数据驱动的挖掘机平整作业非线性模型预测控制：方法与实验结果

《Mechatronics》：Data-driven NMPC of grading operations for excavators: Approaches and experimental results

　　

液压挖掘机（Hydraulic Excavator, HE）广泛应用于建筑任务中的平整和分级作业，这些任务要求高精度和可重复性。由于液压系统的强非线性、耦合效应和变异性，自动化这些操作具有挑战性。在本研究中，研究人员提出了一种数据驱动的非线性模型预测控制（Nonlinear Model Predictive Control, NMPC）框架，用于液压挖掘机的自主分级作业。系统动力学使用从实验输入输出数据辨识的局部线性神经模糊模型（Local Linear Neuro-Fuzzy Models, LLNFM）进行建模，无需详细物理建模即可实现灵活表示。研究人员开发并比较了两种NMPC公式：轨迹跟踪方法和路径跟随方法，后者允许沿期望路径自适应时序。所提出的方法在一台全尺寸JCB Hydradig 110 W挖掘机上进行了实验验证，执行了平整和倾斜任务。结果表明，两种NMPC方法在现实操作条件下均实现了准确的跟踪性能。此外，路径跟随公式在执行速度灵活性有益的场景中表现出更好的鲁棒性。与基线数据驱动控制器的比较突出了所提出方法的有效性。

建筑行业是全球经济的重要支柱，但生产力增长缓慢，主要受限于自动化程度低和对熟练操作工的依赖。液压挖掘机广泛用于平整和分级作业，要求高精度和可重复性，但手动操作依赖经验，自动化面临液压系统强非线性、耦合效应和参数变化等挑战。现有方法中，基于物理模型的控制器需要精确建模且难以维护，而学习型方法可能缺乏透明度且需大量训练数据；模型预测控制（Model Predictive Control, MPC）虽适用于多变量约束系统，但与纯数据驱动模型结合的研究有限，且全尺寸机器上的实验验证较少。针对这些不足，研究人员提出并实验验证了一种数据驱动非线性模型预测控制（Nonlinear Model Predictive Control, NMPC）框架，用于液压挖掘机的自主平整作业。该研究使用局部线性神经模糊模型（Local Linear Neuro-Fuzzy Models, LLNFM）从实验输入输出数据直接辨识系统动力学，避免了详细物理建模。在此基础上，设计了两种NMPC公式：轨迹跟踪MPC（Trajectory-Tracking MPC, TTMPC）和路径跟随MPC（Path-Following MPC, PFMPC），后者允许沿路径自适应执行速度。研究人员在全尺寸JCB Hydradig 110 W挖掘机上完成了平整和倾斜任务的实验验证，结果表明两种NMPC方法均能实现准确跟踪，且PFMPC在速度灵活性场景中鲁棒性更优。与现有数据驱动前馈控制器的比较进一步突出了所提方法的有效性。该论文发表在《Mechatronics》，展示了数据驱动建模与非线性MPC结合在实际工程机械自动化中的潜力。

关键技术方法方面，研究人员采用了以下主要方法：利用局部线性神经模糊模型（LLNFM）从实验数据中辨识液压缸速度动力学，其中非线性输入空间分区通过LOLIMOT（LOcal LInear MOdel Tree）算法确定，线性参数随后通过仿真误差方法（Simulation Error Method, SEM）重新训练以改善低频动态。控制方面，设计了两种非线性模型预测控制（NMPC）公式：轨迹跟踪MPC（TTMPC）基于梯形速度剖面生成参考轨迹；路径跟随MPC（PFMPC）引入路径参数θ作为决策变量，允许在线调整执行速度。实验在德国Renningen的Bosch公司进行，使用全尺寸JCB Hydradig 110 W挖掘机，控制实现基于acados框架和dSpace MicroAutobox II，采样时间100 ms，预测时域分别为700 ms（TTMPC）和500 ms（PFMPC），并采用序列二次规划（Sequential Quadratic Programming, SQP）求解器及HPIPM求解二次规划问题。

研究结果部分如下：

5.1 实验设置：使用JCB Hydradig 110 W挖掘机，在德国Renningen的Bosch公司进行实验。基准路径为沙漏形状，涵盖平整和倾斜操作，无地面接触，由操作员通过触摸屏选择四个空间点设定。

5.2 基准控制器：采用级联架构，外环为比例-积分-微分（PID）位姿控制器，内环为基于LOLIMOT模型的数据驱动逆模型控制器（下称REF），负责轨迹跟踪。

5.3 训练数据集：使用自适应幅度调制伪随机二进制序列（APRBS）和多正弦信号激励系统，数据按70-20-10比例划分训练、验证和测试集。

5.4 实现：MPC利用acados框架在Matlab中实现，并通过dSpace MicroAutobox II实时运行。采用SQP求解非线性规划问题，HPIPM求解二次规划，启用热启动。采样频率为10 Hz，TTMPC预测时域为7步（700 ms），PFMPC为5步（500 ms）。

5.5 模型质量评估：开环仿真验证显示模型精度良好，臂和动臂的归一化均方根误差（NRMSE）分别为0.0241和0.0352，决定系数R²分别为0.961和0.941，最大速度误差分别为7.47 cm/s和5.25 cm/s。

5.6 控制器比较：测试了四个段（F→G, G→H, H→I, I→F），完成时间约12秒。TTMPC在初始段出现振荡，PFMPC通过自适应速度克服振荡，REF也有振荡并在I→F段出现较大偏差。轮廓误差指标显示，PFMPC在多数段具有更小的均方根误差（RMSE）、标准差和最大误差，整体性能最优。

总结讨论部分，翻译研究结论如下：本研究展示了一种用于挖掘机自主平整功能的非线性数据驱动MPC方法。研究人员开发并实验测试了两种MPC公式：轨迹跟踪公式和路径跟随公式，后者能根据路径误差动态调整执行速度。在实际挖掘机上实时比较了这些控制器的性能，并将其与基于数据驱动前馈控制器的现有方法进行了基准测试。结果表明，路径跟随MPC在特定场景中实现了更好的精度，尤其是在平整任务中。使用黑箱模型表示液压缸促进了足够精确模型的开发，但这种方法需要特别大量的训练数据。未来的工作可能涉及开发针对此应用的基于学习的MPC，这将使得在分级操作执行过程中在线改进模型，从而减少初始建模工作量。