2 つの対向する空気圧人工筋肉によって駆動されるアクチュエータの適応ファジー スライディング モード制御

Apr 17, 2024

Scientific Reports volume 13、記事番号: 8242 (2023) この記事を引用

525 アクセス

メトリクスの詳細

空気圧人工筋肉 (PAM) は、人間とロボットの相互作用システム、特にリハビリテーション システムにおける潜在的なアクチュエーターです。 しかし、PAM は非線形アクチュエータであり、不確実性と特性の遅れが大きく、制御が困難です。 この研究では、PAM ベースのアクチュエータの未知の外乱に対処するために、適応ファジー アルゴリズム (AFSMC) と組み合わせた離散時間スライディング モード制御アプローチを紹介します。 開発されたファジィ論理システムには、適応則によって自動的に更新されるコンポーネント ルールのパラメータ ベクトルが含まれています。 その結果、開発されたファジー論理システムはシステム外乱を合理的に近似することができます。 マルチシナリオ研究で PAM ベースのシステムを運用する場合、実験結果により、提案された戦略の効率性が確認されます。

近年、PAM は人間のような動きのシミュレーションを必要とするアプリケーションに最も有望なアクチュエータの 1 つです。 PAM はゴム製の長いチューブで構成され、編組糸で覆われています。 PAMは、圧縮空気を供給すると径方向および長手方向に硬化・収縮します。 逆に空気を抜くと柔らかくなって伸びます。 その収縮は生物の筋肉束の動作原理と似ています。 PAM は、素早い反応、非常に軽量、高い出力対重量比および出力対体積比、固有の安全性、クリーンさ、メンテナンスの容易さ、柔軟性、および低コストという利点により、通常、産業用途で利用されます 1,2。 3、4、5。 著名な用途としては、ロボットと対話する人間の安全性を高めるマニピュレーター 4、6、7、8、リハビリテーション システム 9、10、11、12、13、14、患者の運動機能の回復を支援する医療機器 15、16 などがあります。 ただし、PAM は膨大な遅延を伴う非線形システムであり、これを良好なパフォーマンスで制御することは常に研究者から大きな注目を集めています。

さらに、PAM の非線形数学モデルを決定することは非常に困難であり、その結果、PAM ベースのシステムのパラメーターの推定に偏りが生じます。 その結果、PAM ベースのシステムには未知の障害が多数存在します。 空気圧式筋肉アクチュエータの問題を解決するために、多くの制御方法が提案されています。 初期の研究の多くは、比例積分微分 (PID) コントローラーとその修正バージョンを選択しました。 非線形ヒステリシス現象の補正を強化し、堅牢性を高めるための非線形 PID ベースのコントローラー 17、18、19、20、21。 ファジー PID コントローラー 22、23、24、25 は、軌道追跡パフォーマンスを向上させるために提案されています。 上記のコントローラーのほとんどは、まともなパフォーマンスを備えています。 これらは、PAM のヒステリシスと非線形性に対処するには不十分です。

PID コントローラーとその改良型の欠点を克服するために、スライディング モード制御 (SMC)、動的表面制御、適応制御、対話型学習制御、インテリジェント制御などの非線形制御アプローチが文献で紹介されています。 より具体的には、従来のスライディングモード制御は、文献２６、２７においてＰＡＭシステムの軌道追跡に適用されている。 PAM システムのロバストな位置制御には、さまざまなタイプの離散時間スライディング モード制御が使用されます 28,29。 さらに、一次フィルタを使用してシステム応答を改善する動的曲面制御は、PAM システムのトラッキング制御にも適用されます30。 さらに文献[31]では、未知のシステムパラメータをオンラインで推定する適応制御を推奨しており、これにより満足のいく制御性能が得られる。

対話型学習制御や、非線形性を学習して未知パラメータを推定できるインテリジェント制御も、PAM システムを制御する有力なアプローチです。 Ref.32 の著者らは、PAM システムの不確実性と状態制約に対処するための堅牢な反復学習制御アルゴリズムを提案しました。 PAM システムの制御には、フラクショナル PID 制御 25、スライディング モード制御 33、モデル予測制御 34 と組み合わせたファジィ制御が提案されています。 これらの記事では、ファジー ロジックが制御パラメータの調整に役割を果たします。 参考文献 35 では、事前定義されたモデルを使用せずに PAM システムを調整するための適応ファジー スライディング モード制御アプローチが提案されており、未知のパラメーターはファジー関数を使用して推定されます。 同様に、Ref.36 も同じアイデアを採用していますが、ファジー ロジックの代わりにニューラル ネットワークを利用して未知の関数を推定しました。 さらに、PAM システムの制御性能を最適化するために強化学習も考慮されています 37。 前述のアプローチのほとんどは、システムに堅牢性をもたらすことができます。 それらの中には、非常に複雑な推定アルゴリズムを使用して未知の部分や外乱を推定することにより、システムのパフォーマンスを向上させようとするものもあります。 これらのアルゴリズムは理論的には効果的ですが、実装は多くの計算が必要となり非常に困難です。 したがって、効果的な制御アルゴリズムの要件は依然として未解決の問題です。