Published January 1, 2021 | Version v1
Publication Open

Effective Nonlinear Model Predictive Control Scheme Tuned by Improved NN for Robotic Manipulators

Creators

  • 1. Benha University
  • 2. National Taiwan University of Science and Technology
  • 3. Aswan University
  • 4. Aalto University

Description

The nonlinearities of the robotic manipulators and the uncertainties of their parameters represent big challenges against the controller design. Moreover, the tracking of regular and irregular trajectories with fewer overshoots, short settling time, and small steady-state error is the main target for the robotic response. The model predictive control (MPC) is an efficient controller to handle the performance requirements. However, the conventional MPC requires the linearization of the system model. The linearization of the model does not cover all dynamics of the robotic system. Thus, this paper introduces the nonlinear MPC (NLMPC) as a proper control method for the nonlinear systems instead of the conventional MPC. Specifically, this work proposes the use of NLMPC for controlling robotic manipulators. However, the NLMPC gains need proper tuning to attain good performance rather than the conventional methods. The neural network algorithm (NNA) considers a sufficient adaptive intelligent technique that can be utilized for this purpose. The restriction in a local optimum reveals the main issue versus artificial intelligence techniques. This paper suggests a new improvement to reinforce the exploration behavior of the NNA to overcome the local restriction issue. This modification is carried out by utilizing the polynomial mutation as an effective method to promise the exploration manner of the intelligence techniques. The proposed system can estimate all states from only the output to reduce the cost of the required sensors to measure all states. The results confirm the superiority of the proposed systems with the estimator with negligible change in the output response. The proposed modified NNA (MNNA) is evaluated with the main NNA, genetic algorithm-based PID control scheme, besides the cuckoo search algorithm-based PID control scheme from other works. The results confirm the robustness and effectiveness of the suggested MNNA-based NLMPC to track regular and irregular trajectories compared with other techniques.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

تمثل الجوانب غير الخطية للمتلاعبين الآليين والشكوك التي تحيط بمعلماتهم تحديات كبيرة ضد تصميم وحدة التحكم. علاوة على ذلك، فإن تتبع المسارات المنتظمة وغير المنتظمة مع عدد أقل من التجاوزات، ووقت الاستقرار القصير، وخطأ الحالة الثابتة الصغير هو الهدف الرئيسي للاستجابة الروبوتية. نموذج التحكم التنبؤي (MPC) هو وحدة تحكم فعالة للتعامل مع متطلبات الأداء. ومع ذلك، تتطلب MPC التقليدية خطية نموذج النظام. لا تغطي خطية النموذج جميع ديناميكيات النظام الآلي. وبالتالي، تقدم هذه الورقة MPC غير الخطية (NLMPC) كطريقة تحكم مناسبة للأنظمة غير الخطية بدلاً من MPC التقليدية. على وجه التحديد، يقترح هذا العمل استخدام NLMPC للتحكم في المتلاعبين الآليين. ومع ذلك، فإن مكاسب NLMPC تحتاج إلى ضبط مناسب لتحقيق أداء جيد بدلاً من الطرق التقليدية. تعتبر خوارزمية الشبكة العصبية (NNA) تقنية ذكية تكيفية كافية يمكن استخدامها لهذا الغرض. يكشف التقييد في المستوى الأمثل المحلي عن المشكلة الرئيسية مقابل تقنيات الذكاء الاصطناعي. تقترح هذه الورقة تحسينًا جديدًا لتعزيز سلوك الاستكشاف في NNA للتغلب على مشكلة التقييد المحلي. يتم إجراء هذا التعديل باستخدام طفرة متعدد الحدود كطريقة فعالة للوعد بطريقة استكشاف تقنيات الذكاء. يمكن للنظام المقترح تقدير جميع الحالات من الناتج فقط لتقليل تكلفة أجهزة الاستشعار المطلوبة لقياس جميع الحالات. تؤكد النتائج تفوق الأنظمة المقترحة مع المقدر مع تغيير طفيف في استجابة المخرجات. يتم تقييم NNA المعدل المقترح (MNNA) مع NNA الرئيسي، مخطط التحكم في PID القائم على الخوارزمية الوراثية، إلى جانب مخطط التحكم في PID القائم على خوارزمية البحث الوقواق من أعمال أخرى. تؤكد النتائج متانة وفعالية NLMPC المقترحة القائمة على MNNA لتتبع المسارات المنتظمة وغير المنتظمة مقارنة بالتقنيات الأخرى.

Translated Description (French)

Les non-linéarités des manipulateurs robotiques et les incertitudes de leurs paramètres représentent de grands défis contre la conception du contrôleur. De plus, le suivi des trajectoires régulières et irrégulières avec moins de dépassements, un temps de stabilisation court et une petite erreur en régime permanent est la cible principale de la réponse robotique. Le modèle de contrôle prédictif (MPC) est un contrôleur efficace pour gérer les exigences de performance. Cependant, le MPC conventionnel nécessite la linéarisation du modèle du système. La linéarisation du modèle ne couvre pas toutes les dynamiques du système robotique. Ainsi, cet article présente le MPC non linéaire (NLMPC) comme une méthode de contrôle appropriée pour les systèmes non linéaires au lieu du MPC conventionnel. Plus précisément, ce travail propose l'utilisation de NLMPC pour contrôler les manipulateurs robotiques. Cependant, les gains NLMPC nécessitent un réglage approprié pour atteindre de bonnes performances plutôt que les méthodes conventionnelles. L'algorithme de réseau neuronal (NNA) considère une technique intelligente adaptative suffisante qui peut être utilisée à cette fin. La restriction dans un optimum local révèle le problème principal par rapport aux techniques d'intelligence artificielle. Cet article suggère une nouvelle amélioration pour renforcer le comportement d'exploration de l'ANN afin de surmonter le problème de restriction locale. Cette modification est réalisée en utilisant la mutation polynomiale comme méthode efficace pour promettre le mode d'exploration des techniques d'intelligence. Le système proposé peut estimer tous les états à partir de la seule sortie pour réduire le coût des capteurs requis pour mesurer tous les états. Les résultats confirment la supériorité des systèmes proposés avec l'estimateur avec un changement négligeable de la réponse de sortie. Le NNA modifié proposé (MNNA) est évalué avec le principal NNA, schéma de contrôle PID basé sur un algorithme génétique, en plus du schéma de contrôle PID basé sur un algorithme de recherche de coucou provenant d'autres travaux. Les résultats confirment la robustesse et l'efficacité du NLMPC basé sur le MNNA suggéré pour suivre les trajectoires régulières et irrégulières par rapport à d'autres techniques.

Translated Description (Spanish)

Las no linealidades de los manipuladores robóticos y las incertidumbres de sus parámetros representan grandes desafíos contra el diseño del controlador. Además, el seguimiento de trayectorias regulares e irregulares con menos rebasamientos, corto tiempo de asentamiento y pequeño error de estado estacionario es el objetivo principal de la respuesta robótica. El control predictivo del modelo (MPC) es un controlador eficiente para manejar los requisitos de rendimiento. Sin embargo, el MPC convencional requiere la linealización del modelo del sistema. La linealización del modelo no cubre toda la dinámica del sistema robótico. Por lo tanto, este documento presenta el MPC no lineal (NLMPC) como un método de control adecuado para los sistemas no lineales en lugar del MPC convencional. En concreto, este trabajo propone el uso de NLMPC para el control de manipuladores robóticos. Sin embargo, las ganancias de NLMPC necesitan un ajuste adecuado para lograr un buen rendimiento en lugar de los métodos convencionales. El algoritmo de red neuronal (NNA) considera una técnica inteligente adaptativa suficiente que se puede utilizar para este propósito. La restricción en un óptimo local revela el problema principal frente a las técnicas de inteligencia artificial. Este documento sugiere una nueva mejora para reforzar el comportamiento de exploración de la NNA para superar el problema de la restricción local. Esta modificación se lleva a cabo utilizando la mutación polinómica como un método eficaz para prometer la forma de exploración de las técnicas de inteligencia. El sistema propuesto puede estimar todos los estados solo a partir de la salida para reducir el coste de los sensores necesarios para medir todos los estados. Los resultados confirman la superioridad de los sistemas propuestos con el estimador con un cambio insignificante en la respuesta de salida. El NNA modificado propuesto (MNNA) se evalúa con el NNA principal, esquema de control PID basado en algoritmo genético, además del esquema de control PID basado en algoritmo de búsqueda de cuco de otros trabajos. Los resultados confirman la solidez y efectividad del NLMPC basado en MNNA sugerido para rastrear trayectorias regulares e irregulares en comparación con otras técnicas.

Files

09416459.pdf.pdf

Files (245 Bytes)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:e1b373149cc0086022006849c852859f
245 Bytes
Preview Download

Additional details

Additional titles

Translated title (Arabic)
مخطط التحكم التنبؤي للنموذج غير الخطي الفعال الذي تم ضبطه بواسطة NN المحسن للمعالجات الروبوتية
Translated title (French)
Schéma de contrôle prédictif de modèle non linéaire efficace réglé par NN amélioré pour les manipulateurs robotiques
Translated title (Spanish)
Esquema de control predictivo de modelo no lineal efectivo ajustado por NN mejorado para manipuladores robóticos

Identifiers

Other
https://openalex.org/W3159112629
DOI
10.1109/access.2021.3075581

Is supplement to
https://openalex.org/W4366700029 (Other)
https://openalex.org/W4287880334 (Other)
https://openalex.org/W4248731570 (Other)
https://openalex.org/W3202234113 (Other)
https://openalex.org/W3175363083 (Other)
https://openalex.org/W2320869598 (Other)
https://openalex.org/W2101188133 (Other)
https://openalex.org/W2060165215 (Other)
https://openalex.org/W1990079087 (Other)
https://openalex.org/W1030049439 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Egypt

References

  • https://openalex.org/W139131351
  • https://openalex.org/W159326959
  • https://openalex.org/W1859314164
  • https://openalex.org/W1961948334
  • https://openalex.org/W1980246867
  • https://openalex.org/W1984203973
  • https://openalex.org/W1993122005
  • https://openalex.org/W2001456083
  • https://openalex.org/W2032546725
  • https://openalex.org/W2045620893
  • https://openalex.org/W2078733704
  • https://openalex.org/W2082181144
  • https://openalex.org/W2091485446
  • https://openalex.org/W2093635856
  • https://openalex.org/W2122250135
  • https://openalex.org/W2128633238
  • https://openalex.org/W2141781870
  • https://openalex.org/W2159216507
  • https://openalex.org/W2167571850
  • https://openalex.org/W2177786714
  • https://openalex.org/W2193407196
  • https://openalex.org/W2207508264
  • https://openalex.org/W2288223621
  • https://openalex.org/W2296278947
  • https://openalex.org/W2343693428
  • https://openalex.org/W2461482723
  • https://openalex.org/W2463917985
  • https://openalex.org/W2512379863
  • https://openalex.org/W2564997706
  • https://openalex.org/W2568426016
  • https://openalex.org/W2592103183
  • https://openalex.org/W2742431210
  • https://openalex.org/W2808565671
  • https://openalex.org/W2883800310
  • https://openalex.org/W2900607252
  • https://openalex.org/W2939442682
  • https://openalex.org/W2958456210
  • https://openalex.org/W2963945659
  • https://openalex.org/W3006148668
  • https://openalex.org/W3017219589
  • https://openalex.org/W3044645263
  • https://openalex.org/W3118511128
  • https://openalex.org/W3121416177
  • https://openalex.org/W3127887867
  • https://openalex.org/W3130681834
  • https://openalex.org/W4211081235
  • https://openalex.org/W4211130072