Control system for safe and optimal trajectory execution in robots

Abstract

Este trabajo presenta un marco de control basado en aprendizaje para manipuladores robóticos accionados por torque que operan bajo restricciones físicas. El sistema propuesto se entrena mediante un enfoque innovador que combina conceptos de Optimización Proximal de la Política (PPO) y Redes Generativas Antagónicas (GANs). El comportamiento del controlador se ajusta para imitar trayectorias de referencia generadas por un controlador de modelo predictivo (MPC). La arquitectura está diseñada para manejar restricciones físicas mediante estrategias complementarias que refuerzan la seguridad y la generalización. El sistema se evalúa en un robot planar de dos grados de libertad utilizando restricciones de torque realistas, bajo dos diferentes límites de actuación. El desempeño no se evalúa en términos del promedio y la desviación estándar de los errores de seguimiento de posición y velocidad, el tiempo de inferencia y su variabilidad, y el cumplimiento de las restricciones físicas. Este trabajo demuestra que el controlador propuesto, basado en aprendizaje profundo con conciencia de restricciones, alcanza tiempos de inferencia más de 17 veces más rápidos que la línea base basada en MPC, lo que permite su implementación en tiempo real con recursos computacionales mínimos. Los resultados confirman que la política aprendida es tanto eficiente como robusta, ofreciendo una alternativa viable y competitiva frente a los controladores clásicos basados en modelos, especialmente en aplicaciones que requieren control rápido, seguro y generalizable bajo restricciones del mundo real.

This work presents a learning-based control framework for torque-driven robotic manipulators operating under physical constraints. The proposed system is trained using an innovative approach that combines concepts from Proximal Policy Optimization (PPO) and Generative Adversarial Networks (GANs). The controller’s behavior is shaped to imitate reference trajectories generated by an Model Predictive Controller (MPC). The architecture is designed to handle physical constraints through complementary strategies that enhance safety and generalization. The system is evaluated on a planar two-degree-of-freedom robot using realistic torque constraints, under two different actuation limits. Performance is assessed in terms of the mean and standard deviation of position and velocity tracking errors, inference time and its variability, and compliance with physical constraints. This work demonstrates that the proposed constraint-aware deep learning controller achieves inference times over 17 times faster than the MPC baseline, enabling real-time deployment with minimal computational resources. The results confirm that the learned policy is both efficient and robust, offering a viable and competitive alternative to classical model-based controllers, especially in applications requiring fast, safe, and generalizable control under real-world constraints.