《Advanced Robotics Research》:Model Predictive Control for Magnetically Actuated Cellbots
编辑推荐:
本文提出一种针对磁驱动且嵌入活细胞内的微米级机器人(cellbots)的控制策略。该方法将模型预测控制(model predictive control, MPC)与高斯过程(Gaussian Processes, GPs)相结合;前者具有较低计算复杂度并适应
本文提出一种针对磁驱动且嵌入活细胞内的微米级机器人(cellbots)的控制策略。该方法将模型预测控制(model predictive control, MPC)与高斯过程(Gaussian Processes, GPs)相结合;前者具有较低计算复杂度并适应变化环境,后者被用作扰动估计器(disturbance estimator)以实现精确路径跟踪(path tracking)。为应对未建模动力学(unmodeled dynamics)带来的挑战,研究人员将数据驱动建模(data-driven modeling)与基于模型的控制(model-based control)相集成,以利用相对较少的数据精确跟踪期望轨迹。据研究人员所知,这是首个将数据驱动建模与基于模型的控制集成用于磁驱动细胞机器人的工作。GP能够有效学习并预测未建模扰动,同时提供不确定性边界(uncertainty bounds)。实验结果表明,即使在布满细胞的环境中,所提出的控制器也表现良好。
研究背景与问题:磁驱动微米级机器人(micron-scale robots, μbots)在药物递送、活检、显微手术和细胞操作等医学应用中受到关注;其生物相容性及磁场在临床环境中的既有应用使其具有吸引力。然而,在噪声与扰动存在时,尤其是在由生物细胞等障碍物构成的杂乱环境中,磁驱动μbots的精确运动控制仍是显著挑战。细胞机器人(cellbots)由磁驱动μbots嵌入活细胞形成,已被证明可用于细胞递送与操作,并可能推动类器官发育研究。问题在于:每个细胞机器人内μbots的数量、尺寸和空间排列因内吞作用的随机性而不同,导致不同细胞机器人具有不同动力学行为,针对一个细胞机器人训练的模型不能直接复用于另一个;控制框架必须利用有限数据快速适应每个个体单元。此外,生物环境引入细胞膜变形、胞质阻力和邻近细胞相互作用等标准μbots场景中不存在的扰动。既有模型控制方法包括线性与非线性控制、高增益和扩展状态观测器等扰动观测器、鲁棒控制以及MPC,但MPC性能高度依赖系统模型精度与扰动估计;传统扰动观测器与MPC结合虽可提高模型精度,却难以捕捉更复杂动力学;数据驱动方法如径向基函数(radial basis function, RBF)神经网络可建模扰动和未知动态,但现有工作主要适用于μbots,不适合细胞机器人更复杂的动力学;相关活细胞内μbots研究采用不同机器人设计与驱动机制,早期滚磁机器人仅限直线恒速简单场景;结合数据驱动建模与模型控制的螺旋微游动器框架需要比单个细胞机器人可采集数据更多的训练数据。因此,该研究开展面向磁驱动细胞机器人的精确路径跟踪框架研究。
研究工作与结论意义:研究人员在先前数据驱动μbot建模工作基础上,开发MPC方案与基于GP的动态扰动估计器,将扰动估计纳入MPC框架,以结合数据驱动与模型控制优势实现精确路径跟踪。GP因能从小数据集快速学习而适合该任务,可对每个细胞机器人进行个体化模型重训练;GP提供的置信区间还可进一步用于动态不确定性下的系统安全性。实验在真实生物场景中验证该方法的有效性;据原文,这是首个利用数据驱动建模增强MPC进行细胞机器人控制的方法。结论是:GP能有效学习并预测未建模扰动,并提供不确定性边界;所提出控制器在实验中表现良好,即使在细胞杂乱环境中亦然;该方法以相对较少数据获得准确扰动估计,并使研究人员无需显著计算能力即可针对不同细胞机器人重训练模型,结合数据驱动建模优势与基于模型控制的鲁棒性,为微米级机器人精确可靠控制提供实用方案。
关键技术方法(不超过250字):采用六Helmholtz线圈产生3D旋转磁场,将电流映射为航向、姿态和频率信号;将滚动微型机器人嵌入Chinese Hamster Ovary(CHO)细胞形成细胞机器人,CHO细胞为第三passages,培养组分购自GIBCO;在设定频率与角度范围内以1 Hz和1°增量采集圆形训练数据;对位置数据进行数值微分和低通滤波获得速度,沿x、y方向分别线性回归估计a
0,并用GP学习模型失配,核函数为RBF核与常数缩放白噪声核组合;将GP扰动估计嵌入MPC,在预测时域内优化成本函数;杂乱环境使用路径规划算法生成参考轨迹,OpenCV提取位置与速度。
研究结果:
5.1 Experimental Setup(实验设置):通过将滚动微型机器人嵌入CHO细胞形成细胞机器人,并搭建六Helmholtz线圈磁场发生装置、倒置显微镜、微控制器、单板计算机、Python视觉跟踪与控制程序及单色相机图像采集流程,研究人员建立了细胞机器人磁驱动与视觉跟踪实验平台,并将动作/输入命令转换为3D旋转磁场,映射到航向、姿态和频率信号。由此可开展细胞机器人控制实验。
5.2 Experiment(实验):通过初始圆形训练数据集训练两个分别估计x、y方向模型失配的GP,并将GP增强模型与实际数据及无GP扰动估计器的线性基线比较,得出GP模型有效捕捉扰动行为并显著提高线性模型精度;通过跟踪Lemniscate of Bernoulli轨迹并与无GP的朴素MPC比较,得出所提方法跟踪更平滑准确,2-范数平均跟踪误差降低14%,最大偏差降低28%;模型预测显示部分区域GP扰动预测接近线性模型,原因在于MPC驱动系统进入圆形训练数据中未观测的α与f配对,而圆形训练仅采样整数频率。
5.3 Iterative Learning(迭代学习):通过迭代过程收集额外数据,将初始圆形数据集中未观测的数据点加入新训练集,并重复该过程以更有效探索控制空间,得出仅进行一次迭代即显著改善模型性能和跟踪精度;迭代训练后GP将建模误差降低约60%,实际速度落在1个标准差内的时间为56%、落在2个标准差内的时间为86%,说明高斯分布对扰动是较接近的近似但倾向欠估计;在由其他CHO细胞作为障碍物的杂乱环境中,使用路径规划算法生成参考轨迹并由控制器跟踪,得出控制器以平均误差6 μm准确跟踪参考轨迹并成功避障;GP置信边界尚未集成到框架,但可结合robust MPC或tube-based MPC。
5.4 Controller Robustness to Cellbot Configuration Variability(控制器对细胞机器人配置变化的鲁棒性):通过对三个独立制备、显微镜下μbot负载明显不同的细胞机器人执行相同训练协议,得出估计a
0分别为11.49、16.84、13.63 μm·s
?1·Hz
?1,Lemniscate of Bernoulli轨迹跟踪误差分别为3.23、3.18、2.42 μm;尽管a
0变化显著,GP增强MPC训练后均获得一致的跟踪误差,说明框架通过逐细胞机器人校准可靠适应特定动力学,重复性来自流水线内置的逐细胞机器人校准而非底层机器人一致性;实验包含最多4个嵌入μbots的细胞机器人,GP增强MPC成功处理这些变化;当内部μbots数量增加或几何更不对称时,扰动方差增大并可能依赖难以测量的内部状态,如各μbot的相对取向和位置。
讨论与结论总结:该研究提出集成MPC与GPs扰动估计的细胞机器人控制框架,解决扰动存在时细胞机器人控制挑战;GP以相对少量数据获得准确扰动估计,使模型可针对不同细胞机器人重新训练而无需显著计算能力;该方法结合数据驱动建模优势与基于模型控制鲁棒性,为微米级机器人精确可靠控制提供实用方案;实验结果表明框架有效减轻扰动并提高路径跟踪精度。未来工作包括将GP提供的置信区间用于规划算法与tube-based MPC以增强机器人安全性,并将混合优化与学习框架扩展到多机器人场景,其中共享全局磁场需协调一组μbots运动;多机器人协调将显著拓宽该方法在生物医学相关任务中的适用性,如集体细胞递送和类器官培养中的并行操作。
研究结论翻译:本文提出一种将MPC与GPs集成用于扰动估计的细胞机器人控制框架。研究人员的方法解决了存在扰动时细胞机器人控制的挑战。通过利用GP,研究人员以相对较少的数据获得准确的扰动估计。GP的有效性使研究人员能够针对不同细胞机器人重新训练模型,而无需显著计算能力。该方法结合了数据驱动建模的优势与基于模型控制的鲁棒性,为微米级机器人的精确可靠控制提供了实用解决方案。实验结果表明,所提出框架有效减轻扰动并提高路径跟踪精度。未来工作将涉及在规划算法中使用GP提供的置信区间与tube-based MPC以增强机器人安全性。一个关键方向是将研究人员的混合优化与学习框架扩展到多机器人场景,其中共享全局磁场必须协调一组μbots的运动。多机器人协调将显著拓宽该方法在生物医学相关任务中的适用性,例如集体细胞递送和类器官培养中的并行操作。