Ereignisgesteuerte datengetriebene robuste modellprädiktive Regelung für einen omnidirektionalen mobilen Manipulator

Omnidirektionale mobile Manipulatoren (OMMs) sind von Natur aus nichtlinear, stark gekoppelt und Mehr-Eingang-Mehr-Ausgang-Systeme, was aufgrund ihrer Komplexität erhebliche Herausforderungen bei der Entwicklung genauer mechanistischer Modelle darstellt. Die Koopman-Operator-Theorie bietet einen datengetriebenen Modellierungsrahmen, der Eingangs-Ausgangsdaten zur Charakterisierung der Systemdynamik nutzt, wobei jedoch häufig Modellierungsfehler vorkommen. In diesem Paper wird ein ereignisgesteuertes, datengetriebenes lineares modellprädiktives Steuerungskonzept (MPC) für einen OMM vorgeschlagen, das kein Vorwissen über das Robotersystem verwendet. Ein endlichdimensionales approximatives lineares Koopman-Modell wird für einen OMM anhand von Eingangs-Ausgangsdaten erstellt. Die Gaußsche Prozessregression (GPR) wird verwendet, um die Modellfehler zu schätzen, während ein erweiterter Zustandsbeobachter (ESO) entwickelt wird, um externe Störungen abzuschätzen. Da die Einführung von GPR die Rechenbelastung erhöht, wird ein ereignisgesteuerter (ET) Mechanismus eingeführt, um unnötige Neuberechnungen des Reglers und die Aktualisierungsfrequenz zu reduzieren. Abschließend werden vergleichende Experimente durchgeführt, um die Wirksamkeit und die überlegene Leistungsfähigkeit des vorgeschlagenen Regelungsschemas nachzuweisen.