Dieser Artikel untersucht das Problem der Positionsregelung des Endeffektors eines mikro-nano frei schwebenden Raumroboters im kartesischen Raum, ohne auf explizite kinematische oder dynamische Modelle zurückzugreifen. Zur Bewältigung dieser Herausforderung wurde eine zweistufige Lernarchitektur entwickelt. Die erste Stufe nutzt ein tiefes neuronales Netzwerk zur Kinematiklernug, das die nichtlineare Abbildung von kartesischen Koordinaten des Endeffektors auf die Gelenkwinkelgeschwindigkeit erfasst und eine Referenzgelenktrajektorie erzeugt. Die zweite Stufe verwendet ein auf dem Koopman-Operator basierendes Netzwerk zur Annäherung eine linearisierte Darstellung der Gelenkdynamik des frei schwebenden Raumroboters. Basierend auf diesem Modell wird ein terminales fraktionales modellprädiktives Steuerungsschema, das den Grünwald–Letnikov-Bruchoperator integriert, vorgeschlagen. Im Vergleich zur herkömmlichen modellprädiktiven Steuerung verbessert es die Online-Steuerungsleistung und verbessert die Geschwindigkeit und Genauigkeit der Nachführung. Simulationsergebnisse bestätigen die Wirksamkeit des vorgeschlagenen Schemas und zeigen, dass bei der Reglerauslegung keine explizite Analyse von Kinematik- und Dynamikmodellen erforderlich ist und eine genaue sowie schnelle Trajektorienverfolgung des Endeffektors allein durch Training mit Ein- und Ausgangstrajektorien erreicht werden kann.

Frei schwebender Raumroboter;tiefes neuronales Netzwerk;modellbasiertes Lernen für die Steuerung;modellprädiktive Steuerung