Feedback error learning for adaptive soft robot control

Soft robotics sits at the intersection of various disciplines, including material science, biology, continuum mechanics, and robotics. Soft robots are appealing in a wide vari- ety of tasks thanks to their inherent advantages in safety, compliance, and adaptability. However, accurate modelling and control of soft robots are still significantly challenging. Model-based controllers, relying on physical models, face difficulties in their mathemati- cal description and subsequent computation. A possible solution to the modelling need, lies in the development of pure data-driven controllers. However, they struggle in dealing with changes in the robot dynamics and thus they are based on long and complex offline retraining phases, after every dynamic variation. In this context, this thesis proposes a control scheme implementing an online learning strategy, based on the Feedback Error Learning framework which consists of coupling a model-based with a data-driven controller. The architecture is composed of (i) a feedback controller based on a geometric model of the robot and (ii) a data-driven controller gener- ating a feedforward signal. The feedback controller has two roles. Firstly, it corrects the action of the feedforward controller when the tracking error increases. Secondly, it gen- erates a learning signal to train the data-driven controller, allowing for online adaptation of the feedforward signal with respect to changes in the dynamics of the system. The proposed approach has been validated on a real soft robot, designed to achieve omni- directional movement and fabricated using additive manufacturing. The robot is actuated by compressed air thanks to industrial pneumatic valves and with position measurements given by a camera motion capture system. Experimental results show that the proposed method provides better performance compared to a PID controller when applied to a trajectory following task. Furthermore, the controller is shown to be capable of online adaptation to sudden changes in the dynamics of the soft robot due to a variable payload, overcoming the offline retraining need.

La soft robotics si colloca all’intersezione di varie discipline, tra cui la scienza dei materiali, la biologia, la meccanica dei continui e la robotica. I soft robots sono interessanti per una vasta gamma di compiti grazie ai loro vantaggi intrinseci in termini di sicurezza, flessibilità e adattabilità. Tuttavia, la loro modellazione accurata e il loro controllo rimangono sfide significative. I controllori model-based, dipendendo da modelli fisici, incontrano difficoltà nella loro descrizione matematica e conseguente computazione. Una possibile soluzione al modello analitico risiede nello sviluppo di controllori puramente basati sui dati. Questi, tuttavia, mostrano difficoltà nel gestire cambiamenti nella dinamica del robot e si basano su fasi di retraining offline lunghe e complesse dopo ogni variazione dinamica. In questo contesto, la tesi propone uno schema di controllo che implementa una strategia di apprendimento online, incentrata sul framework Feedback Error Learning, che consiste in una combinazione di controllori basati sia sul modello del robot sia sui dati. L’architettura è composta da (i) un controllore in feedback costruito su un modello geometrico del robot e da (ii) un controllore data-driven che genera un segnale di feedforward. Il controllore in feedback ha due ruoli: corregge l’azione del controllore in feedforward quando l’errore rispetto al riferimento aumenta e genera un segnale di apprendimento per addestrare il controllore basato sui dati. Ciò consente l’adattamento online del segnale di feedforward rispetto ai cambiamenti nella dinamica del sistema. L’approccio proposto è stato validato su un soft robot, progettato per garantire movimenti multidirezionali e fabbricato tramite additive manufacturing. Il robot è azionato da aria compressa grazie a valvole pneumatiche e con misurazioni di posizione fornite da un sis- tema di motion capture con telecamere. I risultati sperimentali mostrano che il metodo proposto fornisce prestazioni migliori rispetto a un controllore PID quando applicato a un compito di tracciamento di traiettorie. Inoltre, il controllore si dimostra in grado di adattarsi online a improvvisi cambiamenti nella dinamica del soft robot, rappresentati negli esperimenti da un carico variabile, superando dunque il bisogno di retraining offline.