Deep Neural Network to Improve Trajectory Tracking of Hydraulic Servo Actuator

Abstract

The application of robots to spaces shared with humans requires that the robot has an accurate tracking performance. Electro-Hydraulic Torque Actuator (EHTA) has proven to be a better option for hydraulic robots. However, the internal leakage and friction in the actuator and non-linearity present in hydraulic systems make it difficult to get accurate tracking performance. The conventional method to solve these issue rely mostly on the model-based approach that highly depends on an accurate mathematical model of the system which may be difficult to obtain or a model-free approach such as PID control which does not need a mathematical model but require vigorous gain tuning and the performance reduces with increasing distance to the nominal configuration to which they were tuned. The proposed approach to solve these problems is as follows. A Deep Learning approach is used to model the EHTA. The learning-based method model the non-linear dynamics and can model the inverse dynamics of the system. The learning-based approach is made up of a Nonlinear Auto-Regressive neural network (NARX) and a Long Short-Term neural network (LSTM). The NARX is employed due to its ability to predict time series, and the LSTM is used to overcome the vanishing and exploding gradient which causes long-term memory loss in NARX leading to inaccurate learning of the model and not representing accurate dynamics of the EHTA. The controller training method and parameter selection are also proposed. The proposed method shows a position frequency response with the bandwidth of 4.74Hz which is higher than when only NARX is used. The proposed method also shows a more accurate tracking performance when compared to PID controller.

사람과 공간을 공유하는 로봇의 적용은 로봇이 정확한 추적 성능을 가져야할 필요가 있다. 전기 유압 토크 액추에이터 (EHTA)는 유압 로봇에 있어서더 나은 옵션으로 증명됐다. 그러나 액추에이터의 내부 누설 및 마찰과 유압 시스템에 존재하는 비선형성으로 인해 정확한 추적 성능을 얻기가 어렵다. 이러한 문제를 해결하기 위한 기존의 방법들은 주로 얻기 어려운 정확한 수학적 모델 시스템에 의존하거나 수학적 모델이 필요하지 않지만 많은 게인 튜닝과 노미널한 환경과 거리가 증가함에 따라 성능이 감소되어 튜닝을 요구하는 PID에 의존한다. 이러한 문제점을 해결하기 위해 제안된 접근법은 다음과 같다. 딥 러닝 접근 방식은 EHTA 모델링을 이용한다. 학습 기반 방법은 비선형 역학을 모델링하고 시스템의 역운동학을 모델링 할 수 있습니다. 학습 기반 접근 방식은 비선형 자동 회귀 신경망 (NARX)과 장기 단기 신경망 (LSTM)으로 구성. NARX는 시계열을 예측할 수 있는 능력으로 인해 사용되며, LSTM은 NARX에서 장기적인 기억 상실을 초래하는 사라지고 폭발하는 그라디언트를 극복하는 데 사용되어 모델의 부정확한 학습으로 이어지고 EHTA의 정확한 역학을 나타내지 않는다. 컨트롤러 훈련 방법과 매개 변수 선택 또한 제안한다. 제안된 방법은 NARX만 사용할 때 보다 높은 4.74Hz의 대역폭을 가진 위치 주파수 응답을 보여준다. 제안된 방법은 또한 PID 컨트롤러와 비교할 때보다 정확한 추적 성능을 보여준다.