کنترل خودکار ربات های کم عملگر با بهره گیری از شبکه های عصبی آگاه از فیزیک (PINNs)

ربات های کم عملگر به دلیل دینامیک های غیرخطی کوپله و محدودیت های کنترلی از چالش برانگیزترین سامانه ها در حوزه کنترل خودکار محسوب می شوند و طراحی کنترل کننده های دقیق و پایدار برای آنها همچنان یک مسئله باز پژوهشی است. روش های کلاسیک مبتنی بر مدل های فیزیکی با هزینه محاسباتی بالا و روش های داده محور با تعمیم پذیری محدود مواجه اند. این مطالعه با هدف پر کردن این شکاف یک چارچوب نوین کنترل خودکار مبتنی بر شبکه های عصبی آگاه از فیزیک (PINN (Physics-Informed Neural Networks برای ربات های کم عملگر ارائه کرد. پژوهش به صورت تجربی تحلیلی و مبتنی بر شبیه سازی انجام شد. یک مدل PINN با استفاده از داده های محدود شبیه سازی شده و قیود فیزیکی سیستم آموزش داده شد و سپس در یک چارچوب کنترل خودکار مبتنی بر مدل به کار گرفته شد. نتایج نشان دادند که مدل PINN دقت بالاتری در مدل سازی دینامیکی و پیش بینی چندگاهی نسبت به مدل های داده محور دارد و رفتار عددی پایدارتری ارائه می دهد. در حوزه کنترل چارچوب پیشنهادی توانست رهگیری مسیر دقیق، همگرایی سریع و سیگنال های کنترلی هموار را تضمین کند. همچنین تحلیل Robustness نشان داد که عملکرد کنترلی تحت تغییرات پارامتری و اغتشاشات خارجی به طور معناداری حفظ می شود. نتایج تعمیم پذیری نیز بیانگر کارایی مناسب مدل در شرایط اولیه و مسیرهای مرجع جدید با داده آموزشی محدود بود. یافته ها نشان می دهند که PINNها می توانند به عنوان یک راهکار عملی پایدار و تعمیم پذیر برای کنترل خودکار ربات های کم عملگر مورد استفاده قرار گیرند و مسیر روشنی برای توسعه کنترل کننده های پیشرفته مبتنی بر یادگیری آگاه از فیزیک فراهم سازند.

کلیدواژه ها:

ربات های کم عملگر ، کنترل خودکار ، شبکه عصبی آگاه از فیزیک ، کنترل مبتنی بر مدل ، تعمیم پذیری