Learning-based Approximate Model Predictive Control for an Impact Wrench Tool
作者: Mark Benazet, Francesco Ricca, Dario Bralla, Melanie N. Zeilinger, Andrea Carron
分类: eess.SY
发布日期: 2025-12-18
💡 一句话要点
提出一种基于学习的近似模型预测控制方法，用于冲击扳手的实时扭矩控制。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 模型预测控制 高斯过程回归 神经网络 实时控制 嵌入式系统
📋 核心要点
- 现有冲击扳手控制方法难以在资源受限的嵌入式系统中实现高频、安全且高性能的实时扭矩控制。
- 利用高斯过程回归进行数据驱动的模型增强，并使用神经网络近似控制策略，实现资源受限平台上的预测控制。
- 实验结果表明，该方法在满足约束条件的同时，实现了微秒级的推理速度，并提高了扭矩跟踪精度。
📝 摘要（中文）
本文提出了一种基于学习的模型预测控制方法，用于解决机电系统中复杂动力学问题，通过数据驱动的方式提升性能并满足安全约束。针对电池供电工具等资源受限的嵌入式处理器，现有方法难以满足实时性要求。本文聚焦冲击扳手的实时扭矩控制，需要高频控制更新以精确跟踪周期性冲击事件中的快速瞬变，同时保持高性能的安全控制，以减轻有害振动和部件磨损。该方法的核心创新在于结合了高斯过程回归的数据驱动模型增强和神经网络对控制策略的近似。这种结合使得在资源受限的嵌入式平台上部署预测控制成为可能，同时保证了约束满足和微秒级的推理时间。通过数值仿真和定制冲击扳手测试平台的硬件实验验证了所提出框架的有效性，结果表明该方法成功实现了适用于高频操作的实时控制，同时保持了约束满足，并提高了相对于基线PID控制的跟踪精度。
🔬 方法详解
问题定义：冲击扳手的实时扭矩控制问题，需要在资源受限的嵌入式平台上实现高频控制更新，以精确跟踪冲击事件中的快速瞬变，同时保证安全性和减少部件磨损。现有方法难以在满足实时性要求的同时，兼顾高性能和安全性。
核心思路：核心思路是将数据驱动的模型增强与控制策略的近似相结合。具体来说，利用高斯过程回归学习冲击扳手的动态特性，从而增强模型预测控制器的预测能力。然后，使用神经网络来近似求解模型预测控制问题，从而降低计算复杂度，满足实时性要求。
技术框架：整体框架包括以下几个主要模块：1) 数据采集模块：收集冲击扳手在不同工况下的运行数据。2) 模型学习模块：使用高斯过程回归学习冲击扳手的动态模型。3) 控制策略近似模块：使用神经网络近似求解模型预测控制问题，得到控制策略。4) 实时控制模块：在嵌入式平台上部署神经网络控制策略，实现实时扭矩控制。
关键创新：最重要的技术创新点在于将高斯过程回归和神经网络相结合，用于近似求解模型预测控制问题。高斯过程回归能够有效地学习冲击扳手的动态特性，提高预测精度。神经网络能够快速地进行推理，满足实时性要求。这种结合使得在资源受限的嵌入式平台上部署高性能的预测控制成为可能。与现有方法相比，该方法能够在保证实时性的同时，提高控制精度和安全性。
关键设计：高斯过程回归使用径向基函数核，并采用最大似然估计方法优化超参数。神经网络采用多层感知机结构，使用ReLU激活函数。损失函数包括扭矩跟踪误差、控制量惩罚项和约束违反惩罚项。采用Adam优化器训练神经网络。具体的网络结构和参数设置需要根据实际应用进行调整。
🖼️ 关键图片
📊 实验亮点
在定制的冲击扳手测试平台上进行的硬件实验表明，该方法能够实现微秒级的推理速度，满足实时性要求。与基线PID控制相比，扭矩跟踪精度提高了显著，同时能够有效地抑制振动，保证安全性。具体性能数据（例如跟踪误差的降低百分比）需要在论文中查找。
🎯 应用场景
该研究成果可应用于各种需要高精度、高频率控制的电动工具，例如电动螺丝刀、电动扳手等。通过提高控制精度和效率，可以延长工具的使用寿命，提高工作效率，并降低能源消耗。此外，该方法还可以推广到其他资源受限的嵌入式控制系统，例如机器人、无人机等。
📄 摘要（原文）
Learning-based model predictive control has emerged as a powerful approach for handling complex dynamics in mechatronic systems, enabling data-driven performance improvements while respecting safety constraints. However, when computational resources are severely limited, as in battery-powered tools with embedded processors, existing approaches struggle to meet real-time requirements. In this paper, we address the problem of real-time torque control for impact wrenches, where high-frequency control updates are necessary to accurately track the fast transients occurring during periodic impact events, while maintaining high-performance safety-critical control that mitigates harmful vibrations and component wear. The key novelty of the approach is that we combine data-driven model augmentation through Gaussian process regression with neural network approximation of the resulting control policy. This insight allows us to deploy predictive control on resource-constrained embedded platforms while maintaining both constraint satisfaction and microsecond-level inference times. The proposed framework is evaluated through numerical simulations and hardware experiments on a custom impact wrench testbed. The results show that our approach successfully achieves real-time control suitable for high-frequency operation while maintaining constraint satisfaction and improving tracking accuracy compared to baseline PID control.