Iterative Impedance Learning Control with Explainable AI

doi:10.1016/j.ifacol.2025.10.189

2025-11-01

PRE

Mustafa Kutlu *

Shekhar Mahmud

Freeman, Chris

DOI：10.1016/j.ifacol.2025.10.189

原文链接

原文求助

摘要

En 中文

本文介绍了一种创新框架，该框架结合了迭代阻抗学习控制（IILC）与可解释人工智能（XAI），以提升机器人系统的性能和可解释性。所提出的这种方法被应用于弹簧-质量-阻尼系统，这是一种用于描述机器人与顺从环境交互的基础模型。该框架通过整合迭代学习技术与自适应阻抗控制，提高了轨迹跟踪精度和系统适应性。XAI的使用（采用SHAP（Shapley Additive Explanations））能够即时揭示控制参数的影响，增强用户理解与信心。实验结果表明，经过五次学习迭代后，RMSE降低了52%，调节时间减少了37%。可解释性层强调比例增益（Kp）和学习率（L）是关键因素，这与经典控制理论和实验发现一致。版权所有（c）2025 作者。本文为开放获取文章，遵循CC BY-NC-ND许可协议（https://creativecommons.org/licenses/by-nc-nd/4.0/）。

Keyword:

Iterative Learning Control

Impedance Control

Explainable AI