Dual Control Reference Generation for Optimal Pick-and-Place Execution under Payload Uncertainty

📄 arXiv: 2510.20483v1 📥 PDF

作者: Victor Vantilborgh, Hrishikesh Sathyanarayan, Guillaume Crevecoeur, Ian Abraham, Tom Lefebvre

分类: cs.RO, cs.IT

发布日期: 2025-10-23

💡 一句话要点

提出双重控制参考轨迹生成方法，解决有效载荷不确定性下的最优抓取放置问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 双重控制 参考轨迹生成 有效载荷不确定性 鲁棒最优控制 Fisher信息 机器人操作 参数自适应

📋 核心要点

  1. 现有机器人操作方法在未知动力学（如有效载荷不确定性）下，难以实现精确控制。
  2. 论文提出双重控制框架，通过预定义反馈策略结构简化问题，并设计参考轨迹生成方法。
  3. 实验表明，该方法在抓取放置任务中，能提升任务性能和系统辨识速度，同时保证控制稳定。

📝 摘要（中文）

本文研究了未知动力学下的机器人操作任务，例如有效载荷不确定性下的抓取放置任务。在这种情况下，主动探索和在线参数自适应对于实现精确的基于模型的控制至关重要。该问题被构建为双重控制问题，寻求考虑参数不确定性的闭环最优控制。我们通过预定义包含显式自适应机制的反馈策略结构来简化双重控制问题。然后，我们提出了两种参考轨迹生成方法。第一种方法直接将参数不确定性嵌入到鲁棒最优控制方法中，以最小化预期任务成本。第二种方法考虑最小化所谓的最优性损失，该损失衡量参数相关信息对任务性能的敏感性。我们观察到，这两种方法都将Fisher信息作为其公式的自然副产品进行推理，同时追求最优的任务执行。我们通过抓取放置操作任务证明了我们方法的有效性。结果表明，在设计参考轨迹时考虑到控制，可以实现更快、更准确的任务性能和系统辨识，同时确保稳定和高效的控制。

🔬 方法详解

问题定义：论文旨在解决机器人操作任务中，由于有效载荷不确定性等未知动力学因素，导致传统控制方法难以实现精确和鲁棒控制的问题。现有方法通常依赖于精确的模型，或者缺乏在线自适应能力，无法应对动态变化的环境。

核心思路：论文的核心思路是采用双重控制框架，同时考虑控制性能和参数辨识。通过设计参考轨迹，主动探索未知参数空间，并利用在线自适应机制调整控制策略，从而实现最优的任务执行。这种方法旨在平衡控制性能和信息获取，以应对参数不确定性。

技术框架：整体框架包含以下几个主要模块：1) 预定义反馈策略结构，包含显式自适应机制；2) 基于鲁棒最优控制的参考轨迹生成方法，直接嵌入参数不确定性，最小化预期任务成本；3) 基于最优性损失的参考轨迹生成方法，衡量参数相关信息对任务性能的敏感性，最小化信息损失。这两个模块并行工作，共同优化参考轨迹。

关键创新：论文的关键创新在于将双重控制思想应用于参考轨迹生成，并提出了两种不同的参考轨迹生成方法。这两种方法都将Fisher信息作为自然副产品进行推理，从而在优化控制性能的同时，主动获取参数信息。与传统方法相比，该方法能够更好地应对参数不确定性，实现更鲁棒的控制。

关键设计：论文的关键设计包括：1) 预定义的反馈策略结构，需要根据具体任务进行设计，以保证自适应机制的有效性；2) 鲁棒最优控制方法，需要选择合适的成本函数和约束条件，以最小化预期任务成本；3) 最优性损失函数，需要选择合适的指标来衡量参数相关信息对任务性能的敏感性。Fisher信息在两种方法中都扮演重要角色，用于指导参考轨迹的生成。

📊 实验亮点

论文通过抓取放置任务验证了所提出方法的有效性。实验结果表明，与传统方法相比，该方法能够更快、更准确地完成任务，并实现更快的系统辨识。具体性能数据（如完成时间、精度提升幅度等）在论文中进行了详细展示，证明了该方法在实际应用中的优势。

🎯 应用场景

该研究成果可应用于各种机器人操作任务，尤其是在环境动态变化、有效载荷不确定或机器人动力学参数未知的场景下。例如，在物流、仓储、医疗等领域，机器人需要处理不同重量和形状的物体，该方法可以提高机器人的适应性和操作精度，降低故障率，提升自动化水平。

📄 摘要（原文）

This work addresses the problem of robot manipulation tasks under unknown dynamics, such as pick-and-place tasks under payload uncertainty, where active exploration and(/for) online parameter adaptation during task execution are essential to enable accurate model-based control. The problem is framed as dual control seeking a closed-loop optimal control problem that accounts for parameter uncertainty. We simplify the dual control problem by pre-defining the structure of the feedback policy to include an explicit adaptation mechanism. Then we propose two methods for reference trajectory generation. The first directly embeds parameter uncertainty in robust optimal control methods that minimize the expected task cost. The second method considers minimizing the so-called optimality loss, which measures the sensitivity of parameter-relevant information with respect to task performance. We observe that both approaches reason over the Fisher information as a natural side effect of their formulations, simultaneously pursuing optimal task execution. We demonstrate the effectiveness of our approaches for a pick-and-place manipulation task. We show that designing the reference trajectories whilst taking into account the control enables faster and more accurate task performance and system identification while ensuring stable and efficient control.