神经PID控制器

学习式非线性控制

在传统PID框架中引入神经网络，实现对机器人系统未知动力学的精确逼近，同时简化了参数整定。

Qinchen, Yang · Zhang, Fukai · 王聪

IEEE/CAA Journal of Automatica Sinica 2024

技术优势

突破传统PID上限

引入神经网络补偿非线性与不确定性，使控制器能力不再受限于传统PID的反馈机制上限。

简化参数整定

只需设定比例系数即可确定PID三个参数，避免了繁琐的试凑过程。

避免重复在线更新

基于稳定控制过程中学到的知识构建学习PID控制器，克服了每次运行都需重新在线更新权值的问题。

应用场景

• 机械臂控制：提高机械臂在未知动力学下的跟踪精度与稳定性，减少调参工作量。
• 具身智能控制：赋予机器人从运行数据中学习动力学知识的能力，提升复杂操作中的控制表现。
• 非线性系统控制：针对非线性与不确定性系统提供稳定的神经PID控制方案，无需精确建模。