16、服务机器人容错控制及分布式故障检测与隔离策略

服务机器人容错控制及分布式故障检测与隔离策略

服务机器人容错控制

在服务机器人的控制中，容错控制是一个关键问题。以TIAGo人形机器人的头部子系统为例，对其进行了基于模型的容错控制研究。通过对该系统的故障估计和补偿机制分析发现，补偿机制内的估计动态不够快，导致部分干扰由RUIO承担，进而使得设计问题引入到解决方案中，误差无法收敛到零。

为解决这一问题，评估了一些策略。例如，采用大于1的增益对注入估计进行加权，以实现初始的过度补偿。但这种策略虽改善了结果，却带来了振荡效应，影响了控制方案的稳定性，最终不得不放弃。不过，所采用的方法为最终解决方案提供了初步思路，具有一定的改进空间。未来计划将该方案在实验室的实际系统中实施，并深入研究故障本身的更多信息，如意外碰撞时的接触点等，以及将其集成到完整的自主架构中。

分布式故障检测与隔离策略

随着多机器人系统应用的日益广泛，故障检测与隔离（FDI）策略变得至关重要。在分布式控制架构中，每个机器人仅基于本地传感器和相邻机器人的信息进行决策，缺乏全局信息，这使得FDI策略更具挑战性。

传统的FDI策略中，基于观测器的方法被广泛研究。在单单元系统中，有集中式FDI方案，通过非线性自适应估计器进行故障检测和隔离；也有采用强化学习的容错控制策略。在分布式控制架构中，基于观测器的方法通常通过定义残差信号来检测和隔离故障。例如，针对非线性不确定系统设计的FDI策略，会依赖自适应阈值进行故障检测；对于大规模非线性系统，会采用分解子系统和共识策略；还有采用未知输入观测器的方法等。

然而，目前针对多机械臂系统的分布式FDI方案较少。本文提出了一种通用的分布式框架，允许每个机器人检测和隔离团队中其他机