用。因此，结合了变量阻抗变化与常规阻抗控制特性的变量阻抗控制（VIC）成为完成复杂任务的有效手段，从而引起了机器人研究领域的广泛关注[4]、[5]。