A comprehensive data-driven framework for robotic liquid sloshing control: from extensive experimental model validation and enhancement to trajectory optimization

High-speed robotic manipulation efficiency in the pharmaceutical and food industries is severely constrained by liquid sloshing, as the risk of spillage and contamination requires conservative motion profiles to ensure fluid stability. This work presents a data-driven framework for robotic sloshing control, spanning system design, experimental validation, model enhancement and trajectory optimization. To reduce computational costs, an efficient Mass-Spring-Damper (MSD) model is employed, addressing the common lack of extensive experimental validation for such simplified mechanical models. Using a 6-axis industrial manipulator and a custom vision-based setup, a dataset of nearly 10,000 trajectories is collected, including standard industrial motion laws and optimized acceleration profiles. Validation reveals that while the MSD model effectively predicts the general surface profile, it exhibits systematic phase lags, higher damping rates, and peak overestimations during initial oscillations. To address these discrepancies, a Bayesian optimization framework is leveraged to train various deep-learning Recurrent Neural Network (RNN) architectures. While these models successfully compensate for phase lags, experimental validation under high transient accelerations reveal a persistent inability to robustly predict peak sloshing heights. The study also explores feedforward input shaping, which effectively suppresses residual vibrations. In parallel, trajectory optimization via Nonlinear Programming (NLP) is implemented to achieve diverse objectives, such as time-optimal movement, slosh minimization, and mixing maximization. Finally, a hybrid approach applies input shaping to the optimized profiles, merging high-performance motion with robust residual suppression. This comprehensive framework directly addresses the literature’s need for extensive experimental validation. The methodology is highly scalable across container geometries, liquid properties, and manipulator architectures, while remaining suitable for real-time control. Furthermore, large-scale data acquisition provides a systematic method to compensate for non-ideal actuator dynamics and facilitates identifying predictive maintenance needs.

L’efficienza dei processi nei settori farmaceutico e alimentare è fortemente limitata dallo sloshing (oscillazione dei liquidi), poiché i rischi di fuoriuscita e contaminazione impongono profili di moto conservativi per garantire la stabilità del fluido. Questo lavoro presenta un framework data-driven per il controllo dello sloshing, integrando implementazione del sistema, validazione sperimentale, miglioramento dei modelli e ottimizzazione delle traiettorie. Per contenere i costi computazionali, viene impiegato un modello a massa-molla-smorzatore (MSD). Utilizzando un robot a 6 assi e un setup di visione dedicato, è stato raccolto un dataset di quasi 10.000 traiettorie, includendo leggi di moto standard e profili di accelerazione ottimizzati. La validazione rivela che, sebbene il modello MSD predica efficacemente il profilo superficiale generale, manifesta sfasamenti sistematici, uno smorzamento più elevato e una sovrastima dei picchi durante le prime oscillazioni. Per correggere tali discrepanze, sono state addestrate diverse reti neurali tramite ottimizzazione bayesiana. Nonostante la compensazione dei ritardi di fase, un estesa validazione sperimentale sotto leggi di moto aggressive mostra che questi modelli faticano ancora a predire con robustezza i picchi massimi di oscillazione. Inoltre, lo studio indaga l’input shaping per sopprimere le oscillazioni. Parallelamente, viene poi implementata l’ottimizzazione delle traiettorie tramite Nonlinear Programming (NLP) per raggiungere diversi obiettivi: tempo-ottimalità, minimizzazione dello sloshing e massimizzazione della miscelazione. Infine, un approccio ibrido applica l’input shaping ai profili ottimizzati, coniugando alte prestazioni cinematiche e robustezza nella soppressione dei residui. Questo framework risponde alla necessità di un’ampia validazione sperimentale riscontrata in letteratura. La metodologia è altamente scalabile per diverse geometrie, liquidi e manipolatori, rimanendo idonea al controllo con retroazione. Inoltre, l’acquisizione dati su larga scala fornisce un metodo sistematico per compensare le dinamiche non ideali degli attuatori e facilita la manutenzione predittiva.