,%!2.).'Å&%%$ &/27!2$Å#/.

42/,


4(%/29 Å$%3)'.Å!.$Å!00,)#!4)/.3

4HISÅ DISSERTATIONÅ HASÅ BEENÅ COMPLETEDÅ INÅ PARTIALÅ FULFILLMENTÅ OFÅ THEÅ REQUIREMENTSÅ OF
THEÅ$UTCHÅ)NSTITUTEÅOFÅ3YSTEMSÅANDÅ#ONTROLÅ$)3#ÅFORÅGRADUATEÅSTUDY

)3".Å 
0RINTEDÅBYÅ$RUKKERIJÅ4WENTEÅ(ENGELOÅ"6

#OPYRIGHTÅ}ÅÅBYÅ7UBBEÅ*ANÅ2OELFÅ6ELTHUIS
,%!2.).'Å&%%$ &/27!2$Å#/.42/,


4(%/29 Å$%3)'.Å!.$Å!00,)#!4)/.3


02/%&3#(2)&4

TERÅVERKRIJGINGÅVAN
DEÅGRAADÅVANÅDOCTORÅAANÅDEÅ5NIVERSITEITÅ4WENTE
OPÅGEZAGÅVANÅDEÅRECTORÅMAGNIFICUS
PROFÅDRÅ&!ÅVANÅ6UGHT
VOLGENSÅBESLUITÅVANÅHETÅ#OLLEGEÅVOORÅ0ROMOTIES
INÅHETÅOPENBAARÅTEÅVERDEDIGEN
OPÅVRIJDAGÅÅFEBRUARIÅÅTEÅÅUUR

DOOR

7UBBEÅ*ANÅ2OELFÅ6ELTHUIS

GEBORENÅOPÅÅDECEMBERÅ
TEÅ3TADSKANAAL
$ITÅPROEFSCHRIFTÅISÅGOEDGEKEURDÅDOOR
PROFÅDRÅIRÅ*ÅVANÅ!MERONGEN ÅPROMOTOR
DRÅIRÅ4*!ÅDEÅ6RIES ÅASSISTENT PROMOTOR
ÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅ6OORÅ&EMKEÅENÅ*OB
4ABLEÅOFÅ#ONTENTS

6OORWOORD XI

 )NTRODUCTION 
Å7HYÅ,EARNINGÅ#ONTROL  
Å7HATÅISÅ,EARNINGÅ#ONTROL  
Å&EEDBACKÅ%RRORÅ,EARNING  
Å,EARNINGÅ&EED &ORWARDÅ#ONTROL 
Å)LLUSTRATIVEÅ!PPLICATIONÅAÅ,INEARÅ-OTORÅ-OTIONÅ3YSTEM
Å/UTLINEÅOFÅTHEÅ4HESIS 

 2EPETITIVEÅ-OTIONS 
Å)NTRODUCTION 
Å)TERATIVEÅ,EARNINGÅ#ONTROL 
Å/RIGINALÅ),#Å3CHEME 
Å#URRENTÅ#YCLEÅ&EEDBACK
Å2OBUSTNESSÅ-EASURES
Å$ESIGNÅ0ROCEDURES 
Å%XTENSIONÅOFÅTHEÅ&IELDÅOFÅ!PPLICATION
Å2EPETITIVEÅ#ONTROL 
Å,&&#ÅFORÅ2EPETITIVEÅ-OTIONS 
Å3TABILITYÅ!NALYSISÅOFÅ4IME )NDEXEDÅ,&&#
Å!SSUMPTIONS 
Å" 3PLINEÅ7IDTH

VII
VIII 4ABLEÅOFÅ#ONTENTS

Å,EARNINGÅ2ATE
Å3IMULATIONS 
Å-ASSÅ3PRINGÅ-ASSÅ0LANT 
Å,I--3 
Å$ISCUSSION 

 .ON 2EPETITIVEÅ-OTIONSÅ)NPUTÅ3ELECTIONÅANDÅ#ONVERGENCE 
Å)NTRODUCTION 
Å)NPUTÅ3ELECTION
Å%XAMPLEÅÅ,I--3 
Å%XAMPLEÅÅ-3-Å0LANT
Å3TABILITYÅ)SSUES
Å3TABILITYÅ-EASURES 
Å2EGULARISATION
Å2EGULARISATIONÅINÅ,&&#
Å3IMULATIONS
Å$ISCUSSION 

 .ON 2EPETITIVEÅ-OTIONSÅ0ARSIMONIOUSÅ,&&# 
Å)NTRODUCTION 
Å#URSEÅOFÅ$IMENSIONALITYÅINÅ,&&#
Å)LLUSTRATIVEÅ%XAMPLEÅ2IGIDÅ2OBOTÅ-ANIPULATOR 
Å#URSEÅOFÅ$IMENSIONALITY 
Å0ARSIMONIOUSÅ,&&#
Å2ELATIONSÅWITHÅ.EURO &UZZYÅ-ODELLING 
Å!./6!ÅBASEDÅ,&&# 
Å0ARSIMONYÅBYÅ-EANSÅOFÅ0RIORÅ+NOWLEDGE 
Å0ARSIMONYÅBYÅ)TERATIVEÅ%MPIRICALÅ-ODELLING
Å%MPIRICALÅ-ODELLINGÅ!3-/$
Å%MPIRICALÅ-ODELLINGÅ&UZZYÅ0RODUCTÅ3PACEÅ#LUSTERING 
Å4RAININGÅTHEÅ0ARSIMONIOUSÅ,&&#
Å$ISCUSSION 

Å$ESIGNÅÅ!PPLICATIONS 
Å)NTRODUCTION 
Å,I--3
Å3ET UP 
 IX

Å$ESIGNÅ0ROCEDUREÅFORÅAÅ4IME )NDEXEDÅ,&&# 

Å6ALIDATIONÅ%XPERIMENTSÅOFÅTHEÅ4IME )NDEXEDÅ,&&#
Å$ESIGNÅOFÅAÅ0ARSIMONIOUSÅ,&&# 
Å%VALUATIONÅ%XPERIMENTS 
Å$ISCUSSION
Å#ONTROLÅ,OADINGÅ3YSTEM 
Å)NTRODUCTION 
Å-OTIVATIONÅFORÅ,&&#
Å$ESIGNÅ0ROCEDUREÅFORÅAÅ0ARSIMONIOUSÅ,&&# 
Å%VALUATIONÅ%XPERIMENTS 
Å$ISCUSSION

Å$ISCUSSION 
Å2EVIEW 
Å#ONCLUSIONS 

!Å.EURALÅ.ETWORKSÅÅ&UZZYÅ,OGIC 
!Å-ULTIÅ,AYERÅ0ERCEPTRONÅ.EURALÅ.ETWORK 
!Å.EURONS 
!Å-,0Å.ETWORK
!Å4RAININGÅTHEÅ-,0Å.EURALÅ.ETWORK 
!Å" SPLINEÅ.ETWORK 
!Å" SPLINES 
!Å" SPLINEÅ.ETWORK 
!Å4RAININGÅTHEÅ"3. 
!Å&UZZYÅ,OGIC
!Å)NTRODUCTION
!Å&UZZYÅ3ETS 
!Å/PERATIONSÅONÅ&UZZYÅ3ETS
!Å-AMDANIÅ&UZZYÅ#ONTROLLER
!Å4AKAGI 3UGENOÅ&UZZYÅ#ONTROLLER 

2EFERENCES 

3UMMARY 

3AMENVATTING 
X 4ABLEÅOFÅ#ONTENTS
6OORWOORD

%ENÅPROMOTIEÅISÅALSÅEENÅPUZZELÅ$OORÅDEÅHULPÅVANÅ ANDERENÅ KOMÅ JEÅ TOTÅ OPLOSSINGEN

DIEÅJEÅINÅJEÅEENTJEÅNIETÅGEVONDENÅZOUÅHEBBENÅ!LLENÅDIEÅGEHOLPENÅHEBBENÅMIJNÅPUZZEL
OPÅTEÅLOSSENÅWILÅIKÅDAARVOORÅDANKEN

*EÅ NAASTEÅ COLLEGASÅ BEPALENÅ INÅ GROTEÅ MATEÅ HETÅ PLEZIERÅ DATÅ JEÅ HEBTÅ INÅ JEÅ WERKÅ %RIK
METÅJOUÅHADÅIKÅMIJÅGEENÅBETEREÅCOLLEGAÅKUNNENÅWENSEN
.AASTÅ LEUKEÅ COLLEGAS Å ISÅ EENÅ BEGELEIDERÅ BIJÅ WIEÅ JEÅ ELKÅ OGENBLIKÅ VANÅ DEÅ DAGÅ KUNT
AANKLOPPENÅVOORÅRAAD ű±NÅVANÅDEÅMEESTÅBELANGRIJKEÅZAKENÅVOORÅEENÅ!)/Å4HEO ÅJE
WASÅERÅALTIJDÅENÅIKÅHEBÅJEÅHULPÅALSÅERGÅWAARDEVOLÅERVARENÅ*IJÅHEBTÅMEÅGELEERDÅDAT
EENÅOPGERUIMDEÅKAMERÅJEÅWERKÅTENÅGOEDEÅKOMTÅ)KÅHOOPÅDATÅWEÅONZEÅSAMENWERKING
INÅDEÅTOEKOMSTÅKUNNENÅVOORTZETTEN
6OORÅ ZIJNÅ GOEDEÅ AANWIJZINGENÅ VOORÅ HETÅ SCHRIJVENÅ VANÅ DITÅ PROEFSCHRIFTÅ WILÅ IKÅ GRAAG
*OBÅBEDANKEN

:ONDERÅ DEÅ BIJDRAGENÅ VANÅ DEÅ VOLGENDEÅ STUDENTENÅ ZOUÅ DITÅ ONDERZOEKÅ ERÅ ANDERSÅ UIT
HEBBENÅ GEZIENÅ "AS Å $OUWE Å *AAP Å *ACQUES Å +OEN Å ,ARS Å ,EVI Å -ENNO Å 0ATRICK
0IETER Å2ENE Å2OY Å4OMÅENÅ4OON ÅBEDANKT

$ITÅ ONDERZOEKÅ WERDÅ MEDEÅ MOGELIJKÅ GEMAAKTÅ DOORÅ DEÅ VOLGENDEÅ BEDRIJVENÅ 0HILIPS
#&4 Å&OKKERÅ#ONTROLÅ3YSTEMSÅENÅ.EFIT &ASTOÅ(UNÅHULPÅENÅUITDAGINGENÅHEBÅIKÅZEER
OPÅPRIJSÅGESTELD

7ERKÅISÅMEERÅDANÅWERKÅALLEENÅ$EÅGEZELLIGHEIDÅENÅDEÅONDERSTEUNINGÅVANÅALLEÅOUD
MEDEWERKERSÅ VANÅ HETÅ LABÅ ENÅ #,0Å HEBBENÅ DEÅ AFGELOPENÅ Å JAARÅ TOTÅ EENÅ ERGÅ LEUKE
PERIODEÅGEMAAKT

!LSÅ LAATSTEÅ BEDANKÅ IKÅ MIJNÅ OUDERS Å SCHOONOUDERSÅ ENÅ BOVENALÅ &EMKEÅ ENÅ MIJNÅ EIGEN
*OB

7UBBEÅ*AN

XI
XII 6OORWOORD
 )NTRODUCTION

 7HYÅ,EARNINGÅ#ONTROL

/NEÅ OFÅ THEÅ COMPETITIVEÅ TOOLSÅ MANUFACTURERSÅ HAVEÅ ATÅ THEIRÅ DISPOSALÅ ISÅ THEÅ PRODUCT
PERFORMANCEÅ;$IBBÅETÅAL Å=Å%SPECIALLYÅINÅMARKETSÅINVOLVINGÅHIGH TECHÅPRODUCTS
ITÅISÅOFÅVITALÅIMPORTANCEÅTOÅMANUFACTUREÅPRODUCTSÅTHATÅHAVEÅAÅSUPERIORÅPERFORMANCE
4HISÅISÅALSOÅOBSERVEDÅINÅTHEÅMARKETÅFORÅPRODUCTSÅWEÅWILLÅCONSIDERÅINÅTHISÅTHESIS ÅIE
ELECTRO MECHANICALÅ MOTIONÅ SYSTEMSÅ &ROMÅ AÅ MECHATRONICÅ POINTÅ OFÅ VIEW Å THE
PERFORMANCEÅ OFÅ ELECTRO MECHANICALÅ MOTIONÅ SYSTEMSÅ CANÅ BEÅ IMPROVEDÅ BYÅ CHANGING
THEÅ MECHANICALÅ DESIGNÅ ANDORÅ THEÅ CONTROLLERÅ #ONSIDER Å FORÅ EXAMPLE Å ROBOT
MANIPULATORS ÅWHEREÅTHEÅMOTIONÅACCURACYÅDEPENDSÅONÅTHEÅSTIFFNESSÅANDÅTHEÅINERTIAÅOF
THEÅ SYSTEMÅ )FÅ THEÅ MANIPULATORÅ FAILSÅ TOÅ MEETÅ SPECIFICATIONS Å ITSÅ STIFFNESSÅ CANÅ BE
INCREASEDÅORÅITjSÅINERTIAÅCANÅBEÅREDUCEDÅBYÅCHANGINGÅTHEÅMECHANICALÅSTRUCTUREÅORÅBY
APPLICATIONÅOFÅNEWÅMATERIALSÅ#HANGINGÅTHEÅCONTROLLERÅCANÅBEÅDONEÅBYÅEITHERÅTUNING
THEÅ PARAMETERSÅ OFÅ THEÅ EXISTINGÅ CONTROLLERÅ ORÅ BYÅ DESIGNINGÅ AÅ NEWÅ ONEÅ 3INCEÅ AN
IMPROVEDÅ CONTROLLERÅ MERELYÅ REQUIRESÅ SOFTWAREÅ CHANGESÅ ANDÅ INÅ SOMEÅ SITUATIONS
ADDITIONÅ OFÅ SENSORS Å THISÅ MEASUREÅ ISÅ RELATIVELYÅ EASYÅ TOÅ IMPLEMENT Å COMPAREDÅ TO
STRUCTURALÅADAPTATIONSÅ)NÅTHISÅTHESISÅWEÅWILLÅFOCUSÅONÅINCREASINGÅTHEÅPERFORMANCEÅBY
MEANSÅOFÅCONTROL

4HEÅ DESIGNÅ OFÅ AÅ CONTROLLERÅ ISÅ GENERALLYÅ BASEDÅ ONÅ AÅ MODELÅ OFÅ THEÅ PLANTÅ !Å MORE
ACCURATEÅ MODELÅ OFÅ THEÅ PLANTÅ WILLÅ RESULTÅ INÅ AÅ CONTROLLERÅ WITHÅ AÅ BETTERÅ PERFORMANCE
7HENÅMODELLINGÅAÅPLANT ÅTHEÅFOLLOWINGÅPROBLEMSÅCANÅBEÅENCOUNTEREDÅ ;(ARRISÅETÅAL
=


 )NTRODUCTION

 4HEÅSYSTEMÅISÅTOOÅCOMPLEXÅTOÅUNDERSTANDÅORÅTOÅREPRESENTÅINÅAÅSIMPLEÅWAY
 4HEÅ MODELÅ ISÅ DIFFICULTÅ ORÅ EXPENSIVEÅ TOÅ EVALUATEÅ 4HEÅ CHARACTERISTICSÅ OFÅ SOME
NON LINEAR ÅEFFECTSÅMAYÅBEÅHARDÅTOÅOBTAIN ÅEGÅFRICTION
 4HEÅ PLANTÅ MAYÅ BEÅ SUBJECTÅ TOÅ LARGEÅ ENVIRONMENTALÅ DISTURBANCES Å WHICHÅ ARE
DIFFICULTÅTOÅPREDICT
 4HEÅPLANTÅPARAMETERSÅMAYÅBEÅTIME VARYING

!DAPTIVEÅ CONTROLÅ ;!MERONGEN Å Å ‘STR½MÅ ANDÅ 7ITTENMARK Å Å -AREELSÅ AND
0OLDERMAN Å=ÅCANÅOFFERÅAÅSOLUTIONÅWHENÅTHEÅSTRUCTUREÅOFÅTHEÅMODELÅOFÅTHEÅ PLANT
DYNAMICSÅANDÅTHEÅDISTURBANCESÅTHATÅACTÅONÅITÅISÅAVAILABLE ÅBUTÅTHEÅVALUESÅOFÅSOMEÅ OF
THEÅ PARAMETERSÅ CANNOTÅ BEÅ DETERMINEDÅ ;,ANDAU Å =Å 7HENÅ THEÅ MODELÅ ISÅ NOT
AVAILABLEÅORÅWHENÅMANYÅPARAMETERSÅCANNOTÅBEÅDETERMINED ÅLEARNINGÅCONTROLÅMAYÅBE
CONSIDERED

 7HATÅISÅ,EARNINGÅ#ONTROL

,EARNINGÅ CONTROLLERSÅ AREÅ OFTENÅ PICTUREDÅ ASÅ AÅ CLOSEÅ REPRESENTATIONÅ OFÅ THEÅ HUMAN
CONTROLÅ SYSTEMÅ ANDÅ THUSÅ WOULDÅ POSSESSÅ HUMANÅ LIKEÅ PROPERTIESÅ )NÅ THISÅ THESISÅ WE
DONjTÅSTUDYÅLEARNINGÅCONTROLLERSÅFROMÅTHISÅBIOLOGICALÅPOINTÅOFÅVIEW ÅBUTÅRATHERÅADOPT
THEÅFOLLOWINGÅDEFINITION

$EFINITIONÅ Å ,EARNINGÅ CONTROLLER Å !Å LEARNINGÅ CONTROLLERÅ ISÅ AÅ CONTROLÅ SYSTEMÅ THAT
COMPRISESÅ AÅ FUNCTIONÅ APPROXIMATORÅ OFÅ WHICHÅ THEÅ INPUT OUTPUTÅ MAPPINGÅ ISÅ ADAPTED
DURINGÅ CONTROL Å INÅ SUCHÅ WAYÅ THATÅ AÅ DESIREDÅ BEHAVIOURÅ OFÅ THEÅ CONTROLLEDÅ SYSTEMÅ IS
OBTAINED

$EFINITIONÅÅ&UNCTIONÅAPPROXIMATOR Å!ÅFUNCTIONÅAPPROXIMATORÅISÅANÅINPUT OUTPUT

MAPPINGÅDETERMINEDÅBYÅAÅSELECTEDÅFUNCTIONÅ&¸ W ÅOFÅWHICHÅTHEÅPARAMETERÅVECTORÅW
ISÅCHOSENÅSUCHÅTHATÅAÅFUNCTIONÅF¸ ÅISÅkBESTlÅAPPROXIMATED

2EMARKÅÅ,EARNINGÅANDÅADAPTIVEÅCONTROL Å)NÅTHISÅSENSE ÅADAPTIVEÅCONTROLÅCANÅBE

VIEWEDÅASÅAÅFORMÅOFÅLEARNINGÅCONTROLÅINÅWHICHÅAÅFUNCTIONÅAPPROXIMATORÅISÅUSEDÅTHAT
CANÅ ONLYÅ APPROXIMATEÅ AÅ LIMITEDÅ CLASSÅ OFÅ TARGETÅ FUNCTIONSÅ )NÅ GENERAL Å AÅ LEARNING
CONTROLLERÅ WILLÅ CONTAINÅ AÅ FUNCTIONÅ APPROXIMATORÅ FORÅ AÅ MUCHÅ RICHERÅ CLASSÅ OFÅ TARGET
FUNCTIONS

!Å WIDEÅ VARIETYÅ OFÅ FUNCTIONÅ APPROXIMATORSÅ CANÅ BEÅ USED Å SUCHÅ ASÅ NEURALÅ NETWORKS
;(ERTZÅ ETÅ AL Å Å (AYKIN Å Å 6EELENTURF Å =Å NEURO FUZZYÅ NETWORKSÅ ALSO
KNOWNÅASÅADAPTIVEÅFUZZYÅLOGICÅCONTROLLERS Å ;"ROWNÅANDÅ(ARRIS ÅÅ*ANGÅANDÅ3UN
Å7HATÅISÅ,EARNINGÅ#ONTROL 

= Å LOOK UPÅ TABLESÅ ;-OORE Å = Å ETCÅ 2OUGHLYÅ SPEAKING Å THEÅ FUNCTION
APPROXIMATORÅCANÅBEÅUSEDÅINÅTWOÅWAYSÅ &IRSTLY ÅTHEÅFUNCTIONÅAPPROXIMATORÅCANÅBE
USEDÅTOÅGENERATEÅPARTÅOF ÅTHEÅCONTROLÅSIGNALÅ,EARNINGÅTAKESÅPLACEÅBYÅADAPTINGÅTHE
PARAMETERÅVECTORÅOFÅTHEÅFUNCTIONÅAPPROXIMATORÅINÅSUCHÅWAYÅTHATÅSOMEÅCOSTÅFUNCTION
CONTAININGÅTHEÅCONTROLÅERRORÅISÅMINIMISEDÅ4HISÅISÅKNOWNÅASÅDIRECTÅLEARNINGÅCONTROL
;.G Å=Å3ECONDLY ÅTHEÅFUNCTIONÅAPPROXIMATORÅCANÅBEÅUSEDÅTOÅLEARNÅAÅMODELÅOFÅTHE
PLANTÅ UNDERÅ CONTROL Å WHICHÅ ISÅ ADAPTEDÅ SUCHÅ ASÅ TOÅ MINIMISEÅ AÅ COSTÅ FUNCTIONÅ OFÅ THE
PREDICTIONÅERRORÅ/NÅTHEÅBASISÅOFÅTHEÅLEARNEDÅMODEL ÅAÅCONTROLLERÅISÅDERIVEDÅ4HISÅIS
KNOWNÅASÅINDIRECTÅLEARNINGÅCONTROLÅ;.G Å=

&ROMÅTHEÅTIMEÅTHATÅ THEÅ FIRSTÅ LEARNINGÅ CONTROLLERÅ WASÅ DEVELOPEDÅ INÅ Å UNTILÅ NOW
THEÅ FIELDÅ OFÅ LEARNINGÅ CONTROLÅ HASÅ GROWNÅ TREMENDOUSLYÅ -ANYÅ DIFFERENTÅ CONTROLLER
STRUCTURESÅ HAVEÅ BEENÅ PROPOSEDÅ ANDÅ THEIRÅ PROPERTIES Å SUCHÅ ASÅ STABILITYÅ AND
CONVERGENCEÅ RATE Å HAVEÅ BEENÅ ANALYSEDÅ BOTHÅ INÅ PRACTICEÅ ANDÅ INÅ THEORYÅ &ORÅ AN
OVERVIEWÅOFÅTHEÅFIELDÅOFÅLEARNINGÅCONTROLÅWEÅREFERÅTOÅ ;(UNTÅETÅAL ÅÅ0RABHUÅAND
'RAG Å Å !GARWAL Å Å .G Å =Å (OWEVER Å INÅ SPITEÅ OFÅ ALLÅ RESEARCH Å ONLYÅ FEW
LEARNINGÅCONTROLLERSÅHAVEÅBEENÅAPPLIEDÅINÅCOMMERCIALÅPRODUCTSÅ0OSSIBLEÅREASONSÅARE
;,ONGMAN Å=

 0ROOFÅ OFÅ STABILITYÅ ISÅ OVERRATEDÅ !Å LARGEÅ PARTÅ OFÅ THEÅ THEORETICALÅ RESEARCHÅ ON
LEARNINGÅ CONTROLLERSÅ ISÅ FOCUSEDÅ ONÅ STABILITYÅ (OWEVER Å AÅ STABLEÅ LEARNING
CONTROLLERÅ DOESÅ NOTÅ NECESSARILYÅ YIELDÅ AÅ GOODÅ LEARNINGÅ TRANSIENTÅ RESPONSEÅ )N
;,ONGMAN Å =Å THEÅ BEHAVIOURÅ OFÅ AÅ LEARNINGÅ CONTROLLERÅ FORÅ AÅ ROBOTÅ WAS
OBSERVEDÅ BYÅ MEANSÅ OFÅ SIMULATIONSÅ !FTERÅ PERFORMINGÅ AÅ SPECIFICÅ MOTIONÅ 
TIMES Å THEÅ TRACKINGÅ ERRORÅ HADÅ DECREASEDÅ BYÅ AÅ FACTORÅ Å 7HENÅ LEARNING
CONTINUED ÅTHEÅTRACKINGÅERRORÅGREWÅBYÅAÅFACTORÅ ÅATÅÅREPETITIONSÅAND
FINALLYÅ DECREASEDÅ TOÅ AÅ FACTORÅ  Å ATÅ Å REPETITIONSÅ 3O Å INÅ SPITEÅ OFÅ THE
FACTÅTHATÅFINALLYÅAÅSMALLÅTRACKINGÅERRORÅWASÅOBTAINED ÅTHISÅLEARNINGÅCONTROLLER
HASÅNOÅPRACTICALÅVALUEÅBECAUSEÅOFÅTHEÅVERYÅLARGEÅTRACKINGÅERRORÅINÅBETWEEN
 !Å ZEROÅ TRACKINGÅ ERRORÅ SHOULDÅ NOTÅ BEÅ DESIREDÅ 3OMEÅ LEARNINGÅ CONTROLLERS
ATTEMPTÅTOÅOBTAINÅAÅZEROÅTRACKINGÅERRORÅ(OWEVER ÅTHISÅREQUIRESÅLARGEÅCONTROL
SIGNALSÅ ATÅ FREQUENCIESÅ ABOVEÅ THEÅ SYSTEMÅ BANDWIDTH Å WHICHÅ MAYÅ BEÅ HARMFUL
FORÅTHEÅACTUATORSÅANDÅISÅGENERALLYÅUNDESIRABLE
 7RONGÅTYPEÅOFÅFUNCTIONÅAPPROXIMATORÅ)NÅTHEÅMAJORITYÅOFÅLEARNINGÅCONTROLLERS
THEÅ FUNCTIONÅ APPROXIMATORÅ ISÅ IMPLEMENTEDÅ ASÅ AÅ -ULTIÅ ,AYERÅ 0ERCEPTRON
-,0 Å NEURALÅ NETWORKÅ ;0OGGIOÅ ANDÅ 'IROSI Å =Å SEEÅ APPENDIXÅ ! Å !SÅ WE
WILLÅ DISCUSSÅ LATER Å THISÅ TYPEÅ OFÅ NEURALÅ NETWORKÅ ISÅ NOTÅ ESPECIALLYÅ SUITEDÅ FOR
CONTROL

"ASEDÅ ONÅ THESEÅ CONSIDERATIONSÅ WEÅ CANÅ FORMULATEÅ THEÅ FOLLOWINGÅ PROPERTIESÅ THATÅ A
LEARNINGÅCONTROLLERÅSHOULDÅPOSSESSÅINÅORDERÅTOÅBECOMEÅCOMMERCIALLYÅINTERESTING
 )NTRODUCTION

 %ASYÅTOÅUSEÅINÅANÅEXISTINGÅCONTROLÅSYSTEMÅ4HISÅMEANSÅTHAT ÅASÅLONGÅASÅTHERE
ISÅAÅGOODÅLEARNINGÅTRANSIENTÅRESPONSE ÅAÅMINIMUMÅPERFORMANCEÅISÅGUARANTEED
IEÅ THATÅ OFÅ THEÅ EXISTINGÅ CONTROLLERÅ %VENÅ DURINGÅ TRAININGÅ THEÅ PLANTÅ CANÅ BE
KEPTÅINÅOPERATION ÅNOTÅRESULTINGÅINÅLOSSÅOFÅPRODUCTION
 !BILITYÅ TOÅ MAKEÅ USEÅ OFÅ AÅ PRIORIÅ KNOWLEDGEÅ OFÅ THEÅ PLANTÅ 'ENERALLY Å DESIGNERS
ANDORÅ OPERATORSÅ HAVEÅ SOMEÅ KNOWLEDGEÅ OFÅ THEÅ PLANT Å EGÅ INÅ THEÅ FORMÅ OFÅ A
SIMPLE ÅMATHEMATICALÅMODELÅINÅTERMSÅOFÅEQUATIONS ÅAÅ"ODEÅPLOTÅOFÅTHEÅPLANT
ORÅ AÅ LINGUISTICÅ DESCRIPTIONÅ OFÅ THEÅ PLANTÅ BEHAVIOURÅ 4HEÅ LEARNINGÅ CONTROLLER
SHOULDÅ ALLOWÅ THISÅ TYPEÅ OFÅ KNOWLEDGEÅ TOÅ BEÅ INCORPORATEDÅ INÅ THEÅ CONTROLLER
DESIGN Å INÅ ORDERÅ TOÅ CHOOSEÅ SENSIBLEÅ CONTROLLERÅ PARAMETERSÅ ANDÅ TOÅ SPEEDÅ UP
LEARNING
 4HEÅFUNCTIONÅAPPROXIMATORÅSHOULDÅBEÅSUITEDÅFORÅCONTROLÅ4HISÅMEANSÅTHAT
 4HEÅMEMORYÅSPACEÅTHATÅISÅNEEDEDÅFORÅIMPLEMENTATIONÅSHOULDÅBEÅSMALLÅ)N
PRACTICE Å THEÅ CONTROLLERÅ ISÅ IMPLEMENTEDÅ INÅ SOFTWAREÅ ONÅ ANÅ EMBEDDED
COMPUTERÅ 4HEÅ AMOUNTÅ OFÅ MEMORYÅ ISÅ LIMITEDÅ 4HEREFORE Å THEÅ NUMBERÅ OF
PARAMETERSÅ THEÅ FUNCTIONÅ APPROXIMATORÅ REQUIRESÅ TOÅ APPROXIMATEÅ THE
CONTROLÅSIGNALÅMAYÅNOTÅBEÅTOOÅLARGE
 #ALCULATIONÅOFÅTHEÅOUTPUTÅOFÅTHEÅFUNCTIONÅAPPROXIMATORÅANDÅADAPTATIONÅOF
THEÅ INPUT OUTPUTÅ RELATIONÅ MUSTÅ BEÅ DONEÅ FASTÅ )NÅ AÅ REAL TIMEÅ ENVIRONMENT
WITHINÅONEÅSAMPLEÅINTERVAL ÅTHEÅPARAMETERSÅOFÅTHEÅFUNCTIONÅAPPROXIMATOR
AREÅ ADAPTEDÅ ANDÅ THEÅ OUTPUTÅ ISÅ CALCULATEDÅ -ANYÅ ELECTRO MECHANICAL
MOTIONÅ SYSTEMSÅ REQUIREÅ AÅ SMALLÅ SAMPLEÅ TIME Å LEAVINGÅ LITTLEÅ TIMEÅ FOR
CALCULATIONSÅ &UNCTIONÅ APPROXIMATORSÅ THATÅ INVOLVEÅ AÅ LARGEÅ NUMBERÅ OF
COMPLEXÅCALCULATIONSÅAREÅTHEREFOREÅNOTÅSUITEDÅFORÅCONTROL
 4HEÅ LEARNINGÅ MECHANISMÅ SHOULDÅ CONVERGEÅ FASTÅ )NÅ ORDERÅ TOÅ KEEPÅ THE
AMOUNTÅOFÅTIME ÅINÅWHICHÅTHEÅPERFORMANCEÅOFÅTHEÅCONTROLLEDÅSYSTEMÅISÅSUB
OPTIMAL ÅTOÅAÅMINIMUM ÅTHEÅLEARNINGÅMECHANISMÅSHOULDÅCONVERGEÅFAST
 4HEÅ LEARNINGÅ MECHANISMÅ SHOULDÅ NOTÅ SUFFERÅ FROMÅ LOCALÅ MINIMAÅ 7HEN
TRAPPEDÅ INÅ AÅ LOCALÅ MINIMUM Å THEÅ LEARNINGÅ MECHANISMÅ ASSUMESÅ THATÅ THE
OBTAINEDÅVALUESÅOFÅTHEÅPARAMETERSÅOFÅTHEÅFUNCTIONÅAPPROXIMATOR ÅDENOTED
BYÅWLOC ÅYIELDÅAÅMINIMUMÅAPPROXIMATIONÅERROR ÅDENOTEDÅBYÅ%WLOC Å4HISÅIN
SPITEÅ OFÅ THEÅ FACTÅ THATÅ AÅ WGLOBvWLOCÅ EXISTS Å FORÅ WHICHÅ %WLOC %WGLOB Å )N
FIGUREÅÅAÅ DIMENSIONALÅEXAMPLEÅOFÅSUCHÅAÅPHENOMENONÅISÅPRESENTEDÅ)N
THEÅ LOCALÅ MINIMUM Å WWLOC Å THEÅ GRADIENTÅ OFÅ THEÅ APPROXIMATIONÅ ERRORÅ IS
EQUALÅ TOÅ ZEROÅ ,EARNINGÅ MECHANISMSÅ THATÅ ONLYÅ USEÅ THEÅ GRADIENTÅ OFÅ THE
APPROXIMATIONÅERRORÅAREÅUNABLEÅTOÅESCAPEÅFROMÅTHEÅLOCALÅMINIMUM
Å7HATÅISÅ,EARNINGÅ#ONTROL 

LOCALÅMINIMUM
%W

GLOBALÅMINIMUM

W LOC WGLOB 7

&IGUREÅ ,OCALÅMINIMUMÅINÅTHEÅLEARNINGÅMECHANISM

7HENÅ THEÅ LEARNINGÅ MECHANISMÅ EASILYÅ TRAPSÅ INÅ AÅ LOCALÅ MINIMUM Å ITÅ IS
DIFFICULTÅ TOÅ TRAINÅ THEÅ LEARNINGÅ CONTROLLERÅ SUCHÅ THATÅ AÅ HIGHÅ PERFORMANCEÅ IS
OBTAINED
 4HEÅ INPUT OUTPUTÅ RELATIONÅ MUSTÅ BEÅ LOCALLYÅ ADAPTABLEÅ )NÅ SOMEÅ FUNCTION
APPROXIMATORS ÅTHEÅINPUT OUTPUTÅRELATIONÅISÅADAPTEDÅGLOBALLYÅ4HISÅMEANS
THAT ÅIFÅTHEÅVALUEÅOFÅONEÅOFÅTHEÅPARAMETERSÅOFÅTHEÅFUNCTIONÅAPPROXIMATORÅIS
ADAPTED Å THEÅ INPUT OUTPUTÅ RELATIONÅ OVERÅ THEÅ ENTIREÅ INPUTÅ DOMAINÅ IS
CHANGEDÅ#ONSIDERÅAÅLEARNINGÅCONTROLLERÅTHATÅHASÅBEENÅTRAINEDÅTOÅPERFORM
SEVERALÅMOTIONSÅ7HENÅTHEÅLEARNINGÅCONTROLLERÅISÅTRAINEDÅTOÅPERFORMÅAÅNEW
MOTION Å THISÅ INVOLVESÅ ADAPTINGÅ THEÅ PARAMETERSÅ OFÅ THEÅ FUNCTION
APPROXIMATORÅ"ECAUSEÅTHEÅINPUT OUTPUTÅRELATIONÅISÅADAPTEDÅGLOBALLY ÅTHE
PREVIOUSLYÅLEARNEDÅCONTROLÅSIGNALSÅAREÅCHANGED ÅWHICHÅMAYÅCAUSEÅAÅLOSSÅOF
PERFORMANCEÅ4HEREFORE ÅITÅISÅDESIRABLEÅTHATÅTHEÅINPUT OUTPUTÅRELATIONÅOFÅA
FUNCTIONÅAPPROXIMATORÅCANÅBEÅADAPTEDÅLOCALLYÅ)NÅTHISÅCASE ÅLEARNINGÅAÅNEW
MOTIONÅWILLÅNOTÅCHANGEÅTHEÅPREVIOUSLYÅLEARNEDÅCONTROLÅSIGNALS
 4HEÅFUNCTIONÅAPPROXIMATORÅSHOULDÅPOSSESSÅAÅGOODÅGENERALISINGÅABILITYÅ4HE
GENERALISINGÅABILITYÅISÅTHEÅABILITYÅTOÅPRODUCEÅAÅSENSIBLEÅOUTPUTÅFORÅANÅINPUT
THATÅHASÅNOTÅBEENÅPRESENTEDÅDURINGÅTRAININGÅBUTÅTHATÅISÅSIMILARÅTOÅTRAINING
EXAMPLESÅ 7HENÅ THEÅ FUNCTIONÅ APPROXIMATORÅ HASÅ AÅ GOODÅ GENERALISING
ABILITY Å THEÅ LEARNINGÅ CONTROLLERÅ WILLÅ ALSOÅ OBTAINÅ AÅ HIGHÅ TRACKING
PERFORMANCEÅFORÅMOTIONSÅTHATÅAREÅ SIMILARÅTOÅTHEÅ TRAINEDÅMOTIONSÅ)TÅTHUS
SUFFICESÅ TOÅ TRAINÅ THEÅ LEARNINGÅ CONTROLLERÅ WITHÅ AÅ SMALLÅ NUMBERÅ OF
CHARACTERISTICÅ TRAININGÅ MOTIONSÅ 7HENÅ THEÅ FUNCTIONÅ APPROXIMATORÅ HASÅ A
POORÅGENERALISINGÅABILITY ÅTHEÅLEARNINGÅCONTROLLERÅMUSTÅBEÅTRAINEDÅFORÅEACH
MOTIONÅOFÅINTEREST ÅYIELDINGÅANÅEXTENSIVEÅTRAININGÅPROCEDURE
 4HEÅ SMOOTHNESSÅ OFÅ THEÅ APPROXIMATIONÅ SHOULDÅ BEÅ CONTROLLABLEÅ !SÅ ARGUED
BEFORE Å THEÅ LEARNINGÅ CONTROLLERÅ SHOULDÅ ONLYÅ TRYÅ TOÅ OBTAINÅ AÅ ZEROÅ TRACKING
ERRORÅ UPÅ TOÅ SOMEÅ FREQUENCY Å SINCEÅ HIGH FREQUENCYÅ CONTROLÅ SIGNALSÅ ARE
UNDESIRABLEÅ4HEÅUSERÅMUSTÅBEÅABLEÅTOÅDETERMINEÅTHEÅMAXIMUMÅFREQUENCY
OFÅTHEÅOUTPUTÅOFÅTHEÅFUNCTIONÅAPPROXIMATOR
 'OODÅ LEARNINGÅ TRANSIENTÅ RESPONSEÅ 4HEÅ TRANSIENTÅ RESPONSEÅ OFÅ THEÅ LEARNING
CONTROLLERÅSHOULDÅBEÅSUCHÅTHATÅTHEÅTRACKINGÅERRORÅGRADUALLYÅCONVERGESÅTOÅTHE
DESIREDÅVALUEÅ'ROWINGÅTRACKINGÅERRORSÅINÅTHEÅINTERMEDIATEÅPHASEÅOFÅLEARNING
 )NTRODUCTION

MIGHTÅ DAMAGEÅ THEÅ PLANTÅ &URTHERMORE Å WHENÅ THISÅ ISÅ THEÅ CASE Å AÅ MINIMUM
PERFORMANCEÅCANÅNOÅLONGERÅBEÅ GUARANTEEDÅ WHENÅ THEÅ CONTROLLERÅ ISÅ USEDÅ ASÅ AN
ADD ONÅDEVICEÅFORÅANÅEXISTINGÅCONTROLLER
 ,ONGÅ TERMÅ STABILITYÅ HASÅ TOÅ BEÅ GUARANTEEDÅ ,EARNINGÅ CANÅ BEÅ EITHERÅ PERFORMED
CONTINUOUSLYÅ ORÅ ONLYÅ PRIORÅ TOÅ OPERATIONÅ #ONTINUOUSÅ LEARNINGÅ ISÅ REQUIRED
WHENÅ THEÅ PLANTÅ PARAMETERSÅ CHANGEÅ DURINGÅ OPERATION Å EGÅ DUEÅ TOÅ WEARÅ OR
ENVIRONMENTALÅINFLUENCESÅ)NÅTHISÅCASE ÅONEÅMUSTÅBEÅABLEÅTOÅGUARANTEEÅSTABLE
LEARNINGÅINÅSPITEÅOFÅCHANGINGÅOPERATIONÅCONDITIONS

 &EEDBACKÅ%RRORÅ,EARNING

!NÅ INTERESTINGÅ LEARNINGÅ CONTROLLERÅ FORÅ ROBOTÅ MANIPULATORSÅ THATÅ HAVEÅ TOÅ TRACK
RANDOMÅ PATHS Å WASÅ PROPOSEDÅ BYÅ +AWATOÅ ;+AWATOÅ ETÅ AL Å Å -IYAMOTOÅ ETÅ AL
=Å FIGUREÅ  Å 4HISÅ CONTROLLERÅ ISÅ GENERALLYÅ KNOWNÅ ASÅ THEÅ &EEDBACKÅ %RROR
,EARNINGÅ&%, ÅCONTROLLER

&
R N
 &UNCTION U&
R


!PPROXIMATOR
R E U# Y
# 0

&IGUREÅ &EEDBACKÅ%RRORÅ,EARNING

4HEÅLEARNINGÅCONTROLÅSYSTEMÅCONSISTSÅOFÅTWOÅPARTS

 4HEÅ FEED FORWARDÅ CONTROLLER Å DENOTEDÅ BYÅ & Å IEÅ AÅ MAPPINGÅ U&  & R Å !
CONVENTIONALÅ FEED FORWARDÅ CONTROLLERÅ CANÅ BEÅ USEDÅ TOÅ COMPENSATEÅ FORÅ THE
SYSTEMÅ DYNAMICSÅ ANDÅ INÅ THISÅ WAYÅ OBTAINSÅ AÅ HIGHÅ TRACKINGÅ ACCURACYÅ 7HEN
THEÅ FEED FORWARDÅ CONTROLLERÅ ISÅ EQUALÅ TOÅ THEÅ INVERSEÅ PLANT Å &  0  Å THE
OUTPUTÅOFÅTHEÅPLANT ÅY ÅWILLÅEQUALÅTHEÅREFERENCE ÅR

4HEÅ PLANT Å 0 Å ISÅ ALWAYSÅ SUBJECTÅ TOÅ DISTURBANCESÅ 4HESEÅ DISTURBANCESÅ CAN
EITHERÅHAVEÅAÅSTOCHASTICÅORÅAÅREPRODUCIBLEÅNATUREÅ2EPRODUCIBLEÅDISTURBANCES
REOCCURÅINÅTHEÅSAMEÅWAYÅWHENÅAÅSPECIFICÅMOTIONÅISÅREPEATEDÅ4HISÅMEANSÅTHAT
THEYÅCANÅBEÅVIEWEDÅASÅAÅFUNCTIONÅOFÅTHEÅSTATEÅOFÅTHEÅ PLANT ÅX ÅSEEÅFIGUREÅ
Å&EEDBACKÅ%RRORÅ,EARNING 

!NÅ EXAMPLEÅ ISÅ POSITIONÅ DEPENDENTÅ FRICTIONÅ ,IKEÅ THEÅ PLANTÅ DYNAMICS Å THE
REPRODUCIBLEÅDISTURBANCESÅCANÅBEÅCOMPENSATEDÅBYÅAÅFEED FORWARDÅCONTROLLER

DX
X
U Y
0

&IGUREÅ 0LANTÅANDÅREPRODUCIBLEÅDISTURBANCES

)NÅ ORDERÅ TOÅ CORRECTLYÅ COMPENSATEÅ FORÅ THEÅ SYSTEMÅ DYNAMICSÅ ANDÅ THE
REPRODUCIBLEÅ DISTURBANCES Å AÅ DETAILEDÅ MODELÅ ISÅ REQUIREDÅ )NACCURACIESÅ INÅ THE
MODELÅ CANÅ RESULTÅ INÅ AÅ FEED FORWARDÅ CONTROLLERÅ THATÅ HASÅ AÅ POORÅ PERFORMANCE
7HENÅ ANÅ ACCURATEÅ MODELÅ ISÅ DIFFICULTÅ TOÅ OBTAIN Å ANÅ ALTERNATIVEÅ APPROACHÅ CAN
BEÅTAKEN

)NSTEADÅ OFÅ DESIGNINGÅ AÅ FEED FORWARDÅ CONTROLLERÅ ONÅ THEÅ BASISÅ OFÅ AÅ MODEL
;+AWATOÅETÅAL Å=ÅPROPOSEDÅTOÅIMPLEMENTÅTHEÅFEED FORWARDÅCONTROLLERÅASÅA
FUNCTIONÅ APPROXIMATOR Å IEÅ U&&R W Å $URINGÅ CONTROL Å THEÅ INPUT OUTPUT
RELATIONÅ OFÅ THEÅ FUNCTIONÅ APPROXIMATORÅ ISÅ ADAPTEDÅ SUCHÅ THATÅ ITÅ LEARNSÅ THE
INVERSEÅ PLANTÅ ANDÅ THEÅ COMPENSATIONÅ OFÅ THEÅ REPRODUCIBLEÅ DISTURBANCESÅ 4HE
MAINÅ DIFFICULTYÅ ISÅ NOWÅ TOÅ SELECTÅ AÅ LEARNINGÅ SIGNAL Å WHICHÅ INDICATESÅ HOWÅ THE
INPUT OUTPUTÅ RELATIONÅ OFÅ THEÅ FUNCTIONÅ APPROXIMATORÅ MUSTÅ BEÅ ADAPTEDÅ 4HE
LEARNINGÅ SIGNALÅ CANÅ BEÅ OBTAINEDÅ INÅ AÅ NUMBERÅ OFÅ WAYSÅ ;%RÅ ANDÅ ,IEW Å =
;+AWATOÅ ETÅ AL Å Å +AWATO Å =Å SHOWEDÅ THAT Å WHENÅ THEÅ OUTPUTÅ OFÅ THE
FEEDBACKÅCONTROLLERÅISÅUSEDÅASÅAÅLEARNINGÅSIGNALÅFIGUREÅ  ÅTHEÅINPUT OUTPUT
RELATIONÅOFÅTHEÅFUNCTIONÅAPPROXIMATORÅCONVERGESÅTOÅTHEÅINVERSEÅPLANTÅANDÅTHE
COMPENSATIONÅOFÅTHEÅREPRODUCIBLEÅDISTURBANCES

4HEÅ TYPEÅ OFÅ FUNCTIONÅ APPROXIMATORÅ THATÅ +AWATOÅ USEDÅ ISÅ AÅ -ULTIÅ ,AYER
0ERCEPTRONÅ-,0 ÅNEURALÅNETWORKÅSEEÅAPPENDIXÅ! Å)NÅCASEÅOFÅTHEÅÅ$EGREES
/FÅ &REEDOMÅ $/& Å MANIPULATORÅ THATÅ +AWATOÅ USEDÅ INÅ HISÅ EXPERIMENTS Å THE
INPUTÅ OFÅ THEÅ -,0Å CONSISTEDÅ OFÅ THEÅ REFERENCEÅ JOINTÅ ANGLES Å RD Å ANDÅ THEIRÅ FIRST
ANDÅSECONDÅORDERÅDERIVATIVES

4
R  ¡RD  RD  RD  RD  RD  RD  RD  RD  RD  ¯° ‰ \  
¢ ±

WHILEÅTHEÅOUTPUT ÅU&ÅCONSISTEDÅOFÅTHEÅMOTORÅTORQUES ÅU

4
U&  ¡ U U U  ¯° ‰ \  
¢ ±
 )NTRODUCTION

 4HEÅ FEEDBACKÅ CONTROLLERÅ !SÅ STATED Å THEÅ FEEDBACKÅ CONTROLLER Å # Å PROVIDESÅ THE
LEARNINGÅ SIGNALÅ FORÅ THEÅ FEED FORWARDÅ CONTROLLERÅ &URTHERMORE Å ITÅ DETERMINES
MINIMUMÅ TRACKINGÅ PERFORMANCEÅ ATÅ THEÅ BEGINNINGÅ OFÅ LEARNINGÅ &INALLY Å THE
FEEDBACKÅCONTROLLERÅCOMPENSATESÅRANDOMÅDISTURBANCES

4HEÅ&%,ÅCONTROLLERÅHASÅBEENÅAPPLIEDÅTOÅAÅNUMBERÅOFÅAPPLICATIONSÅBYÅOTHERSÅASÅWELL
FORÅEXAMPLE

 ANÅAUTOMATICÅBRAKINGÅSYSTEMÅFORÅAUTOMOBILESÅ;/HNOÅETÅAL Å=
 CONTROLÅOFÅAÅCAMERAÅSYSTEMÅ;"RUSKEÅETÅAL Å=
 CONTROLÅOFÅROBOTÅMANIPULATORSÅ;+IMÅANDÅ,EE Å=
 WELDINGÅ;4ZAFESTASÅETÅAL Å=

4HEÅAPPLICATIONSÅSHOWEDÅTHATÅ THEÅ &%,Å CONTROLLERÅ CONSIDERABLYÅ IMPROVEDÅ UPONÅ THE

PERFORMANCEÅOFÅTHEÅFEEDBACKÅCONTROLLERÅANDÅTHATÅITÅISÅABLEÅTOÅOBTAINÅAÅHIGHÅTRACKING
PERFORMANCEÅWITHOUTÅEXTENSIVEÅMODELLINGÅ)NÅ ;+RAFTÅANDÅ#AMPAGNA ÅÅ+IMÅAND
,EE ÅÅ4ZAFESTASÅETÅAL Å=ÅTHEÅBEHAVIOURÅOFÅAÅ&%,ÅCONTROLLERÅISÅCOMPAREDÅTO
THATÅ OFÅ ADAPTIVEÅ CONTROLÅ SYSTEMSÅ 4HEYÅ CONCLUDEDÅ THAT Å INÅ CASEÅ ANÅ ACCURATEÅ PLANT
MODELÅISÅUSEDÅINÅTHEÅADAPTIVEÅCONTROLLER ÅTHEÅTRACKINGÅPERFORMANCEÅOFÅTHEÅADAPTIVE
ANDÅTHEÅ&%,ÅCONTROLLERÅAREÅSIMILARÅ3INCEÅTHEÅ&%,ÅCONTROLLERÅCONVERGESÅSLOWERÅTHAN
THEÅADAPTIVEÅCONTROLLER ÅINÅTHISÅSITUATIONÅTHEÅLATTERÅISÅPREFERREDÅ(OWEVER ÅWHENÅAN
ACCURATEÅ PLANTÅ MODELÅ ISÅ UNAVAILABLE Å THEÅ ADAPTIVEÅ CONTROLLERÅ FAILSÅ TOÅ OBTAINÅ A
SATISFACTORYÅ TRACKINGÅ PERFORMANCEÅ 4HEÅ &%,Å DOESÅ NOTÅ SUFFERÅ FROMÅ THISÅ ANDÅ STILL
PROVIDESÅ ACCURATEÅ TRACKINGÅ 4HISÅ ABILITYÅ GIVESÅ RISEÅ TOÅ THEÅ SUPPOSITIONÅ THATÅ &%,
CONTROLÅISÅSUITEDÅFORÅAÅWIDEÅRANGEÅOFÅAPPLICATIONS ÅSINCEÅINÅPRACTICEÅPLANTSÅAREÅOFTEN
DIFFICULTÅ TOÅ MODELÅ ACCURATELYÅ 4HEÅ QUESTIONÅ REMAINSÅ WHETHERÅ THEÅ CONTROLLERÅ IS
COMMERCIALLYÅ INTERESTINGÅ 4OÅ ANSWERÅ THIS Å WEÅ WILLÅ EVALUATEÅ IFÅ &%,Å HASÅ ALLÅ THE
NECESSARYÅFEATURESÅTHATÅWEREÅGIVENÅINÅSECTIONÅ

 %ASYÅTOÅUSEÅONÅANÅEXISTINGÅCONTROLÅSYSTEMÅ4HEÅONLYÅEXTENSIONÅTOÅTHEÅEXISTING
CONTROLÅ SYSTEMÅ ISÅ THEÅ FUNCTIONÅ APPROXIMATORÅ 7HENÅ THEÅ CONTROLÅ SYSTEMÅ IS
IMPLEMENTEDÅINÅSOFTWARE ÅTHISÅREQUIRESÅMINORÅCHANGESÅANDÅCANÅBEÅEASILYÅDONE
 )NCORPORATIONÅ OFÅ PRIORÅ KNOWLEDGEÅ INÅ THEÅ DESIGNÅ 7HENÅ THEÅ STRUCTUREÅ OFÅ THE
PLANTÅ DYNAMICSÅ ISÅ KNOWN Å THEÅ -,0Å NETWORKÅ INÅ THEÅ FEED FORWARDÅ CONTROLLER
CANÅ BEÅ SPLITÅ UPÅ INÅ SEVERALÅ SMALLERÅ -,0Å NETWORKSÅ ;+ATICÅ ANDÅ 6UKOBRATOVIC
=Å%ACHÅOFÅTHESEÅNETWORKSÅCOMPENSATESÅFORÅONEÅSPECIFICÅPARTÅOFÅTHEÅPLANT
DYNAMICSÅ%XPERIMENTSÅSHOWEDÅTHATÅTHISÅSPEEDSÅUPÅLEARNINGÅCONSIDERABLY
 3TABILITYÅ ISÅ ADDRESSEDÅ )TÅ HASÅ BEENÅ PROVENÅ THEORETICALLYÅ THATÅ FORÅ ROBOT
MANIPULATORS Å THEÅ &%,Å CONTROLLERÅ CONVERGESÅ ;+AWATO Å =Å &ORÅ OTHER
SYSTEMS ÅSTABILITYÅHASÅNOTÅBEENÅCONSIDEREDÅTHEORETICALLY
Å&EEDBACKÅ%RRORÅ,EARNING 

 'OODÅ TRANSIENTÅ RESPONSEÅ $URINGÅ LEARNING Å THEÅ TRACKINGÅ ERRORÅ GRADUALLY

CONVERGEDÅ TOÅ ITSÅ MINIMUMÅ VALUEÅ ,IKEÅ STABILITY Å THEÅ TRANSIENTÅ RESPONSEÅ HAS
NOTÅBEENÅCONSIDEREDÅTHEORETICALLY
 4HEÅFUNCTIONÅAPPROXIMATORÅISÅSUITEDÅFORÅCONTROLÅ-UCHÅOFÅTHEÅPRACTICALÅVALUE
OFÅAÅLEARNINGÅCONTROLLERÅDEPENDSÅONÅTHEÅTYPEÅOFÅFUNCTIONÅAPPROXIMATORÅTHATÅIS
USEDÅ )NÅ SPITEÅ OFÅ THEÅ FACTÅ THATÅ THEÅ &%,Å CONTROLLERÅ FINALLYÅ ACHIEVESÅ AÅ HIGH
TRACKINGÅPERFORMANCE ÅTHEÅLEARNINGÅBEHAVIOURÅISÅNOTÅOPTIMALÅDUEÅTOÅTHEÅ-,0
NETWORKÅ ;$EANÅ ETÅ AL Å Å +ATICÅ ANDÅ 6UKOBRATOVIC Å Å %RÅ ANDÅ ,IEW
=
 3MALLÅMEMORYÅREQUIREMENTÅ/NEÅOFÅTHEÅNICEÅPROPERTIESÅOFÅTHEÅ-,0ÅISÅTHAT
ITÅ ISÅ ABLEÅ TOÅ APPROXIMATEÅ HIGHÅ DIMENSIONALÅ TARGETÅ FUNCTIONSÅ WITHÅ AÅ LOW
NUMBERÅ OFÅ PARAMETERSÅ 4HEREFOREÅ THEÅ AMOUNTÅ OFÅ COMPUTERÅ MEMORY
REQUIREDÅFORÅIMPLEMENTATIONÅISÅSMALL
 #OMPUTATIONALLYÅ EXPENSIVEÅ #ALCULATINGÅ THEÅ OUTPUTÅ OFÅ THEÅ -,0Å AND
ADAPTINGÅ ITSÅ WEIGHTSÅ INVOLVESÅ AÅ LARGEÅ NUMBERÅ OFÅ COMPLEXÅ COMPUTATIONS
&ORÅSOMEÅREAL TIMEÅCONTROLÅAPPLICATIONSÅTHISÅTYPEÅOFÅNEURALÅNETWORKÅMAY
THEREFOREÅNOTÅBEÅSUITED
 4HEÅLEARNINGÅMECHANISMÅCONVERGESÅSLOWLYÅANDÅSUFFERSÅFROMÅLOCALÅMINIMA
4HEÅ LEARNINGÅ MECHANISMÅ ISÅ EASILYÅ TRAPPEDÅ INÅ AÅ LOCALÅ MINIMUMÅ 7HICH
LOCALÅ MINIMUMÅ THEÅ NETWORKÅ WEIGHTSÅ ENDÅ UPÅ IN Å DEPENDSÅ ONÅ THEÅ INITIAL
WEIGHTSÅ OFÅ THEÅ NETWORKÅ 4HEREFORE Å ITÅ ISÅ NECESSARYÅ TOÅ PERFORMÅ SEVERAL
TRAININGÅ EXPERIMENTSÅ WITHÅ DIFFERENTÅ SETSÅ OFÅ INITIALÅ WEIGHTS Å TOÅ OBTAINÅ AN
ACCEPTABLEÅTRACKINGÅACCURACY
 'OODÅGENERALISINGÅABILITYÅ!NÅADVANTAGEÅOFÅTHEÅFACTÅTHATÅTHEÅINPUT OUTPUT
RELATIONÅ CANÅ ONLYÅ BEÅ ADAPTEDÅ GLOBALLYÅ ISÅ THATÅ THEÅ -,0Å TENDSÅ TOÅ HAVEÅ A
GOODÅ GENERALISINGÅ ABILITYÅ WHENÅ TRAININGÅ ISÅ PERFORMEDÅ PROPERLYÅ 7HENÅ A
MOTIONÅ SYSTEMÅ HASÅ TOÅ PERFORMÅ LOW VELOCITYÅ MOTIONS Å THEÅ &%,Å CONTROLLER
TENDSÅ TOÅ HAVEÅ AÅ POORÅ PERFORMANCEÅ 4HISÅ ISÅ CAUSEDÅ BYÅ THEÅ FACTÅ THATÅ AN
-,0ÅNETWORKÅHASÅDIFFICULTIESÅWITHÅLEARNINGÅHIGHLYÅCORRELATEDÅDATA Å;(RYCEJ
=Å 7HENÅ THEÅ DATAÅ ISÅ HIGHLYÅ CORRELATED Å THEÅ NETWORKÅ TENDSÅ TOÅ FITÅ THE
LASTÅPRESENTEDÅDATA ÅRESULTINGÅINÅAÅPOORÅGENERALISINGÅABILITY
 4HEÅ SMOOTHNESSÅ OFÅ THEÅ APPROXIMATIONÅ ISÅ NOTÅ COMPLETELYÅ CONTROLLABLEÅ 4HE
NUMBERÅ OFÅ PARAMETERSÅ OFÅ ANÅ -,0Å DETERMINESÅ MAXIMUMÅ ACCURACYÅ OFÅ THE
APPROXIMATIONÅ)TÅDOESÅNOTÅGUARANTEEÅAÅCERTAINÅSMOOTHNESSÅ "YÅLEARNING
THEÅ-,0ÅMAYÅAPPROXIMATEÅ THEÅTARGETÅFUNCTIONÅVERYÅROUGH LYÅINÅONEÅPART
OFÅTHEÅINPUTÅDOMAINÅANDÅVERYÅACCURATELYÅINÅANOTHER

,OOKINGÅ ATÅ THEÅ PROPERTIESÅ ABOVE Å WEÅ MAYÅ CONCLUDEÅ THAT Å INÅ CASEÅ ITSÅ LEARNING
BEHAVIOURÅISÅIMPROVED Å&%,ÅCONTROLÅHASÅCOMMERCIALÅPOTENTIALÅ$IFFERENTÅAPPROACHES
EXISTÅ TOÅ OVERCOMEÅ THEÅ PROBLEMSÅ OFÅ THEÅ &%,Å CONTROLLERÅ )NÅ THEÅ FOLLOWING Å WEÅ WILL
BRIEFLYÅ PRESENTÅ THREEÅ METHODSÅ 4HEÅ FIRSTÅ TWOÅ METHODSÅ ALTERÅ THEÅ STRUCTUREÅ OFÅ THE
 )NTRODUCTION

LEARNINGÅ CONTROLLER Å WHEREASÅ INÅ THEÅ LASTÅ APPROACHÅ ANOTHERÅ TYPEÅ OFÅ FUNCTION
APPROXIMATORÅISÅUSED

&IRSTLY ÅONEÅCANÅIMPROVEÅTHEÅLEARNINGÅBEHAVIOURÅBYÅSELECTINGÅDIFFERENTÅINPUTSÅFORÅTHE
FUNCTIONÅAPPROXIMATORÅ)NÅ ;'OMIÅANDÅ+AWATO ÅÅ%RÅANDÅ,IEW Å=ÅTHEÅ ERROR
SIGNALÅWASÅADDEDÅASÅANÅINPUTÅ TOÅTHEÅFUNCTIONÅAPPROXIMATOR ÅCHANGINGÅTHEÅLEARNING
CONTROLLERÅ FROMÅ AÅ PUREÅ FEED FORWARDÅ CONTROLLERÅ INTOÅ AÅ FEED FORWARDÅ Å FEEDBACK
CONTROLLERÅFIGUREÅ Å%XPERIMENTSÅSHOWEDÅTHATÅTHISÅLEARNINGÅCONTROLLERÅOVERCOMES
SOMEÅOFÅTHEÅPROBLEMSÅOFÅTHEÅORIGINALÅ&%,ÅCONTROLLER

R N

R &UNCTION


!PPROXIMATOR
U&
R E U# Y
# 0

&IGUREÅ &EEDBACKÅ%RRORÅ,EARNING

!Å SECONDÅ METHODÅ ISÅ TOÅ USEÅ MULTIPLEÅ FEED FORWARDÅ CONTROLLERS Å EACHÅ TRAINEDÅ TO
PERFORMÅ AÅ SPECIFICÅ TASKÅ ;*ACOBSÅ ANDÅ *ORDAN Å =Å !Å SUPERVISORYÅ NEURALÅ NETWORK
LEARNSÅWHICHÅFEED FORWARDÅCONTROLLERÅISÅUSEDÅFORÅWHICHÅTASKÅ4HISÅLEARNINGÅCONTROLLER
WASÅTESTEDÅONÅAÅMANIPULATORÅTHATÅHADÅTOÅPERFORMÅMOTIONSÅWITHÅOBJECTSÅOFÅDIFFERENT
WEIGHTÅ!FTERÅLEARNING ÅEACHÅOFÅTHEÅFEED FORWARDÅCONTROLLERSÅHADÅLEARNEDÅTOÅMOVEÅA
SPECIFICÅOBJECTÅ4HEÅSUPERVISORYÅNETWORKÅHADÅLEARNEDÅWHICHÅFEED FORWARDÅCONTROLLER
TOÅUSEÅFORÅWHICHÅOBJECT

3INCEÅ THEÅ DIFFICULTIESÅ OFÅ &%,Å CONTROLÅ AREÅ MAINLYÅ CAUSEDÅ BYÅ THEÅ -,0Å NETWORK Å AN
OBVIOUSÅ APPROACHÅ ISÅ TOÅ LOOKÅ FORÅ DIFFERENTÅ FUNCTIONÅ APPROXIMATORSÅ )NÅ ;+RAFTÅ AND
#AMPAGNA ÅÅ!NANTHRAMANÅANDÅ'RAG Å=ÅTHEÅ-,0ÅNETWORKÅISÅREPLACEDÅBYÅA
#EREBELLARÅ -ODELÅ !RTICULATIONÅ #ONTROLLERÅ #-!# Å NETWORKÅ ;!LBUS Å =Å 4HE
#-!#Å NETWORKÅ BELONGSÅ TOÅ THEÅ CLASSÅ OFÅ NEURALÅ NETWORKSÅ THATÅ EMPLOYÅ BASIS
FUNCTIONSÅ )NÅ CASEÅ OFÅ THEÅ #-!#Å NETWORK Å THEÅ BASISÅ FUNCTIONSÅ CONSISTÅ OFÅ PIECEWISE
POLYNOMIALÅFUNCTIONSÅ THATÅ HAVEÅ AÅ VALUEÅ UNEQUALÅ TOÅ ZEROÅ ONÅ AÅ COMPACTÅ PARTÅ OFÅ THE
INPUTÅSPACEÅONLYÅ4HEÅBASISÅFUNCTIONSÅAREÅDISTRIBUTEDÅSUCHÅTHATÅATÅEACHÅPOINTÅINÅTHE
INPUTÅ SPACEÅ UÅ BASISÅ FUNCTIONSÅ OVERLAPÅ 4HEÅ PARAMETERÅ UÅ ISÅ KNOWNÅ ASÅ THE
GENERALISATIONÅ PARAMETERÅ ANDÅ CANÅ BEÅ CHOSENÅ BYÅ THEÅ DESIGNERÅ 4HEÅ OUTPUTÅ OFÅ THE
#-!#Å NETWORKÅ ISÅ AÅ WEIGHTEDÅ SUMÅ OFÅ THEÅ BASISÅ FUNCTIONÅ EVALUATIONSÅ ,EARNINGÅ IS
PERFORMEDÅ BYÅ ADAPTINGÅ THEÅ WEIGHTSÅ OFÅ THEÅ NETWORK Å NOTÅ THEÅ BASISÅ FUNCTIONS
THEMSELVESÅ!LLÅTHISÅYIELDSÅTHEÅFOLLOWINGÅIMPROVEMENTS

 &ASTERÅ CONVERGENCEÅ 3INCEÅ LEARNINGÅ TAKESÅ PLACEÅ LOCALLY Å ONLYÅ AÅ SMALLÅ NUMBER
OFÅWEIGHTSÅISÅADAPTED ÅWHICHÅRESULTSÅINÅAÅFASTÅCONVERGENCE
Å,EARNINGÅ&EED &ORWARDÅ#ONTROL 

 !BILITYÅTOÅLEARNÅCORRELATEDÅDATAÅ4HEÅLOCATIONSÅOFÅTHEÅBASISÅFUNCTIONSÅAREÅFIXED
4HISÅISÅBENEFICIALÅFORÅTHEÅLEARNINGÅOFÅCORRELATEDÅDATA
 .OÅLOCALÅMINIMAÅ4HEÅLEARNINGÅMECHANISMÅDOESÅNOTÅSUFFERÅFROMÅLOCALÅMINIMA
;.G Å=

(OWEVER Å AÅ DISADVANTAGEÅ ISÅ THATÅ THEÅ CONTROLLERÅ DESIGNERÅ HASÅ TOÅ CHOOSEÅ THE
DISTRIBUTIONÅ OFÅ THEÅ BASISÅ FUNCTIONSÅ 4HISÅ REQUIRESÅ SOMEÅ PRIORÅ KNOWLEDGEÅ OFÅ THE
DESIREDÅINPUT OUTPUTÅMAPPINGÅANDÅTUNINGÅOFÅTHEÅBASISÅFUNCTIONÅDISTRIBUTIONÅMAYÅBE
NECESSARYÅ BEFOREÅ ANÅ ACCEPTABLEÅ PERFORMANCEÅ ISÅ OBTAINEDÅ %XPERIMENTSÅ SHOWEDÅ THAT
REPLACINGÅ THEÅ -,0Å NETWORKÅ BYÅ AÅ #-!#Å NETWORKÅ GIVESÅ AÅ SUPERIORÅ LEARNING
BEHAVIOURÅANDÅMOREÅACCURATEÅTRACKING

 ,EARNINGÅ&EED &ORWARDÅ#ONTROL

)NÅTHISÅTHESISÅAÅLEARNINGÅCONTROLÅSYSTEMÅISÅCONSIDEREDÅTHATÅHASÅTHEÅSAMEÅSTRUCTUREÅAS
THEÅ &%,Å CONTROLLERÅ FIGUREÅ  Å (OWEVER Å THEÅ FEED FORWARDÅ PARTÅ OFÅ THEÅ LEARNING
CONTROLLERÅISÅIMPLEMENTEDÅASÅAÅ" SPLINEÅNETWORKÅ"3. ÅSEEÅAPPENDIXÅ! ÅINSTEADÅOF
ANÅ -,0Å 4HISÅ TYPEÅ OFÅ &%,Å CONTROLÅ HASÅ BEENÅ NAMEDÅ ,EARNINGÅ &EED &ORWARD
#ONTROLÅ ,&&# Å ;,UENEN Å Å 3TARRENBURGÅ ETÅ AL Å =Å 4HEÅ "3.Å APPROACHÅ IS
SIMILARÅ TOÅ THEÅ #-!#Å APPROACHÅ ,IKEÅ THEÅ #-!#Å NETWORK Å THEÅ "3.Å USESÅ BASIS
FUNCTIONS ÅKNOWNÅASÅ" SPLINES ÅFORÅAPPROXIMATION

)NÅTHEÅDESIGNÅOFÅTHEÅ,&&#ÅTHEÅFOLLOWINGÅPARAMETERSÅOFÅTHEÅ"3.ÅHAVEÅTOÅBEÅCHOSEN

 4HEÅINPUTSÅOFÅTHEÅ"3.Å&ORÅMOTIONÅSYSTEMS ÅTHEÅINPUTSÅOFÅTHEÅ"3.ÅCONSISTÅOF
THEÅ REFERENCEÅ POSITION Å R Å ANDÅ DERIVATIVESÅ THEREOFÅ SEEÅ FIGUREÅ  Å #HAPTERÅ 
ANSWERSÅ THEÅ QUESTIONÅ WHATÅ INPUTSÅ SHOULDÅ BEÅ CHOSENÅ SUCHÅ THATÅ THEÅ INVERSE
SYSTEMÅCANÅBEÅEXPRESSEDÅASÅAÅFUNCTIONÅOFÅTHEÅINPUTS
 4HEÅ" SPLINEÅDISTRIBUTIONÅONÅEACHÅOFÅTHEÅINPUTSÅOFÅTHEÅ"3.Å4HEÅOUTPUTÅOFÅA
"3.ÅISÅAÅWEIGHTEDÅSUMÅOFÅ" SPLINEÅEVALUATIONSÅ4HEREFORE ÅTHEÅNUMBERÅOFÅ"
SPLINESÅ ANDÅ THEIRÅ LOCATIONSÅ DETERMINEÅ THEÅ ACCURACYÅ OFÅ ANÅ APPROXIMATION
3MOOTHÅTARGETÅSIGNALSÅCANÅBEÅACCURATELYÅAPPROXIMATEDÅWITHÅAÅLOWÅNUMBERÅOF
kWIDElÅ " SPLINESÅ 3TRONGLYÅ FLUCTUATINGÅ SIGNALSÅ REQUIREÅ AÅ LARGEÅ NUMBERÅ OF
kNARROWlÅ" SPLINESÅSEEÅFIGUREÅ 
 )NTRODUCTION

U&

RÅ;M=

RÅ;M=
ÅTARGETÅSIGNAL ÅAPPROXIMATION

&IGUREÅ "3.ÅMAPPING

!Å PROPERÅ CHOICEÅ OFÅ THEÅ " SPLINEÅ DISTRIBUTIONÅ CANÅ BEÅ MADEÅ ONÅ THEÅ BASISÅ OF
KNOWLEDGEÅ OFÅ THEÅ INVERSEÅ PLANTÅ ANDÅ OFÅ THEÅ DISTURBANCES Å ORÅ BYÅ MEANSÅ OFÅ AN
ITERATIVEÅ PROCEDUREÅ THATÅ USESÅ EXPERIMENTALÅ DATAÅ 4HESEÅ MATTERSÅ WILLÅ BE
DISCUSSEDÅINÅCHAPTERÅ
 3ELECTIONÅOFÅTHEÅLEARNINGÅMECHANISMÅ,EARNING ÅIEÅADAPTATIONÅOFÅTHEÅNETWORK
WEIGHTS Å CANÅ EITHERÅ BEÅ DONEÅ AFTERÅ EACHÅ SAMPLE Å WHICHÅ ISÅ KNOWNÅ ASÅ ON LINE
LEARNING Å ORÅ AFTERÅ AÅ MOTIONÅ HASÅ BEENÅ COMPLETED Å KNOWNÅ ASÅ OFF LINEÅ LEARNING
4HEÅON LINEÅLEARNINGÅRULEÅIS

%WI  HNI R E R 

ANDÅTHEÅOFF LINEÅLEARNINGÅRULE

.S

œ N R
J 
I J
E RJ
%WI  H .S

œ N R
J 
I J

WITH

RJ THEÅ INPUTÅ OFÅ THEÅ "3.Å )NÅ ,&&#Å THEÅ INPUTÅ CONSISTSÅ OFÅ THE

\
REFERENCEÅPOSITIONÅANDÅDERIVATIVESÅTHEREOF RJ  RJ RJ   ^
NI RJ  THEÅMEMBERSHIPÅOFÅTHEÅI THÅ" SPLINE Å NI RJ ‰ <  > 

%WI THEÅADAPTATIONÅOFÅTHEÅWEIGHTÅOFÅTHEÅI THÅ" SPLINE

H THEÅLEARNINGÅRATE Å H b
Å,EARNINGÅ&EED &ORWARDÅ#ONTROL 

ERJ  THEÅAPPROXIMATIONÅERRORÅMADEÅBYÅTHEÅNETWORK ÅINÅ,&&#Å ERJ ÅIS

THEÅOUTPUTÅOFÅTHEÅFEEDBACKÅCONTROLLER ÅU#
.S THEÅNUMBERÅOFÅINPUTÅSAMPLES

 3ELECTIONÅ OFÅ AÅ LEARNINGÅ RATEÅ 4HEÅ LARGERÅ THEÅ LEARNINGÅ RATE Å THEÅ FASTERÅ THE
CONVERGENCEÅOFÅTHEÅLEARNINGÅMECHANISMÅ(OWEVER ÅAÅLARGEÅLEARNINGÅRATEÅMAKES
THEÅAPPROXIMATIONÅMOREÅSENSITIVEÅTOÅNOISEÅANDÅMAYÅCAUSEÅINSTABILITY

"YÅUSINGÅAÅ"3. ÅWEÅHAVEÅGAINEDÅTHEÅFOLLOWINGÅADVANTAGES

 .OÅLOCALÅMINIMAÅ4HEÅOUTPUTÅOFÅTHEÅ"3.ÅISÅAÅLINEARÅFUNCTIONÅOFÅTHEÅWEIGHTS
4HISÅ MEANSÅ THATÅ THEÅ LEARNINGÅ MECHANISMSÅ GIVENÅ INÅ  Å ANDÅ  Å DOÅ NOT
SUFFERÅFROMÅLOCALÅMINIMAÅ4HISÅIMPLIESÅTHATÅTHEÅINITIALÅWEIGHTSÅOFÅTHEÅ"3.ÅDO
NOTÅINFLUENCEÅTHEÅFINALÅTRACKINGÅACCURACY
 ,OCALÅ LEARNINGÅ 3INCEÅ " SPLINESÅ HAVEÅ AÅ COMPACTÅ SUPPORT Å THEÅ INPUT OUTPUT
MAPPINGÅOFÅTHEÅ"3.ÅCANÅBEÅADAPTEDÅLOCALLYÅ4RAININGÅAÅNEWÅMOTIONÅDOESÅNOT
UNNECESSARILYÅ AFFECTÅ THEÅ ABILITYÅ TOÅ TRACKÅ PREVIOUSLYÅ LEARNEDÅ MOTIONS
&URTHERMORE Å DUEÅ TOÅ THEÅ COMPACTÅ SUPPORTÅ OFÅ THEÅ " SPLINESÅ ONLYÅ AÅ SMALL
NUMBERÅOFÅTHEÅWEIGHTSÅCONTRIBUTEÅTOÅTHEÅOUTPUTÅ$URINGÅTRAINING ÅONLYÅTHESE
WEIGHTSÅNEEDÅTOÅBEÅADAPTEDÅ4HISÅINÅCONTRASTÅTOÅTHEÅ-,0 ÅWHEREÅALLÅNETWORK
WEIGHTSÅ WEREÅ CHANGEDÅ DURINGÅ LEARNINGÅ 4HEREFORE Å THEÅ "3.Å CONVERGESÅ MUCH
FASTERÅTHANÅTHEÅ-,0
 4UNEABLEÅ PRECISIONÅ 4HEÅ SMOOTHNESSÅ OFÅ THEÅ INPUT OUTPUTÅ RELATIONÅ IS
DETERMINEDÅ BYÅ THEÅ CHOICEÅ OFÅ THEÅ " SPLINEÅ DISTRIBUTIONÅ #HOOSINGÅ " SPLINES
THATÅ HAVEÅ AÅ MOREÅ COMPACTÅ SUPPORT Å ENABLESÅ THEÅ "3.Å TOÅ MOREÅ ACCURATELY
APPROXIMATEÅ HIGH FREQUENCYÅ DATAÅ 7HEN Å DUEÅ TOÅ ACTUATORÅ LIMITATIONSÅ FOR
EXAMPLE ÅAÅMOREÅSMOOTHÅAPPROXIMATIONÅOFÅTHEÅDATAÅISÅREQUIREDÅINÅAÅSPECIFIC
PARTÅOFÅTHEÅINPUTÅSPACE Å " SPLINESÅSHOULDÅBEÅUSEDÅTHATÅHAVEÅAÅLARGERÅSUPPORT
ORÅ AÅ HIGHERÅ ORDERÅ )NÅ CASEÅ OFÅ THEÅ -,0 Å THEÅ USERÅ ISÅ NOTÅ ABLEÅ TOÅ SPECIFYÅ THE
SMOOTHNESSÅINÅDIFFERENTÅPARTSÅOFÅTHEÅINPUTÅSPACE Å INSTEADÅ THEÅ -,0Å ALLOCATES
ITSÅOWNÅRESOURCES

4HEÅADVANTAGESÅLISTEDÅSOÅFARÅALSOÅHOLDÅFORÅTHEÅ#-!#ÅNETWORKÅ 7EÅHAVEÅCHOSENÅTO
USEÅ THEÅ "3.Å FORÅ REASONSÅ OFÅ SIMPLICITYÅ )NÅ THEÅ #-!#Å NETWORKÅ THEÅ BASIS FUNCTION
DISTRIBUTIONÅ ISÅ SUCHÅ THATÅ ATÅ EACHÅ INPUTÅ VALUE Å EXACTLYÅ UÅ BASISÅ FUNCTIONÅ HAVEÅ AN
EVALUATIONÅLARGERÅTHANÅÅ3EVERALÅDISTRIBUTIONSÅSATISFYÅTHISÅ ;"ROWNÅANDÅ(ARRIS Å=
EACHÅ RESULTINGÅ INÅ AÅ DIFFERENTÅ APPROXIMATIONÅ 4HEÅ USERÅ HASÅ TOÅ CHOOSEÅ WHICH
DISTRIBUTIONÅISÅMOSTÅAPPROPRIATEÅ&URTHERMORE ÅREFININGÅANÅAPPROXIMATIONÅBYÅADDING
ANÅ EXTRAÅ KNOTÅ ANÅ EXTRAÅ BASISÅ FUNCTION Å RESULTSÅ INÅ AÅ DIFFERENTÅ BASISÅ FUNCTION
DISTRIBUTIONÅ 4HISÅ MEANSÅ THATÅ THEÅ NEWÅ BASISÅ FUNCTIONÅ DISTRIBUTIONÅ ISÅ NOTÅ ABLEÅ TO
EXACTLYÅ REPRODUCEÅ THEÅ APPROXIMATIONÅ BEFOREÅ REFINEMENTÅ 4HISÅ MAYÅ BEÅ UNDESIRED
4HEÅDISTRIBUTIONÅOFÅTHEÅBASISÅFUNCTIONSÅINÅAÅ"3.ÅISÅSTRAIGHTFORWARD
 )NTRODUCTION

4HEÅ PRINCIPALÅ DRAWBACKÅ OFÅ "3.SÅ ANDÅ OFÅ OTHERÅ ..SÅ WITHÅ BASISÅ FUNCTIONS Å ISÅ THAT
THEÅ NUMBERÅ OFÅ NETWORKÅ WEIGHTSÅ GROWSÅ EXPONENTIALLYÅ WITHÅ THEÅ DIMENSIONÅ OFÅ THE
INPUTÅSPACEÅ4HEÅNUMBERÅOFÅNETWORKÅWEIGHTSÅINÅANÅ. DIMENSIONALÅ"3.ÅISÅGIVENÅBY

.
.T  . J Å 
J 

7HERE . J Å ISÅ THEÅ NUMBERÅ OFÅ " SPLINESÅ DEFINEDÅ ONÅ INPUTÅ JÅ 3INCEÅ ACCURACY
CONSIDERATIONSÅMAYÅREQUIREÅMANYÅ" SPLINESÅANDÅTHUSÅLARGEÅVALUESÅOFÅ . J ÅEGÅWHEN
AÅHIGHLYÅNON LINEARÅFUNCTIONÅISÅTOÅBEÅAPPROXIMATED ÅTHESEÅNETWORKSÅAREÅIMPRACTICAL
WHENÅ THEÅ NUMBERÅ OFÅ INPUTSÅ ISÅ LARGEÅ 4HISÅ SO CALLEDÅ CURSEÅ OFÅ DIMENSIONALITYÅ BRINGS
ABOUTÅTHEÅFOLLOWINGÅPROBLEMSÅ;"ROWNÅANDÅ(ARRIS ÅÅ"OSSLEYÅETÅAL Å=

 ,ARGEÅ NUMBERÅ OFÅ NETWORKÅ WEIGHTSÅ )FÅ THEÅ PLANTÅ DYNAMICSÅ HAVEÅ HIGHLYÅ NON
LINEARÅCOMPONENTS ÅAÅHIGHLYÅNON LINEARÅFUNCTIONÅHASÅTOÅBEÅMAPPEDÅBYÅTHEÅ"
SPLINEÅ NETWORKÅ !Å NETWORKÅ THATÅ ISÅ ABLEÅ TOÅ MAPÅ THESEÅ NON LINEARITIES
ACCURATELYÅ WOULDÅ TAKEÅ UPÅ AÅ GREATÅ DEALÅ OFÅ COMPUTERÅ MEMORYÅ )NÅ PRACTICE
MEMORYÅ RESOURCESÅ AREÅ LIMITED Å THEREFORE Å NETWORKÅ COMPLEXITYÅ ANDÅ MAPPING
ACCURACYÅHAVEÅTOÅBEÅTRADEDÅOFFÅAGAINSTÅEACHÅOTHER
 ,ARGEÅ TRAININGÅ SETSÅ 7HENÅ PERFORMINGÅ AÅ CERTAINÅ REFERENCEÅ MOTION Å ONLYÅ THE
NETWORKÅ WEIGHTSÅ INDEXEDÅ BYÅ THEÅ NETWORKÅ INPUTSÅ AREÅ UPDATEDÅ 4OÅ ADAPTÅ A
LARGEÅ NUMBERÅ OFÅ NETWORKÅ WEIGHTSÅ THEREFOREÅ REQUIRESÅ AÅ LARGEÅ NUMBERÅ OF
TRAININGÅ MOTIONSÅ 4HISÅ WILLÅ LEADÅ TOÅ LARGEÅ TRAININGÅ TIMESÅ IFÅ THEÅ NETWORKÅ IS
TRAINEDÅON LINE ÅIEÅDURINGÅCONTROL
 0OORÅ GENERALISINGÅ ABILITYÅ 4HEÅ COMPENSATIONÅ OFÅ AÅ NON LINEARITYÅ MAYÅ REQUIRE
NARROWÅ " SPLINESÅ FORÅ REASONSÅ OFÅ ACCURACYÅ (OWEVER Å WITHÅ NARROWÅ " SPLINES
VERYÅ DIFFERENTÅ NETWORKÅ OUTPUTÅ SIGNALSÅ MAYÅ OCCURÅ WITHÅ TRAJECTORIESÅ THATÅ ARE
iCLOSEÅTOÅEACHÅOTHERjÅ(ENCEÅTHEÅLARGEÅTRAININGÅSETSÅMENTIONEDÅABOVEÅALLÅNEED
TOÅBEÅPRESENTEDÅBEFOREÅBENEFICIALÅEFFECTSÅWILLÅBECOMEÅNOTICEABLE

)TÅCANÅBEÅSEENÅTHATÅTHEÅCURSEÅOFÅDIMENSIONALITYÅMAYÅSERIOUSLYÅHARMÅTHEÅCOMMERCIAL
VALUEÅ OFÅ THEÅ ,&&#Å 4HEREFORE Å EFFORTÅ SHOULDÅ BEÅ MADEÅ TOÅ OVERCOMEÅ THEÅ CURSEÅ OF
DIMENSIONALITYÅ)NÅCHAPTERÅÅSEVERALÅMETHODSÅAREÅPRESENTEDÅTHATÅMAYÅBEÅABLEÅTOÅDO
THIS
Å)LLUSTRATIVEÅ!PPLICATIONÅAÅ,INEARÅ-OTORÅ-OTIONÅ3YSTEM 

 )LLUSTRATIVEÅ!PPLICATIONÅAÅ,INEARÅ-OTORÅ-OTIONÅ3YSTEM

!NÅINTERESTINGÅAPPLICATIONÅOFÅ LEARNINGÅCONTROL ÅISÅAÅPERMANENTÅMAGNETÅSYNCHRONOUS

LINEARÅ MOTORÅ ,INEARÅ MOTORSÅ ;.ASARÅ ANDÅ "OLDEA Å Å "ASAK Å =Å AREÅ OFTEN
DESIGNEDÅ TOÅ PERFORMÅ LINEARÅ MOTIONSÅ WITHÅ SUB MILLIMETREÅ ACCURACY Å EGÅ FORÅ LASER
CUTTING Å SCANNING Å ORÅ PICK AND PLACEÅ TASKSÅ ;/TTENÅ ETÅ AL Å =Å 4HEÅ LINEARÅ MOTOR
CONSIDEREDÅ HEREÅ ISÅ THEÅ SOÅ CALLEDÅ ,INEARÅ -OTORÅ -OTIONÅ 3YSTEMÅ ,I--3 Å WHICHÅ IS
MANUFACTUREDÅBYÅ0HILIPSÅ4HEÅMOTORÅCONFIGURATIONÅCONSISTSÅOFÅAÅBASEÅPLATEÅCOVERED
WITHÅPERMANENTÅMAGNETS ÅANDÅAÅSLIDINGÅPART ÅTHEÅTRANSLATORÅTHATÅHOLDSÅTHEÅELECTRIC
COILSÅANDÅTHEIRÅIRONÅCORES ÅSEEÅFIGUREÅÅ"YÅAPPLYINGÅAÅTHREE PHASEÅCURRENTÅTOÅTHREE
ADJOININGÅ COILSÅ OFÅ THEÅ TRANSLATOR Å AÅ SEQUENCEÅ OFÅ ATTRACTINGÅ ANDÅ REPELLINGÅ FORCES
BETWEENÅTHEÅPOLESÅANDÅTHEÅPERMANENTÅMAGNETSÅWILLÅBEÅGENERATEDÅ4HISÅRESULTSÅINÅA
RELATIVEÅMOTIONÅBETWEENÅTHEÅBASEÅPLATEÅANDÅTHEÅTRANSLATORÅ4HEÅBASICÅBEHAVIOURÅOF
THEÅ MOTORÅ ISÅ THATÅ OFÅ AÅ MOVINGÅ MASSÅ THEÅ MASSÅ OFÅ THEÅ TRANSLATORÅ WITHÅ AÅ DUMMY
LOAD ÅM, ÅISÅÅ;KG=

TRANSLATOR

COILS G! G" G# G!
ÅMM
PERMANENT 3 . 3 . 3
MAGNETS . 3 . 3 .
BASEÅPLATE

&IGUREÅÅ 7ORKINGÅPRINCIPLEÅOFÅTHEÅ,I--3ÅLINEARÅMOTORÅ4HEÅINDICATEDÅLINESÅARE
THEÅFLUX LINESÅOFÅTHEÅPERMANENTÅMAGNETS Å φ! Å φ" ÅANDÅ φ#ÅAREÅTHEÅPHASES
OFÅTHEÅ PHASEÅMOTORÅCURRENT

$URINGÅOPERATIONÅTHEÅTRANSLATORÅEXPERIENCESÅAÅRELATIVELYÅ HIGH FREQUENCYÅDISTURBANCE

FORCE ÅKNOWNÅASÅTHEÅFORCEÅRIPPLEÅ4HEÅFORCEÅRIPPLEÅISÅCAUSEDÅBYÅTWOÅPHENOMENON S

 &IRSTLY ÅAÅSTRONGÅMAGNETICÅINTERACTIONÅEXISTSÅBETWEENÅTHEÅPERMANENTÅMAGNETS
ONÅ THEÅ BASEÅ PLATEÅ ANDÅ THEÅ IRONÅ CORESÅ THATÅ AREÅ MOUNTEDÅ INÅ THEÅ COILSÅ OFÅ THE
TRANSLATORÅ 4HEÅ IRONÅ CORESÅ AREÅ EMPLOYEDÅ TOÅ OBTAINÅ AÅ HIGHÅ MOTORÅ EFFICIENCY
4HISÅ DISTURBANCEÅ FORCE Å KNOWNÅ ASÅ COGGING Å TRIESÅ TOÅ ALIGNÅ MAGNETSÅ ANDÅ IRON
CORESÅ TOÅ STABLEÅ iDETENTj Å POSITIONSÅ OFÅ THEÅ TRANSLATORÅ 4HEÅ COGGINGÅ FORCE
DEPENDSÅ ONLYÅ ONÅ THEÅ RELATIVEÅ POSITIONÅ OFÅ THEÅ TRANSLATORÅ WITHÅ RESPECTÅ TOÅ THE
MAGNETSÅ ITÅ ISÅ INDEPENDENTÅ OFÅ THEÅ MOTORÅ CURRENTÅ ANDÅ ISÅ OBSERVEDÅ INÅ AÅ ZERO
CURRENTÅ SITUATIONÅ ASÅ WELLÅ &ORÅ REASONSÅ OFÅ SIMPLICITY Å INÅ SIMULATIONSÅ THE
COGGINGÅ FORCE Å &#Å ;.= Å ISÅ MODELLEDÅ ASÅ AÅ SINUSOIDALÅ SHAPEDÅ INPUTÅ DISTURBANCE
 )NTRODUCTION

WITHÅ ANÅ AMPLITUDEÅ OFÅ Å ;.=Å ANDÅ AÅ PITCHÅ OFÅ E Å ;M=Å THATÅ DEPENDSÅ ONÅ THE
MOTORÅPOSITION ÅYÅ;M=

&# Y   SIN EY 

 3ECONDLY ÅAÅFORCEÅRIPPLEÅCANÅBEÅGENERATEDÅBYÅERRORSÅINÅTHEÅCOMMUTATION ÅIE

THEÅ WAYÅ THEÅ CURRENTÅ ISÅ APPLIEDÅ TOÅ THEÅ COILSÅ 7HENÅ MOVINGÅ AÅ COILÅ THROUGHÅ A
VARYINGÅELECTRO MAGNETICÅFIELD ÅAÅBACKÅ%-&ÅISÅGENERATEDÅTHATÅDEPENDSÅONÅTHE
VELOCITYÅOFÅTHEÅCOILÅINÅAÅLINEARÅWAYÅ)FÅTHEÅCURRENTÅAPPLIEDÅTOÅTHEÅCOILSÅISÅNOT
PROPORTIONALÅTOÅTHEÅBACKÅ%-&ÅAÅFORCEÅRIPPLEÅWILLÅRESULTÅTHATÅDEPENDSÅONÅTHE
POSITIONÅANDÅTHEÅVELOCITYÅOFÅTHEÅTRANSLATORÅ4HEÅBACKÅ%-&ÅCANÅBEÅCOMPUTED
FROMÅ AÅ DETAILEDÅ MODELÅ OFÅ THEÅ TRANSLATORÅ ANDÅ THEÅ MAGNETSÅ INÅ THEÅ BASEÅ PLATE
4HISÅREQUIRESÅTHEÅPOSITIONÅANDÅMAGNETICÅPROPERTIESÅOFÅTHEÅPERMANENTÅMAGNETS
TOÅ BEÅ KNOWNÅ ACCURATELYÅ )NÅ CASEÅ OFÅ THEÅ ,I--3Å ONEÅ HASÅ CHOSENÅ TOÅ USE
RELATIVELYÅ LOW COSTÅ MAGNETSÅ THATÅ HAVEÅ LARGEÅ MAGNETICÅ TOLERANCES
&URTHERMORE ÅTHEÅMAGNETSÅAREÅNOTÅPLACEDÅWITHÅTHEÅHIGHESTÅPOSSIBLEÅACCURACY
4HISÅ MAKESÅ ITÅ DIFFICULTÅ TOÅ OBTAINÅ THEÅ MODELÅ NEEDEDÅ TOÅ COMPUTEÅ THE
COMMUTATIONÅ ANDÅ THUSÅ AÅ FORCEÅ RIPPLEÅ RESULTSÅ 4HISÅ EFFECTÅ HASÅ NOTÅ BEEN
INCORPORATEDÅINÅTHEÅSIMULATIONÅMODEL

/THERÅ DISTURBANCESÅ THATÅ ACTÅ ONÅ THEÅ ,I--3 Å AREÅ FRICTIONÅ PHENOMENONSÅ INÅ THEÅ BALL
BEARINGSÅTHATÅAREÅPRESENTÅBETWEENÅTHEÅTRANSLATORÅANDÅTHEÅGUIDINGÅRAILSÅITÅRESTSÅONÅ )T
ISÅ ASSUMEDÅ THATÅ INÅ THEÅ REALÅ SET UPÅ THEÅ FRICTIONÅ CHARACTERISTICSÅ CANÅ BEÅ DESCRIBEDÅ BY
THEÅ 3TRIBECKÅ CURVEÅ ;!RMSTRONG (ELOUVRYÅ ETÅ AL Å = Å IEÅ THEÅ FRICTIONÅ CONSISTSÅ OF
#OULOMBÅ FRICTION Å STICTIONÅ ANDÅ VISCOUSÅ FRICTIONÅ )NÅ THEÅ SIMULATIONÅ MODEL Å ONLY
VISCOUSÅFRICTION ÅD,Å;.MS = ÅISÅCONSIDERED

&6 Y  Y 

4HISÅRESULTSÅINÅTHEÅSIMULATIONÅMODELÅGIVENÅINÅFIGUREÅ
 
u  y  y  y
? M, S S
&6
D,

&#
COGGING

&IGUREÅ -ODELÅOFÅTHEÅ,I--3

)NÅ CHAPTERÅ Å ANDÅ Å THISÅ APPLICATIONÅ WILLÅ BEÅ USEDÅ INÅ SIMULATIONÅ STUDIESÅ #HAPTERÅ 
PRESENTSÅRESULTSÅWITHÅAÅREALÅ,I--3
Å/UTLINEÅOFÅTHEÅ4HESIS 

 /UTLINEÅOFÅTHEÅ4HESIS

#HAPTERÅÅ2EPETITIVEÅMOTIONS
,ONGÅTERMÅSTABILITYÅISÅANÅESSENTIALÅPROPERTYÅFORÅAÅLEARNINGÅCONTROLLERÅ4OÅBEÅABLEÅTO
ANALYSEÅ THEÅ STABILITYÅ OFÅ THEÅ ,&&# Å AÅ SPECIALÅ TYPEÅ OFÅ MOTIONÅ ISÅ CONSIDERED Å IE
REPETITIVEÅ MOTIONSÅ )NÅ THISÅ CASE Å THEÅ ,&&#Å BECOMESÅ SIMILARÅ TOÅ TWOÅ OTHERÅ TYPESÅ OF
LEARNINGÅ CONTROLÅ )TERATIVEÅ ,EARNINGÅ #ONTROLÅ ),# Å ANDÅ 2EPETITIVEÅ #ONTROLÅ 2# 
2IGOROUSÅ STABILITYÅ ANALYSESÅ EXISTÅ BOTHÅ FORÅ ),#Å ANDÅ 2#Å "ASEDÅ ONÅ THIS Å AÅ STABILITY
ANALYSISÅ OFÅ ,&&#Å WILLÅ BEÅ PERFORMEDÅ 4HEÅ STABILITYÅ ANALYSISÅ GIVESÅ INSIGHTÅ INÅ THE
LEARNINGÅ BEHAVIOURÅ OFÅ ,&&#Å ANDÅ PROVIDESÅ RULESÅ FORÅ AÅ PROPERÅ CHOICEÅ OFÅ THEÅ DESIGN
PARAMETERS

#HAPTERÅÅ.ON 2EPETITIVEÅ-OTIONSÅnÅ)NPUTÅ3ELECTIONÅANDÅ#ONVERGENCE
)NÅTHISÅCHAPTERÅWEÅDERIVEÅCONDITIONSÅTHATÅAÅMOTIONÅSYSTEMÅMUSTÅFULFIL ÅBEFOREÅITÅCAN
BEÅCONTROLLEDÅBYÅANÅ,&&#Å&ROMÅTHIS ÅWEÅALSOÅGAINÅINSIGHTÅINÅTHEÅPROPERÅCHOICEÅOF
THEÅINPUTSÅOFÅTHEÅ"3.Å3TABILITYÅOFÅTHEÅ,&&#ÅWILLÅBEÅADDRESSEDÅ4HEÅRESULTSÅOFÅTHE
STABILITYÅANALYSIS ÅPERFORMEDÅINÅCHAPTERÅ ÅAREÅUSEDÅTOÅEXAMINEÅSTABILITYÅOFÅANÅ,&&#
THATÅPERFORMSÅRANDOMÅMOTIONSÅ)TÅSHOWSÅTHATÅWITHOUTÅADDITIONALÅSTABILITYÅMEASURES
LONGÅ TERMÅ STABILITYÅ CANNOTÅ BEÅ GUARANTEEDÅ 4HEREFORE Å WEÅ PROPOSEÅ AÅ NEWÅ STABILITY
MEASURE ÅREFERREDÅTOÅASÅREGULARISATION ÅWHICHÅISÅABLEÅTOÅSTABILISEÅ,&&#Å3IMULATIONS
AREÅPRESENTEDÅTHATÅCONFIRMÅTHEÅOPERATIONÅOFÅTHIS

#HAPTERÅÅ.ON 2EPETITIVEÅ-OTIONSÅnÅ0ARSIMONIOUSÅ,&&#
)TÅ APPEARSÅ THATÅ INÅ GENERALÅ THEÅ "3.Å WILLÅ HAVEÅ MULTIPLEÅ INPUTSÅ 4HISÅ MAYÅ CAUSE
PROBLEMSÅDUEÅTOÅTHEÅCURSEÅOFÅDIMENSIONALITYÅ7EÅWILLÅSHOWÅTHATÅREPLACINGÅTHEÅSINGLE
"3.Å BYÅ MULTIPLEÅ "3.SÅ MAYÅ OVERCOMEÅ THESEÅ PROBLEMSÅ 4HEÅ RESULTINGÅ ,&&#Å IS
KNOWNÅASÅAÅPARSIMONIOUSÅ,&&#Å&INALLY ÅWEÅSHOWÅHOWÅTHEÅPARSIMONIOUSÅ,&&#ÅCAN
BEÅTRAINED

#HAPTERÅÅ$ESIGNÅANDÅ!PPLICATIONS
(ERE ÅTHEÅTHEORETICALÅINSIGHTÅGAINEDÅINÅTHEÅPREVIOUSÅCHAPTERSÅISÅUSEDÅTOÅFORMULATEÅA
DESIGNÅ PROCEDUREÅ FORÅ ,&&#Å 4HISÅ PROCEDUREÅ WILLÅ BEÅ USEDÅ FORÅ TWOÅ PRACTICAL
APPLICATIONSÅ4HEÅFIRSTÅSYSTEMÅUNDERÅCONTROLÅISÅTHEÅ,I--3 ÅPRESENTEDÅINÅSECTIONÅ 
.EXT Å EXPERIMENTSÅ WILLÅ BEÅ PERFORMEDÅ WITHÅ AÅ PARTÅ OFÅ AÅ FLIGHTÅ SIMULATOR Å IEÅ THE
&OKKERÅ#ONTROLÅ,OADINGÅ3YSTEM
 )NTRODUCTION

#HAPTERÅÅ$ISCUSSION
7EÅENDÅUPÅDISCUSSINGÅTHEÅRESULTSÅOFÅTHEÅPREVIOUSÅCHAPTERSÅANDÅDRAWÅCONCLUSIONS
 2EPETITIVEÅ-OTIONS

 )NTRODUCTION

)TÅISÅOFÅVITALÅIMPORTANCEÅTHATÅAÅLEARNINGÅCONTROLLERÅFEATURESÅLONGÅTERMÅSTABILITYÅ/NE
WAYÅTOÅGUARANTEEÅTHISÅISÅTOÅSTOPÅLEARNINGÅONCEÅTHEÅDESIREDÅTRACKINGÅPERFORMANCEÅHAS
BEENÅOBTAINEDÅ(OWEVER ÅDURINGÅOPERATIONÅTHEÅPLANTÅCHARACTERISTICSÅMAYÅCHANGEÅDUE
TOÅ EGÅ WEARÅ ORÅ TEMPERATUREÅ INFLUENCESÅ )TÅ MAYÅ THUSÅ BEÅ DESIRABLEÅ TOÅ LEARN
CONTINUOUSLY Å SUCHÅ THATÅ THEÅ LEARNINGÅ CONTROLLERÅ ISÅ ABLEÅ TOÅ ADAPTÅ TOÅ THEÅ CHANGING
PLANTÅ3TABILITYÅMUSTÅTHENÅBEÅENSUREDÅONÅTHEÅBASISÅOFÅAÅTHEORETICALÅANALYSISÅ!ÅLARGE
PARTÅOFÅLITERATUREÅONÅLEARNINGÅCONTROLÅDEALSÅWITHÅSTABILITYÅ!SÅSTATEDÅINÅTHEÅPREVIOUS
CHAPTER Å NOTÅ ALLÅ ANALYSESÅ DEALÅ WITHÅ STABILITYÅ FROMÅ AÅ PRACTICALÅ POINTÅ OFÅ VIEWÅ /FTEN
THEÅ TRANSIENTÅ BEHAVIOURÅ ISÅ NOTÅ CONSIDEREDÅ 4HISÅ IMPLIESÅ THATÅ LARGEÅ TRACKINGÅ ERRORS
AREÅALLOWEDÅINÅTHEÅINTERMEDIATEÅPHASEÅOFÅLEARNINGÅ)NÅOURÅOPINION ÅAÅPROPERÅSTABILITY
ANALYSISÅSHOULD

 )NDICATEÅWHETHERÅTHEÅLEARNINGÅCONTROLLERÅISÅSTABLEÅORÅNOT
 0REDICTÅTHEÅTRANSIENTÅRESPONSEÅ7HENÅTHEÅLEARNINGÅCONTROLLERÅISÅAPPLIEDÅASÅAN
ADD ONÅ DEVICEÅ FORÅ ANÅ EXISTINGÅ CONTROLLER Å ITÅ ISÅ EXPECTEDÅ TOÅ IMPROVEÅ THE
TRACKINGÅ PERFORMANCEÅ 'ROWINGÅ TRACKINGÅ ERRORSÅ DURINGÅ LEARNINGÅ MAYÅ CAUSE
LOSSÅOFÅPRODUCTIONÅORÅMAYÅEVENÅHARMÅTHEÅPLANTÅ4OÅPREVENTÅTHIS ÅTHEÅSTABILITY
ANALYSISÅ SHOULDÅ ALSOÅ INDICATEÅ HOWÅ THEÅ TRACKINGÅ ERRORÅ CONVERGESÅ TOÅ ITSÅ FINAL
VALUE
 'IVEÅ INSIGHTÅ INÅ THEÅ STABILITYÅ ROBUSTNESSÅ !SÅ LEARNINGÅ ISÅ PERFORMED
CONTINUOUSLY Å THEÅ LEARNINGÅ CONTROLLERÅ SHOULDÅ REMAINÅ STABLEÅ EVENÅ WHENÅ THE
PLANTÅCHARACTERISTICSÅCHANGEÅ4HEÅSTABILITYÅANALYSISÅSHOULDÅINDICATEÅHOWÅMUCH


 2EPETITIVEÅ-OTIONS

THEÅ PLANTÅ CHARACTERISTICSÅ MAYÅ CHANGEÅ BEFOREÅ THEÅ LEARNINGÅ CONTROLLERÅ BECOMES
UNSTABLE
 'IVEÅGUIDELINESÅFORÅTHEÅCHOICEÅOFÅVALUESÅFORÅTHEÅDESIGNÅPARAMETERSÅ4HEÅVALUES
OFÅ THEÅ DESIGNÅ PARAMETERSÅ OFÅ THEÅ LEARNINGÅ CONTROLLERÅ SHOULDÅ BEÅ CHOSENÅ SUCH
THATÅ ITÅ FEATURESÅ FASTÅ ANDÅ STABLEÅ LEARNINGÅ WITHÅ AÅ DESIREDÅ TRANSIENTÅ RESPONSE
4HEÅ STABILITYÅ ANALYSISÅ SHOULDÅ NOTÅ ONLYÅ INDICATEÅ WHETHERÅ THISÅ ISÅ THEÅ CASEÅ OR
NOT ÅBUTÅSHOULDÅALSOÅGIVEÅGUIDELINESÅONÅHOWÅTHEÅVALUESÅSHOULDÅBEÅCHOSENÅSUCH
THATÅTHISÅISÅOBTAINED

4HEÅ STABILITYÅ ANALYSISÅ OFÅ ,&&# Å PRESENTEDÅ INÅ SECTIONÅ  Å ISÅ BASEDÅ ONÅ THEÅ STABILITY
ANALYSESÅOFÅTWOÅOTHERÅ LEARNINGÅ CONTROLÅ SCHEMESÅ WHICHÅ AREÅ CLOSELYÅ RELATEDÅ TOÅ IT Å IE
)TERATIVEÅ,EARNINGÅ#ONTROLÅ),# ÅANDÅ2EPETITIVEÅ#ONTROLÅ2# Å"OTHÅ),#ÅANDÅ2#
HAVEÅ BEENÅ DEVELOPEDÅ TOÅ CONTROLÅ PLANTSÅ THATÅ HAVEÅ TOÅ PERFORMÅ ONEÅ ANDÅ THEÅ SAME
MOTIONÅOVERÅANDÅOVERÅAGAINÅ)NÅSECTIONÅÅANDÅ ÅWEÅWILLÅSHORTLYÅREVIEWÅ),#ÅAND
2#Å &URTHERMORE Å MATTERSÅ LIKEÅ STABILITY Å LEARNINGÅ BEHAVIOURÅ ANDÅ DESIGNÅ WILLÅ BE
DISCUSSEDÅ3ECTIONÅÅWILLÅSHOWÅTHATÅTHEÅSTRUCTUREÅOFÅANÅ,&&#ÅTHATÅISÅDESIGNEDÅFOR
REPETITIVEÅMOTIONSÅISÅSIMILARÅTOÅTHEÅSTRUCTUREÅOFÅ),#ÅANDÅ2#Å4HEREFORE ÅINSIGHTÅIN
THEÅ ROLEÅ OFÅ THEÅ DESIGNÅ PARAMETERSÅ OFÅ ),#Å ANDÅ 2#Å CANÅ BEÅ USEDÅ INÅ THEÅ STABILITY
ANALYSISÅ OFÅ ,&&# Å SECTIONÅ Å &INALLY Å THEÅ RESULTSÅ OFÅ THEÅ STABILITYÅ ANALYSISÅ WILLÅ BE
VERIFIEDÅBYÅMEANSÅOFÅSIMULATIONSÅINÅSECTIONÅ

 )TERATIVEÅ,EARNINGÅ#ONTROL

 /RIGINALÅ),#Å3CHEME
-ANYÅ INDUSTRIALÅ MOTIONÅ SYSTEMSÅ REPEATEDLYÅ PERFORMÅ AÅ SPECIFICÅ MOTIONÅ 4HINK Å FOR
EXAMPLE Å OFÅ PICK AND PLACEÅ MACHINESÅ ORÅ WELDINGÅ ROBOTSÅ !Å LEARNINGÅ CONTROLÅ SYSTEM
THATÅISÅSUITEDÅFORÅTHISÅTYPEÅOFÅAPPLICATIONSÅISÅ),#Å ;!RIMOTOÅETÅAL ÅÅ+AWAMURA
ETÅ AL Å Å -OORE Å  AÅ -OOREÅ ETÅ AL Å  BÅ "IENÅ ANDÅ 8U Å =Å !Å MORE
DETAILEDÅDESCRIPTIONÅOFÅTHEÅFIELDÅOFÅINTERESTÅOFÅ),#ÅISÅGIVENÅBYÅTHEÅFOLLOWINGÅAXIOMS
;!RIMOTO Å=

 !ÅPLANTÅREPEATEDLYÅPERFORMSÅAÅSPECIFICÅMOTIONÅTHATÅENDSÅINÅAÅFIXEDÅDURATION
4PÅ;S=

 4HEÅPLANTÅDYNAMICSÅAREÅTIME INVARIANT

 4HEÅDESIREDÅOUTPUT Å YD T ÅT‰; 4P= ÅISÅGIVENÅAÅPRIORI

 &ORÅEACHÅTRIAL ÅTHEÅINITIALÅSTATESÅAREÅTHEÅSAME
Å)TERATIVEÅ,EARNINGÅ#ONTROL 

 4HEÅPLANTÅOUTPUT ÅYT ÅISÅOBSERVABLE

 4HEREÅEXISTSÅAÅUNIQUEÅINPUT Å UD T ÅTHATÅYIELDSÅ YD T 

4HEÅORIGINALÅSOLUTIONÅTOÅTHISÅPROBLEM ÅPROPOSEDÅINÅ;!RIMOTOÅETÅAL Å=ÅISÅDEPICTED

INÅFIGUREÅÅ4HEÅSTEERINGÅSIGNALÅFORÅTHEÅ K THEÅTRIAL Å U&K T ÅISÅSTOREDÅINÅAÅMEMORY
BUFFERÅOFÅLENGTHÅ4PÅ;S=Å$URINGÅMOTION ÅTHEÅTRACKINGÅERROR Å EK T ÅISÅRECORDEDÅ!TÅTHE
ENDÅOFÅTHEÅTRIALÅ EK T ÅISÅUSEDÅTOÅMODIFYÅTHEÅSTEERINGÅSIGNALÅINÅSUCHÅWAYÅTHATÅINÅTHE
FOLLOWINGÅ TRIALÅ AÅ SMALLERÅ TRACKINGÅ ERRORÅ WILLÅ RESULTÅ 4HISÅ ISÅ DONEÅ BYÅ FILTERINGÅ EK T
WITHÅTHEÅLEARNINGÅFILTER Å , ÅANDÅADDINGÅTHEÅRESULTÅTOÅ U&K T ÅWHICHÅYIELDSÅ U&K  T 
.OTEÅTHATÅTHISÅCONTROLÅSYSTEMÅISÅOPENÅLOOPÅINÅNATURE

MEMORY
U&
R E Y
0

&IGUREÅ /RIGINALÅ),#

4HEÅNON LINEAR ÅPLANT Å0 ÅISÅGIVENÅBY

X  F X "U

Y  #X

INÅ WHICHÅ FÅ ISÅ GLOBALLYÅ ,IPSCHITZÅ CONTINUOUS Å BUTÅ UNKNOWNÅ )NÅ THEÅ ORIGINALÅ ),#
;!RIMOTOÅETÅAL Å= Å,ÅWASÅIMPLEMENTEDÅASÅAÅPUREÅDIFFERENTIATOR ÅWHICHÅGIVESÅTHE
FOLLOWINGÅLEARNINGÅRULE

U&K 
T  U&K T (EK T 

!NALYSISÅ SHOWSÅ ;!RIMOTOÅ ETÅ AL Å Å (EINZINGERÅ ETÅ AL Å =Å THATÅ LEARNING
CONVERGESÅINÅTHEÅSENSEÅOFÅTHEÅM NORM

UD T  U&K 
T b S UD T  U&K T 
M M
 2EPETITIVEÅ-OTIONS

WITHÅS ÅIF

)  #"( d  

4HEÅM NORMÅISÅDEFINEDÅAS

F T M  MAX E MT F T d 

T ‰<  4 >

WHEREÅ M ‰ \ 

2EMARKÅÅM NORM Å.OTEÅTHATÅBYÅCHOOSINGÅ M   ÅWEÅOBTAINÅTHEÅFOLLOWINGÅNORM

F T M 
 MAX E T F T d 
T ‰ ¢¡ 4P ¯±°

WHICHÅISÅUNEQUALÅTOÅTHEÅCOMMONÅ(ÅNORM Å F T  

)NÅ LITERATUREÅ ONÅ ),# Å THEÅ M NORMÅ ISÅ OFTENÅ USEDÅ TOÅ PROVEÅ THATÅ LEARNINGÅ CONVERGES
(OWEVER ÅAÅLEARNINGÅCONTROLLERÅTHATÅCONVERGESÅINÅTHEÅSENSEÅOFÅTHEÅ M NORMÅDOESÅNOT
NECESSARILYÅHAVEÅAÅGOODÅTRANSIENTÅRESPONSEÅ4HISÅISÅCAUSEDÅBYÅTHEÅFACTÅTHATÅVALUESÅAT
THEÅ ENDÅ OFÅ THEÅ TRIALÅ TÅ CLOSEÅ TOÅ 4P Å AREÅ WEIGHTEDÅ MUCHÅ LESSÅ THANÅ THOSEÅ ATÅ THE
BEGINNINGÅ TÅ CLOSEÅ TOÅ  Å ;!MANNÅ ANDÅ /WENS Å =Å 4HEÅ TRACKINGÅ ERRORÅ ATÅ THE
BEGINNINGÅOFÅ THEÅ TRIALÅ DECREASESÅ FROMÅ TRIALÅ TOÅ TRIAL Å WHILEÅ THEÅ TRACKINGÅ ERRORÅ ATÅ THE
ENDÅBUILDSÅUPÅ!SÅSTATEDÅINÅTHEÅPREVIOUSÅCHAPTER ÅTHISÅTYPEÅOFÅLEARNINGÅBEHAVIOURÅIS
UNWANTED

EÅ.ÅT
EÅT

EÅÅT EÅÅT

 4P
TÅ;S=

&IGUREÅ 4YPICALÅLEARNINGÅBEHAVIOURÅOFÅTHEÅORIGINALÅ),#

4HISÅPROBLEMÅCANÅBEÅOVERCOMEÅBYÅCONSIDERINGÅTHEÅTRIALÅLENGTHÅTOÅBEÅINFINITEÅ;!MANN
ANDÅ/WENS Å=Å&ROMÅAÅ PRACTICALÅ POINTÅ OFÅ VIEWÅ ITÅ SEEMSÅ STRANGEÅ TOÅ ASSUMEÅ THE
LENGTHÅ OFÅ AÅ TASK Å WHICHÅ ISÅ TOÅ BEÅ REPEATEDLYÅ PERFORMED Å TOÅ BEÅ INFINITEÅ (OWEVER
MATHEMATICALLYÅTHISÅASSUMPTIONÅISÅADVANTAGEOUSÅBECAUSE
Å)TERATIVEÅ,EARNINGÅ#ONTROL 

 )TÅENABLESÅTHEÅUSEÅOFÅFREQUENCYÅDOMAINÅANALYSIS
 )FÅTHEÅTRIALÅLENGTHÅISÅLONGÅCOMPAREDÅTOÅTHEÅTIMEÅCONSTANTSÅOFÅTHEÅSYSTEM ÅTHE
INFINITEÅTRIALÅLENGTHÅISÅAÅGOODÅAPPROXIMATIONÅOFÅTHEÅREALÅSITUATION
Å !Å LEARNINGÅ MECHANISMÅ THATÅ CONVERGESÅ ONÅ INFINITEÅ TRIALÅ LENGTH Å MUSTÅ ALSO
CONVERGEÅONÅFINITEÅTRIALÅLENGTH
 )TÅ GIVESÅ INSIGHTÅ INÅ THEÅ PROPERTIESÅ OFÅ THEÅ CONTROLLERÅ WHICHÅ MAYÅ BEÅ HARDÅ TO
OBTAINÅBYÅFINITEÅTIMEÅANALYSIS

 #URRENTÅ#YCLEÅ&EEDBACK
4HEÅ),#ÅOFÅ ÅISÅANÅOPEN LOOPÅCONTROLLERÅ 4HISÅMEANSÅ THATÅTHEÅCONTROLLERÅISÅNOT
ABLEÅTOÅ COMPENSATEÅ FORÅ RANDOMÅ DISTURBANCESÅ )FÅ THESEÅ AREÅ SIGNIFICANT Å COMPAREDÅ TO
THEÅ REPRODUCIBLEÅ DISTURBANCES Å ITÅ ISÅ NOTÅ POSSIBLEÅ TOÅ OBTAINÅ AÅ HIGHÅ TRACKING
PERFORMANCEÅ!NOTHERÅPROBLEMÅMAYÅOCCURÅWHENÅTHEÅPLANTÅISÅUNSTABLEÅ4OÅOVERCOME
THESEÅDIFFICULTIESÅ ;#HENÅETÅAL ÅÅ#HIENÅANDÅ,IU Å= ÅAÅFEEDBACKÅCONTROLLERÅIS
ADDEDÅTOÅTHEÅ),#ÅFIGUREÅ  Å3INCEÅTHEÅINPUTÅOFÅTHEÅPLANTÅDOESÅNOTÅCONSISTÅOFÅTHE
FEED FORWARDÅSIGNALÅONLY ÅWHICHÅDEPENDSÅONÅINFORMATIONÅGATHEREDÅINÅPREVIOUSÅTRIALS
BUTÅALSOÅOFÅTHEÅFEEDBACKÅSIGNAL ÅTHISÅTYPEÅOFÅ),#ÅISÅKNOWNÅASÅCURRENTÅCYCLEÅFEEDBACK
&ORÅSAKEÅOFÅSIMPLICITY ÅINÅTHEÅFOLLOWINGÅONLYÅ,4)Å3)3/ÅPLANTSÅWILLÅBEÅCONSIDERED

MEMORY
U&
R E U# Y
# 0

&IGUREÅ ),#ÅINCORPORATINGÅFEEDBACKÅCONTROLLER

)NÅTHEÅFREQUENCYÅDOMAINÅTHEÅLEARNINGÅMECHANISMÅISÅGIVENÅBY

5 &K 
 5 &K , %K 

)NÅWHICH Å 5 &K ÅISÅTHEÅ&OURIERÅTRANSFORMÅOFÅTHEÅFEED FORWARDÅSIGNALÅINÅRUNÅ KÅANDÅ % K

ISÅ THEÅ &OURIERÅ TRANSFORMÅ OFÅ THEÅ CORRESPONDINGÅ TRACKINGÅ ERRORÅ ,EARNINGÅ CONVERGES
IEÅ THEÅ SYSTEMÅ REMAINSÅ STABLE Å IFÅ THEÅ FEEDBACKÅ LOOPÅ ISÅ STABLEÅ ANDÅ THEÅ FOLLOWING
CONDITIONÅISÅSATISFIED
 2EPETITIVEÅ-OTIONS

X ‰ \  5 &K  J X 5 &K  J X  5 &K  J X 5 &K J X 

d d

4HEÅLEFTÅHANDÅSIDEÅOFÅ ÅCANÅBEÅWRITTENÅAS

5 &K  5 &K   5 &K  ,% K  5 &K  , % K 

d d

7HERE

% K  2 9 K
 #0 0 ¬
 2  žž 2 5 &K ­­­ 
žŸ  #0  #0 ®
 0
 2 5K
 #0  #0 &

3UBSTITUTINGÅ ÅINÅ ÅGIVES

,0
5 &K  5 &K   5 &K  5 &K  5 K  5 &K
d  #0 & d
 ,0 ¬­ K 
 žž  ­5 5 &K 
žŸ  #0 ­® & d
 ,0 ­¬
b žž  ­ 5 &K  5 &K
žŸ  #0 ­® d d

)TÅCANÅTHUSÅBEÅCONCLUDEDÅTHATÅLEARNINGÅCONVERGESÅIF

,0
  
 #0 d

,0
)NÅTHEÅ.YQUISTÅPLOTÅTHISÅMEANSÅTHATÅ   ÅMUSTÅLIEÅINÅTHEÅUNITÅCIRCLEÅ)NÅORDER
 #0
TOÅEXAMINEÅINÅWHATÅWAYÅ,ÅMUSTÅBEÅCHOSEN ÅWEÅFIRSTÅPRESENTÅAÅ.YQUISTÅPLOTÅOFÅ
0 0
FORÅ,Å)NÅFIGUREÅÅ.YQUISTÅPLOTSÅOFÅ ÅANDÅ   ÅTHATÅAREÅTYPICALÅFOR
 #0  #0
MOTIONÅSYSTEMSÅAREÅSHOWN
Å)TERATIVEÅ,EARNINGÅ#ONTROL 

)M )M

2E 2E
 
0
 #0
 0
 #0

A
B

&IGUREÅ A Å4YPICALÅ.YQUISTÅPLOTÅOF B Å4YPICALÅ.YQUISTÅPLOTÅOF

0 #0 Å 0 #0

0  0 ­¬
4HEÅ .YQUISTÅ PLOTÅ OFÅ   Å ISÅ OUTSIDEÅ THEÅ UNITÅ CIRCLEÅ WHENÅ 2E žž 
 #0 žŸ  #0 ­­®
0
WHICHÅ OCCURSÅ WHENÅ THEÅ PHASEÅ OFÅ Å LIESÅ BETWEENÅ QÅ ANDÅ nQ
 #0
0
&URTHERMORE Å AÅ TOOÅ LARGEÅ MAGNITUDEÅ OFÅ Å CAUSESÅ VIOLATIONÅ OFÅ  Å 4HE
 #0
0
LEARNINGÅFILTERÅ,ÅHASÅTOÅCOMPENSATEÅFORÅTHEÅPHASEÅANDORÅTHEÅMAGNITUDEÅOFÅ 
 #0
)NÅFIGUREÅA BÅTHEÅEFFECTÅOFÅSUCHÅANÅ,ÅONÅTHEÅ.YQUISTÅPLOTÅISÅGIVEN

)M )M

2E 2E
 

,0  ,0
0  #0  #0
 #0  0
 #0
A
B

&IGUREÅÅ A Å4YPICALÅ.YQUISTÅPLOTÅOFÅ,0 #0
B Å4YPICALÅ.YQUISTÅPLOTÅOFÅ ,0 #0

4OÅDESIGNÅSUCHÅANÅ, ÅDETAILEDÅKNOWLEDGEÅOFÅTHEÅPLANTÅISÅREQUIREDÅ&ORÅLOWÅFREQUENCY
DYNAMICS ÅAÅCOMPETENTÅMODELÅOFÅTHEÅPLANTÅOFTENÅEXISTSÅ(OWEVER ÅIDENTIFICATIONÅAND
MODELLINGÅOFÅHIGHÅFREQUENCYÅDYNAMICSÅISÅDIFFICULTÅANDÅMAYÅLEADÅTOÅANÅINCOMPETENT
 2EPETITIVEÅ-OTIONS

MODELÅ4HISÅCOULDÅRESULTÅINÅANÅ,ÅTHATÅCOMPENSATESÅWELLÅFORÅLOWÅFREQUENCIESÅBUTÅDOES
NOTÅCOMPENSATEÅAPPROPRIATELYÅFORÅALLÅHIGHÅFREQUENCIESÅANDÅTHEREFOREÅCAUSESÅUNSTABLE
BEHAVIOUR

 2OBUSTNESSÅ-EASURES
7EÅWILLÅDISCUSSÅTWOÅMETHODSÅTHATÅMAKEÅ),#ÅROBUSTÅFORÅUNMODELLEDÅHIGHÅFREQUENCY
DYNAMICSÅ)NÅ;(ARAÅETÅAL Å=ÅITÅISÅPROPOSEDÅTOÅINCORPORATEÅAÅLOW PASSÅ 1 FILTERÅIN
THEÅ MEMORYÅ LOOPÅ 4HEÅ 1 FILTERÅ ISÅ DESIGNEDÅ SUCHÅ THATÅ ITÅ SUPPRESSESÅ THEÅ FREQUENCY
COMPONENTSÅ ATÅ WHICHÅ THEÅ PLANTÅ MODELÅ ISÅ INACCURATEÅ 4HEÅ LOWERÅ FREQUENCIES Å AT
WHICHÅ THEÅ MODELÅ ISÅ ACCURATE Å AREÅ PASSEDÅ 4HEÅ 1 FILTERÅ ISÅ EITHERÅ PLACEDÅ BEFOREÅ THE
MEMORYÅ;2OOVER Å= ÅASÅINÅFIGUREÅ ÅORÅINÅTHEÅMEMORYÅFEEDBACKÅLOOPÅ;-OOREÅET
AL Å B=

,
1

MEMORY
U&
R E U# Y
# 0

&IGUREÅ ),#ÅWITHÅLOW PASSÅ1 FILTER

4HEÅLEARNINGÅMECHANISMÅBECOMES

5 &K 
 1 5 &K , %K 

5SINGÅTHEÅSAMEÅAPPROACHÅASÅBEFORE ÅTHEÅFOLLOWINGÅSTABILITYÅCRITERIONÅCANÅBEÅDERIVED

 ,0 ¬­
1 žž  ­  
žŸ  #0 ®­ d

)NÅ FIGUREÅ A BÅ THEÅ EFFECTÅ OFÅ THEÅ 1 FILTERÅ ISÅ PRESENTEDÅ GRAPHICALLYÅ &IRSTLY Å 1Å IS
,0
CHOSENÅEQUALÅTOÅ ÅWHICHÅGIVESÅ   Å!PPARENTLY Å,ÅISÅNOTÅDESIGNEDÅPROPERLY
 #0
Å)TERATIVEÅ,EARNINGÅ#ONTROL 

,0
SINCEÅ   Å LIESÅ OUTSIDEÅ THEÅ UNITÅ DISCÅ FORÅ SOMEÅ FREQUENCIESÅ ANDÅ LEARNINGÅ WILL
 #0
THUSÅDIVERGEÅ.EXT Å1ÅISÅCHOSENÅASÅAÅLOWÅPASSÅFILTERÅ"YÅADDINGÅ1 ÅTHEÅAMPLITUDEÅOF
,0
 ÅATÅTHEÅHIGHÅFREQUENCIESÅISÅDECREASEDÅSUCHÅ THATÅ THEÅWHOLEÅ.YQUISTÅ PLOT
 #0
NOWÅLIESÅINÅTHEÅUNITÅCIRCLE

)M )M

2E 2E
 

 ,0 1,0
 #0 1  #0

A
B

&IGUREÅÅ A Å4YPICALÅ.YQUISTÅPLOTÅOFÅ ,0 #0

B Å4YPICALÅ.YQUISTÅPLOTÅOFÅ1 1,0 #0 Å1ÅLOWÅPASS

"YÅ ADDINGÅ THEÅ 1 FILTER Å ,Å NOÅ LONGERÅ NEEDSÅ TOÅ COMPENSATEÅ ATÅ HIGHÅ FREQUENCIES
EXACTLYÅ4HISÅMAKESÅTHEÅ),#ÅMOREÅROBUSTÅFORÅUNMODELLEDÅHIGHÅFREQUENCYÅDYNAMICS
(OWEVER ÅAÅDISADVANTAGEÅOFÅINCORPORATINGÅTHEÅ 1 FILTERÅISÅTHATÅAÅZEROÅTRACKINGÅERROR
CANÅ NOÅ LONGERÅ BEÅ OBTAINEDÅ 4HEÅ TRACKINGÅ ERRORÅ THATÅ REMAINSÅ CANÅ BEÅ CALCULATEDÅ AS
FOLLOWSÅ&IRSTLY ÅWHENÅ ÅISÅSATISFIED ÅLEARNINGÅCONVERGESÅWHICHÅMEANSÅTHAT

LIM 5 &K   5 &K 

K ld

3UBSTITUTINGÅ ÅINÅTHEÅLEARNINGÅRULEÅ ÅGIVES

1, K
LIM 5 &K  % 
K ld  1

5SINGÅ  Å WEÅ CANÅ CALCULATEÅ THEÅ TRACKINGÅ ERRORÅ THATÅ REMAINSÅ WHENÅ LEARNINGÅ HAS
CONVERGED
 2EPETITIVEÅ-OTIONS

 0 ž 1, ­¬ K
LIM % K  2 ž ­%
K ld  #0  #0 žŸ   1 ­­®
 10, ¬­ 
” LIM % K žžž ­­  2 
K ld Ÿž  #0   1 ­®  #0
 1
” LIM % K  2
K ld  #0   1 10,

4HEÅ 1 FILTERÅ ISÅ DESIGNEDÅ ASÅ AÅ LOW PASSÅ FILTER Å WHICHÅ MEANSÅ THATÅ 1xÅ FORÅ LOW
FREQUENCIES Å WHILEÅ 1xÅ FORÅ HIGHÅ FREQUENCIESÅ )NSPECTINGÅ  Å WEÅ CANÅ SEEÅ THATÅ FOR
LOWÅFREQUENCIES

LIM % K x  
K ld

ANDÅFORÅHIGHÅFREQUENCIES


LIM % K  2 
K ld  #0

4HEÅ BANDWIDTHÅ OFÅ THEÅ 1 FILTERÅ SHOULDÅ THUSÅ BEÅ CHOSENÅ LARGERÅ THANÅ ORÅ EQUALÅ TOÅ THE
CLOSEDÅLOOPÅBANDWIDTHÅWEÅWANTÅTOÅOBTAIN

!NÅALTERNATIVEÅAPPROACHÅWASÅTAKENÅAFTERÅNOTINGÅTHATÅTHEÅORIGINALÅ),#ÅFEATURESÅLOCAL
POINT TO POINT Å ADAPTATIONÅ OFÅ THEÅ FEED FORWARDÅ SIGNALÅ 4HISÅ MEANSÅ THATÅ ATÅ EACH
SAMPLEÅ INSTANT Å ONLYÅ THEÅ FEED FORWARDÅ SIGNALÅ BELONGINGÅ TOÅ THATÅ INSTANTÅ ISÅ ADAPTED
(OWEVER Å THEÅ FEED FORWARDÅ SIGNALÅ THATÅ HASÅ TOÅ BEÅ LEARNEDÅ ISÅ OFTENÅ CONTINUOUSÅ AND
CHANGESÅ RELATIVELYÅ LITTLEÅ BETWEENÅ Å SAMPLESÅ 4HISÅ SUGGESTSÅ THATÅ THEÅ ADAPTATIONÅ OF
THEÅFEED FORWARDÅSIGNALÅATÅTHEÅCURRENTÅINSTANTÅCOULDÅWELLÅBEÅUSEDÅTOÅADAPTÅTHEÅFEED
FORWARDÅSIGNALÅATÅNEIGHBOURINGÅINSTANTSÅASÅWELLÅ/NEÅWAYÅTOÅACCOMPLISHÅTHISÅKINDÅOF
ADAPTATIONÅISÅTOÅDEFINEÅTHEÅFEED FORWARDÅSIGNALÅASÅANÅ INTEGRALÅEXPRESSION ÅCONSISTING
OFÅ AÅ KNOWNÅ KERNELÅ ANDÅ ANÅ UNKNOWNÅ INFLUENCEÅ FUNCTIONÅ ;(OROWITZÅ ETÅ AL Å 
-ESSNERÅETÅAL Å=

4P
U& T  ¨ + T U C T U DU 

)NÅ WHICHÅ + T U Å ISÅ THEÅ KNOWNÅ KERNELÅ ANDÅ C T U Å ISÅ THEÅ UNKNOWNÅ INFLUENCE
FUNCTIONÅ&ORÅAÅGOODÅAPPROXIMATIONÅOFÅTHEÅFEED FORWARDÅSIGNAL ÅTHEÅKERNELÅFUNCTION
HASÅTOÅBEÅAÅSMOOTHÅFUNCTIONÅ!ÅTYPICALÅEXAMPLEÅOFÅAÅSUITABLEÅKERNELÅFUNCTIONÅISÅTHE
'AUSSIANÅDISTRIBUTIONÅFUNCTION ÅWHICHÅISÅDEFINEDÅBY
Å)TERATIVEÅ,EARNINGÅ#ONTROL 


 T U
 
+ T U  E  T 
QT

&ORÅVÅTHEÅ'AUSSIANÅDISTRIBUTIONÅHASÅTHEÅFOLLOWINGÅSHAPE


+T U





UÅ;S=

&IGUREÅ 'AUSSIANÅKERNELÅFUNCTIONÅT T 

)NÅTHISÅTYPEÅOFÅ),# ÅTRAININGÅISÅDONEÅBYÅADAPTINGÅTHEÅINFLUENCEÅFUNCTIONÅ!ÅLEARNING
RULEÅTHATÅCANÅBEÅUSEDÅFORÅCONTROLÅOFÅROBOTÅMANIPULATORSÅISÅ;(OROWITZÅETÅAL Å=

sC T U
 + T U E T 
sT

)NÅWHICHÅ E T ÅISÅTHEÅVELOCITYÅERRORÅOFÅTHEÅROBOTÅMANIPULATORÅ.OTEÅTHATÅAÅ'AUSSIAN
KERNELÅ ISÅ NON ZEROÅ OVERÅ ITSÅ ENTIREÅ INPUTÅ DOMAINÅ 4HEREFORE Å EXECUTIONÅ OFÅ LEARNING
RULEÅ  ÅATÅAÅPARTICULARÅSAMPLEÅINSTANTÅIMPLIESÅTHATÅTHEÅFEED FORWARDÅSIGNALÅWILL
BEÅADAPTEDÅOVERÅTHEÅFULLÅDOMAINÅ; 4P=Å7EÅREFERÅTOÅTHISÅASÅGLOBALÅADAPTATIONÅ$UEÅTO
THEÅ FACTÅ THATÅ ADAPTATIONÅ ISÅ NOÅ LONGERÅ LOCAL Å LEARNINGÅ MAYÅ CONVERGEÅ FASTERÅ THANÅ IN
CASEÅOFÅPOINTÅTOÅPOINTÅADAPTATIONÅ%XPERIMENTSÅCONFIRMEDÅTHIS

!NALYSESÅ ANDÅ EXPERIMENTSÅ SHOWEDÅ THATÅ THEÅ USEÅ OFÅ KERNELÅ FUNCTIONSÅ IMPROVEDÅ THE
ROBUSTNESSÅPROPERTIESÅOFÅTHEÅ),#ÅCONTROLLERÅ ;(OROWITZ Å=ÅINDICATEDÅTHATÅTHISÅIS
TOÅBEÅEXPECTED Å ASÅ THEÅ POINTÅ TOÅ POINTÅ ADAPTATIONÅ OFÅ THEÅ FEED FORWARDÅ SIGNALÅ INÅ THE
ORIGINALÅ ),#Å ISÅ THEÅ CAUSEÅ OFÅ UNSTABLEÅ BEHAVIOURÅ 4HEÅ USEÅ OFÅ KERNELÅ FUNCTIONS
IMPROVESÅTHEÅROBUSTNESSÅBECAUSEÅTHEÅiWIDTHjÅ VÅOFÅTHEÅ'AUSSIANÅKERNELÅFUNCTIONÅHAS
THEÅCHARACTERÅOFÅAÅLOWÅPASSÅFILTERÅITÅDETERMINESÅTHEÅFREQUENCIESÅTHATÅCANÅBEÅPRESENT
INÅ AÅ SIGNALÅ CONSISTINGÅ OFÅ AÅ COMBINATIONÅ OFÅ SUCHÅ KERNELÅ FUNCTIONSÅ "OTHÅ THEÅ KNOWN
KERNELÅANDÅTHEÅLEARNINGÅRULEÅAREÅSUCHÅAÅCOMBINATION
 2EPETITIVEÅ-OTIONS

 $ESIGNÅ0ROCEDURES
3EVERALÅ DESIGNÅ PROCEDURESÅ EXISTÅ ;,ONGMAN Å =Å OFÅ WHICHÅ WEÅ WILLÅ VERYÅ BRIEFLY
DISCUSSÅ THEÅ FOLLOWINGÅ )NÅ ;+AVLI Å = Å AÅ HEURISTICÅ DESIGNÅ PROCEDUREÅ ISÅ PROPOSED
4HISÅPROCEDUREÅCOMPRISESÅTHEÅFOLLOWINGÅSTEPS

 #ONSTRUCTÅAÅMODELÅTHATÅDESCRIBESÅTHEÅPLANTÅACCURATELYÅUPÅTOÅANÅFREQUENCYÅX1
 -ANUALLYÅDESIGNÅTHEÅLEARNINGÅFILTER Å, ÅSUCHÅTHAT

 0 JX ¬­
X ‰ ¡  X1 °¯  , J X x žžž ­­­ 
¢ ± žŸ  # JX 0 JX ®

WHEREÅX1ÅISÅFREQUENCY ÅUPÅTOÅWHICHÅPERFECTÅTRACKINGÅISÅDESIREDÅ4HISÅREQUIRES
AÅMODELÅOFÅTHEÅPLANTÅTHATÅISÅACCURATEÅATÅLEASTÅUPÅTOÅX1
 #HOOSEÅ 1Å ASÅ AÅ LOW PASSÅ FILTERÅ WITHÅ ZEROÅ PHASEÅ ANDÅ AÅ CUT OFFÅ FREQUENCYÅ X1
SUCHÅTHATÅ ÅISÅSATISFIED

!Å MOREÅ FORMALÅ DESIGNÅ METHOD Å BASEDÅ ONÅ ANÅ ( dÅ APPROACH Å ISÅ PROPOSEDÅ INÅ ;!MANN
ANDÅ /WENS Å Å 2OOVER Å Å 2OOVER Å =Å 4HEÅ DESIGNÅ PROCEDUREÅ CONSISTSÅ OF
THEÅFOLLOWINGÅSTEPS

 #HOOSEÅLOW PASSÅ1 FILTERÅWITHÅCUT OFFÅFREQUENCYÅX1

 "YÅMEANSÅOFÅ(dÅSYNTHESISÅFINDÅANÅ,ÅSUCHÅTHAT

 , JW 0 JW ¬­
, JW  ARG MIN 1 JW žžž  ­­ 
žŸ  # JW 0 JW ­®
d

4HEÅADVANTAGESÅOFÅTHISÅMETHODÅOVERÅTHEÅHEURISTICÅDESIGNÅPROCEDUREÅAREÅTHATÅANÅ ,ÅIS
OBTAINEDÅTHATÅMINIMISESÅ ÅANDÅTHUSÅHASÅTHEÅLARGESTÅPOSSIBLEÅCONVERGENCEÅRATE
ANDÅ THATÅ THISÅ METHODÅ CANÅ BEÅ APPLIEDÅ TOÅ MULTIVARIATEÅ ),#Å (OWEVER Å THEÅ METHOD
DOESÅ NOTÅ TAKEÅ UNCERTAINTYÅ INÅ THEÅ PLANTÅ MODELÅ INTOÅ ACCOUNTÅ )NÅ ;2OOVER Å =Å A
DESIGNÅMETHODÅISÅPROPOSEDÅ THATÅISÅBASEDÅONÅ N SYNTHESISÅ ANDÅ THATÅ DOESÅ ALLOWÅ PLANT
UNCERTAINTY

 %XTENSIONÅOFÅTHEÅ&IELDÅOFÅ!PPLICATION
!TÅTHEÅBEGINÅOFÅTHISÅSECTION ÅÅAXIOMSÅAREÅGIVENÅTHATÅDESCRIBEÅTHEÅTYPEÅOFÅPROBLEMS
),#Å CONSIDERSÅ .OTÅ ALLÅ PRACTICALÅ APPLICATIONSÅ FULFILÅ THESEÅ Å AXIOMSÅ 4HEREFORE
EXTENSIVEÅ RESEARCHÅ ISÅ UNDERTAKENÅ TOÅ MODIFYÅ ),# Å SUCHÅ THATÅ ITÅ CANÅ BEÅ APPLIEDÅ TO
THESEÅAPPLICATIONS
Å2EPETITIVEÅ#ONTROL 

!XIOMÅ Å STATESÅ THATÅ FORÅ EACHÅ TRIAL Å THEÅ INITIALÅ CONDITIONSÅ AREÅ THEÅ SAMEÅ (OWEVER
THISÅMAYÅNOTÅALWAYSÅBEÅTHEÅCASEÅ)NÅ;,EEÅANDÅ"IEN ÅÅ,EEÅANDÅ"IEN Å= ÅTHE
ROBUSTNESSÅ FORÅ AÅ BOUNDEDÅ BUTÅ RANDOMÅ INITIALÅ ERRORÅ ISÅ EXAMINEDÅ OFÅ ANÅ ),#Å WITHÅ A
0$ TYPEÅ ,Å )TÅ WASÅ SHOWNÅ THATÅ LEARNINGÅ STILLÅ CONVERGESÅ ANDÅ THATÅ THEÅ FINALÅ TRACKING
ERRORÅDEPENDSÅONÅTHEÅBOUNDÅOFÅTHEÅINITIALÅERROR

),#Å CONSIDERSÅ ONEÅ SPECIFICÅ MOTIONÅ THATÅ ISÅ TOÅ BEÅ REPEATEDÅ OVERÅ ANDÅ OVERÅ AGAIN
(OWEVER ÅINÅPRACTICEÅSOMEÅMOTIONÅSYSTEMSÅHAVEÅTOÅPERFORMÅNON REPEATINGÅMOTIONS
)NÅTHISÅCASE Å),#ÅCANÅBEÅAPPLIEDÅ INÅ THEÅ FOLLOWINGÅ WAYÅ &ORÅ AÅ NUMBERÅ OFÅ REPEATING
TRAJECTORIESÅ WEÅ DESIGNÅ ),#SÅ ANDÅ TRAINÅ THEMÅ UNTILÅ THEÅ FEED FORWARDÅ SIGNALÅ HAS
CONVERGEDÅ 4HEÅ TRAJECTORIESÅ ANDÅ THEÅ FEED FORWARDÅ SIGNALÅ THATÅ THEÅ ),#Å HASÅ LEARNED
AREÅSTOREDÅINÅAÅDATABASEÅ7HENÅAÅNEWÅMOTIONÅMUSTÅBEÅPERFORMEDÅTHATÅHASÅNOTÅBEEN
PRESENTEDÅ BEFORE Å THEÅ FEED FORWARDÅ SIGNALÅ ISÅ CONSTRUCTEDÅ FROMÅ THEÅ FEED FORWARD
SIGNALSÅ INÅ THEÅ DATABASEÅ )NÅ ;8UÅ ANDÅ 3ONG Å =Å THREEÅ DIFFERENTÅ RELATIONSÅ BETWEEN
THEÅNEWÅMOTIONÅANDÅPREVIOUSLYÅPRESENTEDÅMOTIONSÅAREÅCONSIDERED

 4HEÅ NEWÅ MOTIONÅ HASÅ THEÅ SAMEÅ TIMEÅ SCALE Å BUTÅ AÅ DIFFERENTÅ SPATIALÅ SCALEÅ ;8U
=
 4HEÅ NEWÅ MOTIONÅ HASÅ THEÅ SAMEÅ SPATIALÅ SCALE Å BUTÅ AÅ DIFFERENTÅ TIMEÅ SCALEÅ ;8U
=
 "OTHÅTHEÅTIMEÅANDÅTHEÅSPATIALÅSCALEÅDIFFER

)NÅ ;!RIFÅ ETÅ AL Å =Å NOÅ DIRECTÅ RELATIONÅ BETWEENÅ THEÅ NEWÅ MOTIONÅ ANDÅ THEÅ STORED
MOTIONSÅISÅASSUMEDÅ)NSTEAD ÅTHEIRÅSIMILARITYÅISÅCALCULATEDÅ4HEÅRESULTÅISÅAÅSIMILARITY
INDEXÅ*S Å  b * S b  Å4HEÅFEED FORWARDÅSIGNALÅOFÅTHEÅNEWÅMOTIONÅISÅSETÅTOÅTHEÅFEED
FORWARDÅSIGNALÅOFÅTHEÅMOSTÅSIMILARÅSTOREDÅMOTIONÅMULTIPLIEDÅBYÅ*S

 2EPETITIVEÅ#ONTROL

)NÅ ),# Å ITÅ WASÅ ASSUMEDÅ THATÅ INÅ EACHÅ RUNÅ THEÅ INITIALÅ STATESÅ AREÅ THEÅ SAMEÅ 7HEN
CONTINUOUSLYÅ PERFORMINGÅ AÅ REPETITIVEÅ TASK Å THISÅ ISÅ NOTÅ THEÅ CASEÅ 4HEÅ STATESÅ OFÅ THE
SYSTEMÅ ATÅ THEÅ ENDÅ OFÅ THEÅ KTHÅ TRIALÅ AREÅ EQUALÅ TOÅ THEÅ INITIALÅ STATESÅ OFÅ THEÅ K THÅ TRIAL
2EPETITIVEÅ #ONTROLÅ 2# Å ;(ARAÅ ETÅ AL Å Å 4OMIZUKAÅ ETÅ AL Å Å 3TEINBUCHÅ AND
3CHOOTSTRA Å =Å ISÅ AÅ TYPEÅ OFÅ LEARNINGÅ CONTROLÅ THATÅ HASÅ BEENÅ CREATEDÅ FORÅ THESE
MOTIONSÅ4HEÅAPPLICATIONSÅ2#ÅCONSIDERSÅCANÅTHUSÅBEÅDESCRIBEDÅBYÅTHEÅAXIOMSÅGIVEN
INÅTHEÅPREVIOUSÅSECTION ÅEXCEPTÅAXIOMÅÅ4HEÅPLANTÅMAYÅFURTHERMOREÅBEÅSUBJECTÅTO
PERIODICÅ DISTURBANCESÅ WITHÅ PERIODÅ N4P Å WHEREÅ N‰Å ANDÅ 4PÅ ISÅ THEÅ PERIODÅ OFÅ THE
 2EPETITIVEÅ-OTIONS

REFERENCEÅ TRAJECTORYÅ !CCORDINGÅ TOÅ THEÅ INTERNALÅ MODELÅ PRINCIPLEÅ ;&RANCISÅ AND
7ONHAM Å =Å PERFECTÅ TRACKINGÅ OFÅ AÅ REFERENCEÅ SIGNALÅ ORÅ PERFECTÅ ATTENUATIONÅ OFÅ A
DISTURBANCEÅREQUIRESÅAÅMODELÅOFÅTHEÅREFERENCEDISTURBANCEÅGENERATINGÅSYSTEMÅTOÅBE
INCLUDEDÅ INÅ THEÅ CONTROLLERÅ )NÅ CASEÅ OFÅ PERIODICÅ TRAJECTORIESÅ ORÅ DISTURBANCES Å THIS
MEANSÅTHATÅTHEÅREPETITIVEÅCONTROLLERÅHASÅTOÅINCLUDEÅAÅPERIODICÅSIGNALÅGENERATOR ÅSUCH
ASÅAÅMEMORYÅLOOPÅ4HEÅSTRUCTUREÅOFÅTHEÅREPETITIVEÅCONTROLLERÅISÅPRESENTEDÅINÅFIGURE
Å 2EPETITIVEÅ #ONTROLÅ 2# Å ISÅ VERYÅ SIMILARÅ TOÅ ),#Å )TÅ ISÅ TOÅ BEÅ EXPECTEDÅ THATÅ THE
LEARNINGÅ CONTROLLERSÅ HAVEÅ COMPARABLEÅ STABILITYÅ CRITERIAÅ ANDÅ DESIGNÅ PROCEDURESÅ 7E
DISCUSSÅ 2#Å TOÅ GIVEÅ THEÅ READERÅ VALUABLEÅ INSIGHTÅ INÅ THEÅ LEARNINGÅ BEHAVIOURÅ WHEN
CONTINUOUSLYÅPERFORMINGÅAÅSPECIFICÅREFERENCEÅMOTION

E S4P 2

R E Y
# 0

&IGUREÅ 2EPETITIVEÅCONTROLÅSCHEME

)NÅFIGUREÅÅ2ÅISÅAÅLEARNINGÅFILTERÅ)NÅORDERÅTOÅEXAMINEÅTHEÅSTABILITYÅOFÅTHEÅ2# ÅTHE
SYSTEMÅISÅREPRESENTEDÅINÅANOTHERÅWAYÅ;(ARAÅETÅAL Å= ÅSEEÅFIGUREÅ

R  E 2#0 Y
E S4P 
 #0  #0

E S4P

&IGUREÅ %QUIVALENTÅREPETITIVEÅCONTROLÅSCHEME

4HEÅABOVEÅSYSTEMÅISÅSTABLEÅIF


 4HEÅSYSTEMÅWITHOUTÅ2#ÅISÅSTABLE ÅWHICHÅMEANSÅTHATÅ ÅISÅSTABLE
 #0
 4HEÅ FEEDBACKÅ LOOPÅ ISÅ STABLEÅ !CCORDINGÅ TOÅ THEÅ SMALLÅ GAINÅ THEOREM
;6IDYASAGARÅANDÅ$ESOER Å=ÅAÅSUFFICIENTÅCONDITIONÅFORÅTHEÅLOOPÅTOÅBEÅSTABLE
IS

#0
2  
 #0 d
Å2EPETITIVEÅ#ONTROL 

.OTEÅTHATÅTHISÅSTABILITYÅCRITERIONÅISÅALMOSTÅTHEÅSAMEÅASÅFORÅ),#ÅWITHÅANÅINFINITEÅTRIAL
LENGTH Å GIVENÅ INÅ  Å 4HEREFORE Å ITÅ ISÅ TOÅ BEÅ EXPECTEDÅ THATÅ 2#Å WILLÅ ALSOÅ HAVE
DIFFICULTIESÅWITHÅUNMODELLEDÅHIGH FREQUENCYÅDYNAMICSÅ4HEÅROBUSTNESSÅMEASURESÅFOR
),# Å SUCHÅ ASÅ THEÅ LOW PASSÅ 1 FILTERÅ ANDÅ THEÅ INTEGRALÅ EXPRESSION Å HAVEÅ ALSOÅ BEEN
PROPOSEDÅ FORÅ 2#Å /FÅ COURSE Å THEÅ DESIGNÅ PROCEDURESÅ THATÅ AREÅ USEDÅ INÅ ),#Å CANÅ BE
APPLIEDÅTOÅ2#

.EXT ÅWEÅWILLÅSTUDYÅTHEÅBEHAVIOURÅOFÅTHEÅ2#ÅBYÅMEANSÅOFÅTHEÅSENSITIVITYÅFUNCTION
3Å&ORÅTHEÅ2#ÅOFÅFIGUREÅ Å3ÅISÅGIVENÅBY

  E S4P 
3 
 2#0 ¬­ S4  #0
  žžž  ­­E
žŸ  #0 ®­

.EXT ÅWEÅASSUMEÅTHATÅTHEÅLEARNINGÅFILTER Å2 ÅISÅDESIGNEDÅSUCHÅTHATÅ ÅISÅSATISFIED

FORÅALLÅFREQUENCIESÅ&ROMÅTHEÅPREVIOUSÅSECTIONÅITÅFOLLOWSÅTHATÅINÅTHISÅCASE

 #0 ­¬
2  žž 
žŸ  #0 ­­®

4HISÅYIELDSÅTHEÅFOLLOWINGÅ3


3    ES4P 
 #0

7ITHOUTÅ2# ÅTHEÅSENSITIVITYÅFUNCTIONÅISÅGIVENÅBY


3  
 #0

4HEÅSENSITIVITYÅFUNCTIONÅOFÅANÅ2#ÅCONTROLLEDÅSYSTEMÅISÅTHUSÅEQUALÅTOÅTHEÅSENSITIVITY
FUNCTIONÅ WITHOUTÅ 2#Å MULTIPLIEDÅ BYÅ   ES4P Å )NÅ FIGUREÅ  Å AÅ "ODEÅ PLOTÅ OF

  ES4P ÅFORÅ4PÅ;S=ÅISÅSHOWN
 2EPETITIVEÅ-OTIONS

-AGNITUDEÅD"




  

&REQUENCYÅRADÅSÅÅ

&IGUREÅ "ODEÅPLOTÅOFÅ   ES4P

&ROMÅ FIGUREÅ Å ITÅ CANÅ BEÅ CONCLUDEDÅ THATÅ THEÅ REPETITIVEÅ CONTROLLERÅ STRONGLY
ATTENUATESÅ DISTURBANCESÅ THATÅ HAVEÅ ANÅ FREQUENCYÅ XNQ4PÅ ;RADÅ S=Å WHEREÅ N‰
(OWEVER ÅTHISÅISÅOBTAINEDÅATÅTHEÅEXPENSEÅOFÅTHEÅSUPPRESSIONÅOFÅDISTURBANCESÅATÅTHE
INTERMEDIATEÅFREQUENCIES ÅWHICHÅAREÅEVENÅAMPLIFIEDÅBYÅTHEÅ2#

 ,&&#ÅFORÅ2EPETITIVEÅ-OTIONS

4HEÅ MAINÅ DISADVANTAGEÅ OFÅ THEÅ "3.Å INÅ THEÅ ,&&#Å ISÅ THEÅ CURSEÅ OFÅ DIMENSIONALITY
4HISÅMEANSÅTHATÅWHENÅTHEÅNUMBERÅOFÅINPUTSÅINCREASES ÅTHEÅNUMBERÅOFÅWEIGHTSÅGROWS
EXPONENTIALLY ÅLEARNINGÅGETSÅSLOWERÅANDÅTHEÅ"3.ÅLOOSESÅITSÅABILITYÅTOÅGENERALISEÅ4HE
MOSTÅEFFECTIVEÅMETHODÅTOÅPREVENTÅTHISÅISÅTOÅKEEPÅTHEÅNUMBERÅOFÅINPUTSÅOFÅTHEÅ"3.
TOÅ AÅ MINIMUMÅ )NÅ THEÅ STANDARDÅ CONFIGURATION Å THEÅ INPUTÅ OFÅ THEÅ FEED FORWARD
CONTROLLERÅCONSISTSÅOFÅTHEÅREFERENCEÅPOSITIONÅANDÅDERIVATIVESÅTHEREOFÅ7HENÅREPETITIVE
MOTIONSÅ AREÅ CONSIDEREDÅ ONLY Å ASÅ INÅ ),#Å ANDÅ 2# Å THEÅ DESIREDÅ FEED FORWARDÅ SIGNAL
U& R ÅBECOMESÅAÅFUNCTIONÅOFÅTHEÅPERIODICÅMOTIONÅTIME Å T ‰ ; 4P = ÅWHERE Å4PÅ;S=ÅIS
THEÅPERIODÅOFÅTHEÅMOTIONÅ)NÅTHATÅCASE ÅITÅISÅBENEFICIALÅTOÅCHOOSEÅTHEÅPERIODICÅMOTION
TIMEÅASÅTHEÅONLYÅINPUTÅFIGUREÅ Å4HISÅREDUCESÅTHEÅNUMBERÅOFÅINPUTSÅANDÅWILLÅBE
BENEFICIALÅ FORÅ THEÅ LEARNINGÅ BEHAVIOURÅ )NÅ THEÅ FOLLOWING Å THISÅ TYPEÅ OFÅ ,&&#Å WILLÅ BE
DENOTEDÅASÅTIME INDEXEDÅ,&&#
Å,&&#ÅFORÅ2EPETITIVEÅ-OTIONS 

T U&
"3.

R E U# Y
# 0

&IGUREÅ 4IME INDEXEDÅ,&&#

&IGUREÅ Å SHOWSÅ THEÅ " SPLINEÅ DISTRIBUTIONÅ INÅ CASEÅ OFÅ .Å UNIFORMLYÅ DISTRIBUTEDÅ  ND
ORDERÅ" SPLINESÅDEFINEDÅONÅTHEÅINPUTÅDOMAINÅ; 4P=Å;S=Å4HEÅBASISÅFUNCTIONSÅHAVEÅA
SEQUENCE BASEDÅ LABELÅ IÅ ∈Å [Å bÅ .]Å "ASISÅ FUNCTIONSÅ Å ANDÅ .Å HAVEÅ ONLYÅ HALFÅ THE
WIDTHÅOFÅTHEÅREMAININGÅBASISÅFUNCTIONS

    I I I  . .

TÅÅ;S=
D I  D I  D I
  
&IGUREÅ " SPLINEÅDISTRIBUTIONÅINÅCASEÅOFÅTIME INDEXEDÅ,&&#

4HISÅTYPEÅOFÅ" SPLINEÅDISTRIBUTIONÅCANÅBEÅUSEDÅWHENÅATÅTHEÅBEGINÅOFÅAÅ MOTIONÅ THE

INITIALÅSTATESÅOFÅTHEÅSYSTEMÅAREÅALWAYSÅTHEÅSAME ÅASÅISÅTHEÅCASEÅFORÅ),#Å)NÅ2#ÅTHE
MOTIONSÅAREÅPERFORMEDÅCONSECUTIVELY ÅWHICHÅMEANSÅTHATÅTHEÅSTATESÅATÅTHEÅENDÅOFÅTHE
NTHÅMOTIONÅAREÅEQUALÅTOÅTHEÅSTATESÅATÅTHEÅBEGINÅOFÅTHEÅN  THÅMOTIONÅ&ORÅTHISÅTYPE
MOTIONSÅ ITÅ ISÅ DESIREDÅ TOÅ HAVEÅ AÅ CONTINUOUSÅ FEED FORWARDÅ SIGNAL Å WHICHÅ MEANSÅ THAT
U&   U& 4P Å4HISÅCANÅBEÅOBTAINEDÅBYÅMAKINGÅ" SPLINEÅÅANDÅ.ÅSHAREÅTHEÅSAME
WEIGHTÅ 4HEÅ " SPLINEÅ DISTRIBUTIONÅ THATÅ RESULTSÅ CANÅ GRAPHICALLYÅ BEÅ REPRESENTEDÅ AS
BELOW
 2EPETITIVEÅ-OTIONS

.  
.
T
4

&IGUREÅ 4IME INDEXEDÅ" SPLINESÅFORÅ2# TYPEÅOFÅMOTIONS

.OTEÅTHATÅTHEÅSTRUCTUREÅOFÅTHEÅTIME INDEXEDÅ,&&#ÅFIGUREÅ  ÅISÅTHEÅSAMEÅASÅTHE

STRUCTUREÅ OFÅ THEÅ ),# Å WHENÅ ,#Å FIGUREÅ  Å ANDÅ ASÅ THEÅ STRUCTUREÅ OFÅ 2#Å FIGURE
 ÅWHENÅ2Å7HENÅLOOKINGÅATÅTHEÅSTABILITYÅCRITERIAÅOFÅ),#Å ÅANDÅ2#Å
WEÅCANÅSEEÅTHATÅ,ÅANDÅ2ÅHAVEÅTOÅCOMPENSATEÅTHEÅPHASEÅSHIFTÅANDÅTHEÅMAGNITUDEÅOF
0 #0
RESPECTIVELYÅ  ÅANDÅ  Å)FÅTHISÅISÅNOTÅREALISED ÅDUEÅTOÅEGÅUNMODELLED
 #0  #0
DYNAMICS ÅTHEÅ),#ÅANDÅ2#ÅWILLÅBECOMEÅUNSTABLEÅ3INCEÅTHEÅSTRUCTUREÅOFÅTHEÅ TIME
INDEXEDÅ,&&#ÅISÅSIMILARÅTOÅTHEÅSTRUCTUREÅOFÅ),#ÅANDÅ2# ÅITÅISÅTOÅBEÅEXPECTEDÅTHAT
THISÅWILLÅALSOÅTAKEÅPLACEÅINÅ,&&#Å%XPERIMENTSÅINDICATEDÅTHATÅIFÅTHEÅ"3.ÅISÅABLEÅTO
ACCURATELYÅ APPROXIMATEÅ THEÅ FREQUENCYÅ COMPONENTSÅ FORÅ WHICHÅ ,Å ANDÅ 2Å DOÅ NOT
0 #0
COMPENSATEÅ FORÅ  Å ANDÅ  Å INÅ AÅ CORRECTÅ WAY Å THEÅ ,&&#Å BECOMES
 #0  #0
UNSTABLEÅ;6ELTHUISÅETÅAL Å=Å4OÅPREVENTÅTHIS ÅWEÅHAVEÅTOÅCHOOSEÅTHEÅWIDTHÅOFÅTHE
" SPLINESÅ INÅ AÅ PROPERÅ WAYÅ 7HETHERÅ THEÅ "3.Å ISÅ ABLEÅ TOÅ ACCURATELYÅ APPROXIMATEÅ A
CERTAINÅSIGNALÅDEPENDSÅONÅTHEÅWIDTHÅOFÅTHEÅ" SPLINESÅTHATÅISÅCHOSENÅ)NÅCASEÅiWIDEj
" SPLINESÅ AREÅ CHOSEN Å THEÅ "3.Å CANÅ ONLYÅ STOREÅ LOW FREQUENCYÅ SIGNALSÅ FIGUREÅ A 
5SINGÅSUCHÅAÅ"3.ÅTOÅAPPROXIMATEÅAÅSIGNALÅTHATÅHASÅLOW FREQUENCYÅASÅWELLÅASÅHIGH
FREQUENCYÅ COMPONENTS Å WILLÅ YIELDÅ AÅ GOODÅ APPROXIMATIONÅ OFÅ THEÅ LOWÅ FREQUENTÅ PART
ONLYÅ FIGUREÅ B Å $ECREASINGÅ THEÅ WIDTHÅ OFÅ THEÅ " SPLINESÅ ENABLESÅ THEÅ "3.Å TO
APPROXIMATEÅTHEÅHIGH FREQUENCYÅPARTÅASÅWELLÅ4HEÅROLEÅOFÅTHEÅ" SPLINESÅINÅTHEÅ"3.
CANÅTHUSÅBEÅCOMPAREDÅTOÅTHEÅ1 FILTERÅINÅ),#ÅANDÅTHEÅKERNELÅFUNCTIONÅINÅTHEÅINTEGRAL
EXPRESSIONÅ 
Å3TABILITYÅ!NALYSISÅOFÅ4IME )NDEXEDÅ,&&# 

ÅTARGETÅSIGNAL ÅAPPROXIMATION

U& U&

N N

TÅ;S= TÅ;S=
A B

&IGUREÅ A Å!PPROXIMATIONÅOFÅAÅLOW FREQUENCYÅTARGETÅSIGNAL

B Å!PPROXIMATIONÅOFÅAÅHIGH FREQUENCYÅTARGETÅSIGNAL ÅFILTERINGÅEFFECTÅOFÅA
"3.

3TABILISINGÅ THEÅ TIME INDEXEDÅ ,&&#Å CANÅ BEÅ DONEÅ BYÅ CHOOSINGÅ THEÅ WIDTHÅ OFÅ THEÅ "
SPLINESÅSUCHÅTHATÅTHEÅ"3.ÅISÅONLYÅABLEÅTOÅACCURATELYÅAPPROXIMATEÅSIGNALSÅINÅTHEÅLOW
FREQUENCYÅ RANGE Å WHEREÅ ,Å COMPENSATESÅ CORRECTLY Å ANDÅ NOTÅ SIGNALSÅ INÅ THEÅ HIGH
FREQUENCYÅRANGE ÅWHEREÅ,ÅWOULDÅCAUSEÅUNSTABLEÅBEHAVIOURÅ)NÅTHEÅNEXTÅSECTION Å THE
RELATIONÅBETWEENÅTHEÅWIDTHÅOFÅTHEÅ" SPLINES ÅTHEÅSYSTEMÅDYNAMICSÅANDÅTHEÅSTABILITY
WILLÅ BEÅ STUDIEDÅ THOROUGHLYÅ &URTHERMOREÅ THEÅ INFLUENCEÅ OFÅ THEÅ LEARNINGÅ RATEÅ ONÅ THE
STABILITYÅOFÅTHEÅSYSTEMÅWILLÅBEÅANALYSEDÅ;3CHAAK ÅÅ6ELTHUISÅETÅAL Å=

 3TABILITYÅ!NALYSISÅOFÅ4IME )NDEXEDÅ,&&#

 !SSUMPTIONS
)NÅ ORDERÅ TOÅ BEÅ ABLEÅ TOÅ ANALYSEÅ THEÅ STABILITYÅ OFÅ THEÅ TIME INDEXEDÅ ,&&#Å WEÅ ASSUME
THEÅFOLLOWING

 4HEÅPLANTÅUNDERÅCONTROLÅISÅ3)3/Å,4)
 4HEÅFEEDBACKÅCONTROLLER Å# ÅISÅLINEAR ÅTIME INVARIANTÅANDÅCHOSENÅSUCHÅTHATÅTHE
FEEDBACKÅLOOPÅISÅSTABLE
 4HEÅDISCRETEÅLEARNINGÅRULE
 2EPETITIVEÅ-OTIONS

4P
H
œ NI KH U# KH
%WI  H K  4 
P
H
œ NI KH
K 

WHEREÅHÅISÅTHEÅSAMPLEÅTIME ÅISÅREPLACEDÅBYÅAÅCONTINUOUSÅONE

4P

¨ NI T U# T DT
%WI  HC  4 
P

¨ NI T DT


 4HEÅ" SPLINEÅDISTRIBUTIONÅISÅASSUMEDÅTOÅBEÅUNIFORMÅFIGUREÅ 

!SSUMEÅ.Å" SPLINES ÅUNIFORMLYÅDISTRIBUTEDÅONÅTHEÅINPUTÅDOMAIN Å; 4P=Å;S= ÅASÅSHOWN

INÅFIGUREÅÅ4HEÅWIDTH ÅDÅ;S= ÅOFÅTHEÅSUPPORTÅOFÅBASISÅFUNCTIONSÅÅTOÅ .n ÅISÅGIVEN
BYÅTHEÅFOLLOWINGÅRELATION

4P
D ;S= 
. 

4HEÅMEMBERSHIPÅOFÅTHEÅI THÅ" SPLINEÅISÅNOWÅDEFINEDÅAS

£ T  D I  
¦ D D
¦
¦ FOR I  b T b I 
¦
¦ D  
¦
¦
¦ DI  T D D
NI T  ¤ FOR I  b T b I 
¦
¦ D  
¦
¦
¦
¦ ELSEWHERE
¦
¦
¥

3UBSTITUTINGÅ THEÅ MEMBERSHIPÅ  Å INÅ THEÅ LEARNINGÅ RULEÅ  Å GIVESÅ THEÅ FOLLOWING
ADAPTATIONÅOFÅTHEÅWEIGHTS
Å3TABILITYÅ!NALYSISÅOFÅ4IME )NDEXEDÅ,&&# 

D D
I  I
 
T  D I   DI  T
¨ D
U# T DT ¨ D
U# T DT
D D
I  I 
 
%WI  HC D D

I  I
 
T  D I   DI  T
¨ D
DT ¨ D
DT
D D
I  I 
 

&ORÅTHEÅDENOMINATORÅOFÅ ÅHOLDS

D D
I  I
 
T  D I   DI  T D
¨ D
DT ¨ D
DT 


D D
I  I 
 

5SINGÅ ÅTHEÅADAPTATIONÅOFÅTHEÅWEIGHTSÅ ÅCANÅBEÅSIMPLIFIEDÅTO

D D
I  I
 
T  D I   DI  T
%WI  HC ¨ D 
U# T DT HC ¨ D
U# T DT 
D D
I  I 
 

4HISÅIMPLIESÅTHATÅLEARNINGÅISÅLINEARÅINÅ U# T ÅANDÅHENCEÅTHEÅFEED FORWARDÅADAPTATION

LOOPÅ ISÅ LINEARÅ 3INCEÅ THEÅ FEEDBACKÅ LOOPÅ ISÅ ALSOÅ LINEAR Å THEÅ REFERENCEÅ PATHÅ MAYÅ BE
TAKENÅEQUALÅTOÅZEROÅINÅTHEÅSTABILITYÅANALYSISÅSEEÅFIGUREÅ  Å4HEÅDESIREDÅSITUATION
ISÅTHENÅU&

T U&
"3.

E U# Y
# 0

&IGUREÅ 4IME INDEXEDÅ,&&#ÅWHENÅR

4HISÅ SYSTEMÅ ISÅ STABLEÅ IFÅ ANÅ ARBITRARILYÅ CHOSENÅ INITIALÅ FEED FORWARDÅ SIGNALÅ WILLÅ NOT
RESULTÅ INÅ ANÅ UNBOUNDEDÅ OUTPUTÅ OFÅ THEÅ PLANTÅ 4HEÅ INITIAL Å FEED FORWARDÅ SIGNALÅ IS
DETERMINEDÅ BYÅ THEÅ INITIAL Å VALUESÅ OFÅ THEÅ WEIGHTSÅ INÅ THEÅ " SPLINEÅ NETWORKÅ !SÅ THE
 2EPETITIVEÅ-OTIONS

FEEDBACKÅCONTROLLEDÅSYSTEMÅISÅSTABLE ÅTHEÅOUTPUTÅCANÅONLYÅBECOMEÅUNBOUNDEDÅWHEN
THEÅ FEED FORWARDÅ SIGNALÅ U&T Å BECOMESÅ UNBOUNDED Å WHICHÅ IMPLIESÅ THATÅ ATÅ LEASTÅ ONE
WEIGHTÅHASÅBECOMEÅINFINITELYÅLARGEÅ3O ÅIFÅTHEÅWEIGHTSÅAREÅADAPTEDÅINÅSUCHÅWAYÅTHAT
THEIRÅVALUEÅREMAINSÅBOUNDED ÅTHEÅSYSTEMÅISÅSTABLEÅOTHERWISEÅTHEÅSYSTEMÅISÅUNSTABLE
4HEÅVALUESÅOFÅTHEÅWEIGHTSÅREMAINÅBOUNDEDÅIF

 %ACHÅ WEIGHTÅ ISÅ ADAPTEDÅ INÅ THEÅ RIGHTÅ DIRECTIONÅ TOWARDSÅ U&T  Å WHICH
MEANSÅTHAT

%WI p  FOR WI b 

%WI b  FOR WI  

 4HEÅWEIGHTSÅAREÅNOTÅADAPTEDÅTOOÅSTRONGLY

%WI b WI FOR WI b 


%WI p WI FOR WI  

#OMBININGÅ ÅANDÅ ÅYIELDS

 b %WI b WI FOR WI b 


WI b %WI b  FOR WI  

.OTEÅTHATÅ ÅISÅAÅSUFFICIENTÅCONDITIONÅANDÅNOTÅAÅNECESSARYÅONEÅ4HEÅPROBLEMÅIS
TOÅSELECTÅWIDTHÅDÅANDÅLEARNINGÅRATEÅ HC ÅINÅACCORDANCEÅWITHÅ Å)NÅORDERÅTOÅSOLVE
THISÅ PROBLEM Å WEÅ ASSUMEÅ THATÅ THEÅ SHAPEÅ OFÅ THEÅ INITIALÅ FEED FORWARDÅ SIGNAL Å U&T Å IS
TRIANGULARÅ4HISÅCHOICEÅISÅMOTIVATEDÅBYÅTHEÅFACTÅTHATÅEXPERIMENTSÅSHOWEDÅTHATÅWHEN
UNSTABLEÅBEHAVIOURÅOCCURS ÅTHEÅOUTPUTÅOFÅTHEÅ"3.ÅHASÅAÅTRIANGULARÅSHAPEÅ ;6ELTHUIS
ETÅAL Å=Å4HISÅINPUT OUTPUTÅMAPPINGÅCANÅBEÅREALISEDÅBYÅCHOOSINGÅTHEÅWEIGHTSÅAS
WIGÅFORÅI  bÅANDÅWIGÅFORÅI  bÅWHEREÅGÅ∈Å ÅSEEÅFIGUREÅ

G
U&
T
G

N    

 D T

&IGUREÅ )NITIALÅFEED FORWARDÅSIGNAL

Å3TABILITYÅ!NALYSISÅOFÅ4IME )NDEXEDÅ,&&# 

4HEÅSIGNALÅ U& T ÅCANÅBEÅWRITTENÅASÅAÅ&OURIER SERIES

d
G COS XN T
U& T   œ
Q N    N 


WITH

QN
XN  ;RAD S = 
D

)NÅ THEÅ FREQUENCYÅ DOMAINÅ THEÅ RELATIONÅ BETWEENÅ THEÅ OUTPUTÅ OFÅ THEÅ FEED FORWARD
CONTROLLERÅ5&ÅANDÅTHEÅLEARNINGÅSIGNALÅ5#ÅISÅGIVENÅBY

5#  4 5 & 

INÅWHICHÅ4ÅISÅTHEÅCOMPLEMENTARYÅSENSITIVITYÅFUNCTION

#0
4  
 #0

4Å AMPLIFIESÅ THEÅ MAGNITUDEÅ OFÅ EACHÅ FREQUENCYÅ COMPONENTÅ OFÅ  Å BYÅ AÅ FACTOR
AN  4 JXN Å ANDÅ INTRODUCESÅ AÅ PHASEÅ SHIFTÅ KN  ARG 4 J XN Å SOÅ THATÅ U# T
CANÅBEÅWRITTENÅAS

d
G AN COS XN T KN
U# T   œ
Q N    N


3UBSTITUTIONÅOFÅ ÅINÅ ÅANDÅREFORMULATIONÅGIVES

£ d
¦ HC G COS KN
¦
¦
¦
¦ Q  œ AN
N
FOR I    
¦ N   
%WI  ¦
¤ d 
¦
¦ HC G COS KN
¦
¦
¦
¦
 œ
Q N   
AN
N
FOR I    
¦
¥

)TÅCANÅBEÅSEENÅTHATÅALLÅWEIGHTSÅTHATÅHAVEÅTHEÅSAMEÅINITIALÅVALUEÅWIGÅFORÅI  b
ANDÅWIGÅFORÅI  b ÅAREÅEQUALLYÅADAPTEDÅ4HEREFOREÅLEARNINGÅDOESÅNOTÅCHANGE
THEÅ SHAPEÅ OFÅ THEÅ FEED FORWARDÅ SIGNALÅ (ENCE Å FORÅ EACHÅ ITERATIONÅ THEÅ FEED FORWARD
 2EPETITIVEÅ-OTIONS

SIGNALÅCANÅAGAINÅBEÅEXPRESSEDÅASÅ ÅANDÅTHEÅWEIGHTÅADAPTATIONÅASÅ Å)NÅTHE

FOLLOWING ÅTHEÅADAPTATIONÅOFÅWEIGHTSÅTHATÅHAVEÅAÅPOSITIVEÅINITIALÅVALUE ÅWIA ÅWILLÅBE
CONSIDEREDÅ FORÅ THEÅ OTHERÅ CASE Å ANÅ ANALOGOUSÅ ANALYSISÅ CANÅ BEÅ MADEÅ 3UBSTITUTING
 ÅINÅTHEÅSTABILITYÅCONDITIONSÅ ÅRESULTSÅIN

d
HC G COS KN
G b
Q  œ AN
N
b 
N   

d
Q  COS KN
”
HC
b œ AN
N
b 
N   

4HEÅLEFTÅHANDÅSIDEÅINEQUALITYÅOFÅ 

d
Q  COS KN
HC
b œ AN
N

N   

CONTAINSÅ HC ÅANÅANDÅ KN Å4HEÅVALUESÅOFÅANÅANDÅ KN DEPENDÅONÅTHEÅVALUEÅOFÅ XN ÅWHICH

ISÅ DETERMINEDÅ BYÅ THEÅ CHOICEÅ OFÅ THEÅ " SPLINEÅ WIDTH Å D Å SEEÅ  Å 7HETHERÅ ORÅ NOT
 ÅISÅSATISFIED ÅDEPENDSÅTHUSÅONÅTHEÅCHOICEÅOFÅTHEÅLEARNINGÅRATEÅANDÅTHEÅ" SPLINE
WIDTH ÅDÅ4HEÅRIGHTÅHANDÅSIDEÅINEQUALITYÅOFÅ 

d
COS KN
œ AN
N
b 
N   

ONLYÅCONTAINSÅ KN ANDÅANÅ4HISÅMEANSÅTHATÅONLYÅTHEÅCHOICEÅOFÅ DÅDETERMINESÅWHETHER

 Å ISÅ SATISFIEDÅ 4HEREFORE Å WEÅ PROPOSEÅ TOÅ FIRSTLYÅ CHOOSEÅ DÅ SUCHÅ THATÅ  Å IS
SATISFIEDÅ .EXT Å USINGÅ THEÅ OBTAINEDÅ DÅ ANDÅ THUSÅ XN Å WEÅ CANÅ CALCULATEÅ HC Å FROM
 Å)NÅTHEÅFOLLOWINGÅWEÅWILLÅTRYÅTOÅFINDÅTHEÅSMALLESTÅVALUEÅOFÅDÅFORÅWHICHÅ ÅIS
STILLÅSATISFIED
Å3TABILITYÅ!NALYSISÅOFÅ4IME )NDEXEDÅ,&&# 

 " 3PLINEÅ7IDTH

)NÅ CASEÅ ANÅ EXACTÅ MODELÅ OFÅ THEÅ PLANT Å 0 Å ANDÅ THEÅ CONTROLLER Å # Å ISÅ AVAILABLE Å THE
VALUESÅ OFÅ ANÅ ANDÅ KN Å CANÅ BEÅ CALCULATEDÅ FORÅ ALLÅ FREQUENCIESÅ 4HISÅ WOULDÅ ALLOWÅ THE
SELECTIONÅ OFÅ THEÅ MINIMALÅ DÅ FORÅ WHICHÅ  Å ISÅ SATISFIEDÅ BYÅ MEANSÅ OFÅ THEÅ FOLLOWING
SIMPLEÅITERATIVEÅSEARCH

!LGORITHMÅ Å #ALCULATIONÅ OFÅ THEÅ SMALLESTÅ STABLEÅ VALUEÅ OFÅ D Å BASEDÅ ONÅ AÅ DETAILED
MODELÅOFÅTHEÅCONTROLLEDÅSYSTEM

 #HOOSEÅAÅUNIFORMÅ " SPLINEÅ DISTRIBUTIONÅ THATÅ CONSISTSÅ OFÅ Å " SPLINESÅ .Å IN
FIGUREÅ Å "ECAUSEÅ ACCORDINGÅ TOÅ  Å INÅ THISÅ CASEÅ D4PÅ ;S= Å THISÅ ISÅ THE
MINIMUMÅNUMBERÅOFÅ" SPLINESÅTHATÅCANÅBEÅCHOSEN

 $ETERMINEÅANÅANDÅ KN Å4HISÅISÅDONEÅINÅTHEÅFOLLOWINGÅWAY

 #HOOSEÅN

 #ALCULATEÅ XN Å ACCORDINGÅ TOÅ  Å 5SEÅ THEÅ MODELÅ OFÅ THEÅ PLANTÅ ANDÅ XN Å TO
DETERMINEÅANÅANDÅ KN 

 )FÅANxÅGOÅTOÅSTEPÅ ÅOTHERWISE ÅINCREASEÅNÅBYÅÅANDÅGOÅTOÅSTEPÅ

 #HECKÅIFÅTHEÅANÅANDÅ KN ÅOBTAINEDÅINÅTHEÅPREVIOUSÅSTEPSÅSATISFYÅ Å)FÅSO ÅGO

TOÅSTEPÅ ÅELSEÅGOÅTOÅSTEPÅ

 )NCREASEÅTHEÅNUMBERÅOFÅ" SPLINESÅINÅTHEÅDISTRIBUTIONÅBYÅ Å.. 

 'OÅTOÅSTEPÅ
 !PPARENTLYÅ .Å ISÅ THEÅ SMALLESTÅ NUMBERÅ OFÅ " SPLINESÅ THATÅ RESULTSÅ INÅ UNSTABLE
BEHAVIOURÅ 4HEREFORE Å THEÅ MAXIMUMÅ NUMBERÅ OFÅ " SPLINESÅ ISÅ . Å WHICH
ACCORDINGÅTOÅ ÅGIVES

4P
D 
. 

(OWEVER ÅINÅ GENERALÅ ONLYÅ THEÅ LOW FREQUENCYÅ DYNAMICSÅ OFÅ THEÅ PLANTÅ AREÅ KNOWNÅ AND
THEÅ MODELÅ ISÅ INACCURATEÅ ATÅ HIGHÅ FREQUENCIESÅ 4HEREFORE Å ALGORITHMÅ Å MAYÅ BE
UNRELIABLEÅ4OÅRESOLVEÅTHIS ÅWEÅTAKEÅANÅAPPROACHÅTHATÅSEEMSÅSOMEWHATÅCONSERVATIVE
&IRSTLY ÅWEÅSTARTÅBYÅWRITINGÅ ÅAS
 2EPETITIVEÅ-OTIONS

d
COS KN
A COS K œ AN
N
b 
N   

.EXT ÅWEÅDETERMINEÅTHEÅSMALLESTÅVALUEÅOFÅ DÅWHICHÅMEANSÅTHEÅLARGESTÅVALUEÅOFÅ X

THATÅ SATISFIESÅ  Å UNDERÅ THEÅ ASSUMPTIONÅ THATÅ AN Å ANDÅ KN Å ALLÅ HAVEÅ THEIRÅ WORST
CASEÅ VALUESÅ 4OÅ GAINÅ INSIGHTÅ INÅ THEÅ WORSTÅ CASEÅ VALUES Å WEÅ MAKEÅ USEÅ OFÅ AÅ PARTÅ OFÅ A
TYPICALÅPHASEÅDIAGRAMÅOFÅ4ÅFIGUREÅ 

K ;DEG=

4


  
  

X ;RADÅSÅÅ=

&IGUREÅ 0HASEÅDIAGRAMÅOFÅAÅTYPICALÅ4

)NÅWHICHÅ K ÅISÅTHEÅPHASEÅOFÅ4Å4HEÅCORRESPONDINGÅDIAGRAMÅOFÅ COS K ÅISÅSHOWNÅIN

FIGUREÅ


COSK


  
  

X ;RADÅSÅÅ=

&IGUREÅ 4YPICALÅPLOTÅOFÅ COS K

7HENÅ WEÅ CHOOSEÅ AÅ LARGEÅ D Å X x  Å WHICHÅ RESULTSÅ INÅ K Å ;DEG=Å ANDÅ THUS
A COS K x A Å7HENÅWEÅINCREASEÅ X ÅDECREASEÅ D Å EVENTUALLYÅWEÅREACHÅAÅVALUE
ATÅWHICHÅ K Å;DEG=ÅORÅ K Å;DEG=ÅSUCHÅTHATÅ A COS K   ÅSINCEÅ A   
7HETHERÅ ORÅ NOTÅ  Å ISÅ VIOLATEDÅ ATÅ THISÅ POINTÅ DEPENDSÅ ONÅ THEÅ VALUEÅ OF
d d
COS KN COS KN
œ AN
N 
Å7HENÅ œ AN
N
b  ÅWEÅCANÅFURTHERÅINCREASEÅTHEÅVALUE
N    N   
Å3TABILITYÅ!NALYSISÅOFÅ4IME )NDEXEDÅ,&&# 

d
COS KN
OFÅ X ÅWITHOUTÅVIOLATINGÅ Å/NÅTHEÅOTHERÅHAND ÅWHENÅ œ AN
N
p  ÅWE
N   
MUSTÅ DECREASEÅ THEÅ VALUEÅ OFÅ X Å 3OÅ THEÅ WORSTÅ SITUATIONÅ FROMÅ AÅ STABILITYÅ POINTÅ OF
VIEW ÅISÅOBTAINEDÅWHEN

d  d ¬­
COS KN ž COS KN ­­
œ AN
N
 MAX žžž œ
žžŸN   
AN
N
­­
­®­

N   

/FÅWHICHÅTHEÅUPPERÅBOUNDÅISÅGIVENÅBY

 d ¬­ d
MAX COS KN
ž COS KN ­­ b
MAX žžž œ
žžŸN   
AN
N
­­ œ MAX AN
N

­­® N   
d d
MAX AN MAX 4  J XN
 œ N 
 œ N

N    N   
d 4  J X d
b œ N
N   

4HUSÅ ÅISÅCERTAINLYÅSATISFIEDÅIF

d 4  J X d
A COS K œ N
b 
N   

4HEÅLARGESTÅVALUEÅOFÅ X ÅFORÅWHICHÅ ÅISÅSATISFIEDÅCANÅNOWÅBEÅOBTAINEDÅBYÅMEANS

OFÅ ANÅ ITERATIVEÅ SEARCHÅ INÅ WHICHÅ AÅ MODELÅ OFÅ THEÅ LOW FREQUENCYÅ DYNAMICSÅ OFÅ THE
SYSTEMÅISÅUSED

!LGORITHMÅÅ#ALCULATIONÅOFÅTHEÅSMALLESTÅSTABLEÅVALUEÅD ÅMILDÅASSUMPTIONSÅONÅTHE
DYNAMICSÅOFÅTHEÅCONTROLLEDÅSYSTEM
d 4  J X d
 5SEÅAÅLOW FREQUENCYÅMODELÅOFÅTHEÅSYSTEMÅTOÅCALCULATEÅ œ N
N   
 2EPETITIVEÅ-OTIONS

 #HOOSEÅ AÅ UNIFORMÅ " SPLINEÅ DISTRIBUTIONÅ CONSISTINGÅ OFÅ Å " SPLINESÅ .Å IN
FIGUREÅ
 #ALCULATEÅ X ÅACCORDINGÅTOÅ ÅFORÅN

 5SEÅTHEÅMODELÅTOÅDETERMINEÅAÅANDÅ K 

Å #HECKÅIFÅAÅANDÅ K SATISFYÅ ÅUSINGÅTHEÅRESULTÅOFÅSTEPÅÅ)FÅSO ÅGOÅTOÅSTEP

 ÅELSEÅGOÅTOÅSTEPÅ

 #REATEÅ AÅ UNIFORMÅ " SPLINEÅ DISTRIBUTIONÅ OFÅ . Å " SPLINESÅ INÅ OTHERÅ WORDS
..  
 'OÅTOÅSTEPÅ
4P
 4HEÅMINIMUMÅWIDTHÅDÅISÅGIVENÅBYÅ D  
. 

4OÅOVERCOMEÅTHEÅNEEDÅOFÅANÅITERATIVEÅSEARCHÅPROCEDURE ÅWEÅCANÅMAKEÅSOMEÅFURTHER
ASSUMPTIONSÅABOUTÅ A Å&IRSTLYÅWEÅREPRESENTÅ ÅAS

d 4  J X d
COS K œ AN 
b 
N   

!SÅ BEFORE Å THEÅ WORSTÅ SITUATIONÅ ISÅ OBTAINEDÅ WHENÅ THEÅ SECONDÅ TERMÅ OFÅ THEÅ LEFT HAND
SIDEÅOFÅ ÅREACHESÅITSÅMAXIMUM

d 4  J X d  d 4  J X ¬­ d 4  J X d
žž d ­­ 
Å œ AN 
 MAX ž
ž œ
žžŸN    AN  ­­ œ
­®­ N    MIN A N 

N   

5SINGÅ ÅWEÅCANÅEXPRESSÅ ÅAS

d 4  J X d
COS K œ MIN A N 
b 
N   

7EÅ NOWÅ HAVEÅ TOÅ DETERMINEÅ THEÅ VALUEÅ OFÅ MIN A Å 4HISÅ ISÅ DONEÅ BYÅ EVALUATING
4  JX ÅFORÅALLÅPOSSIBLEÅVALUESÅOFÅ X ÅTHATÅSATISFYÅ Å4HEÅUPPERÅBOUNDÅOFÅTHE
VALUEÅOFÅ X ÅCANÅBEÅDETERMINEDÅASÅFOLLOWSÅ5SINGÅTHEÅFACTÅTHAT
Å3TABILITYÅ!NALYSISÅOFÅ4IME )NDEXEDÅ,&&# 

d 4  J X d
Å œ AN 
p 
N   

K ÅSHOULDÅSATISFYÅUSINGÅ 

COS K b  

4HEÅUPPERÅBOUNDÅOFÅTHEÅVALUEÅOFÅ X ÅISÅTHUSÅTHEÅFREQUENCY ÅX ÅATÅWHICHÅ COS K b  

4HISÅRESULTSÅIN

MIN A p MIN 4  J X 

\X ‰ \ COS K b^

)NÅFIGUREÅÅANÅEXAMPLEÅOFÅAÅTYPICALÅ"ODEÅPLOTÅOFÅ4ÅISÅPRESENTED ÅINÅWHICHÅALLÅ X
FORÅWHICHÅ COS K b  ÅAREÅSHADED

MAGNITUDEÅD"

 MAXAÅN

 MINA 


PHASEÅDEG





   
   

X ;RADÅSÅÅ=

&IGUREÅ %XAMPLEÅOFÅAÅ"ODEÅPLOTÅOFÅ4

3UBSTITUTINGÅ ÅINÅ ÅYIELDS

 2EPETITIVEÅ-OTIONS

d 4 J X d
COS K b œ MIN 4  J X N 
N    X ‰ \ COS K b
\ ^
Å 
4 J X d
x 
MIN 4  J X
\X ‰ \ COS K b^

4HEÅABOVEÅCANÅBEÅUSEDÅTOÅFORMULATEÅANÅALGORITHMÅACCORDINGÅTOÅWHICHÅTHEÅMINIMUM
VALUEÅOFÅDÅCANÅBEÅOBTAINED

!LGORITHMÅ Å #ALCULATIONÅ OFÅ THEÅ SMALLESTÅ STABLEÅ VALUEÅ OFÅ D Å STRICTÅ ASSUMPTIONS
ABOUTÅTHEÅDYNAMICSÅOFÅTHEÅCONTROLLEDÅSYSTEM

 $ETERMINEÅ 4 JX d ÅFROMÅAÅMODELÅOFÅTHEÅCLOSEDÅLOOPÅSYSTEM

 5SEÅTHEÅ"ODEÅPLOTÅOFÅTHEÅMODELÅTOÅDETERMINEÅ MIN 4  J X 
\X ‰ \ COS K b^

 3EARCHÅFORÅTHEÅSMALLESTÅVALUEÅOFÅ X ATÅWHICHÅ K  ARG 4  J X ÅSATISFIES

 ­¬
žžž 4 J X d ­­­
K  ARCCOS žž ­ 
žž MIN 4  J X ­­­
žŸ \X ‰ \ COS K b^ ­®

 4HEÅ MINIMUMÅ VALUEÅ OFÅ THEÅ WIDTHÅ OFÅ THEÅ " SPLINES Å DMIN Å ISÅ GIVENÅ BY
Q
DMIN  ;RAD S = 
X

 ,EARNINGÅ2ATE
4OÅDETERMINEÅTHEÅMAXIMUMÅLEARNINGÅRATE ÅWEÅWILLÅUSEÅ ÅFORÅ WI   

%WI p WI 

!SÅ AÅ CANDIDATEÅ FEED FORWARDÅ SIGNALÅ WEÅ CHOOSEÅ THEÅ TRIANGULARÅ SHAPEDÅ FEED FORWARD
SIGNALÅOFÅ ÅTOÅWHICHÅAÅCONSTANT ÅC ÅISÅADDED
Å3TABILITYÅ!NALYSISÅOFÅ4IME )NDEXEDÅ,&&# 

d
G COS XN T
U& T  C  œ
Q N    N


)NÅ THEÅ FOLLOWINGÅ WEÅ WILLÅ SHOWÅ THATÅ THEÅ CONSTANTÅ TERMÅ CAUSESÅ AÅ LARGERÅ RELATIVE
ADAPTATIONÅTHANÅTHEÅRESTÅOFÅTHEÅTERMSÅ4HEÅFEEDBACKÅSIGNALÅCAUSEDÅBYÅ ÅISÅGIVEN
BY

d
G AN COS XN T KN
U# T  A C COS K  œ
Q N    N 


WHERE K Å ISÅ THEÅ PHASEÅ OFÅ 4Å ATÅ X   ¡ RAD S ¯° Å WHICHÅ ISÅ TYPICALLYÅ EQUALÅ TOÅ n
¢ ±
;DEG=

d
G AN COS XN T KN
U# T  A C 
Q N   
œ N 


4HEÅADAPTATIONÅOFÅ %WI ÅCANÅBEÅSPLITÅUPÅAS

%WI  %WI C %WI REST 

WHERE Å %WI C ÅANDÅ %WI REST ÅAREÅTHEÅPARTÅOFÅTHEÅADAPTATIONÅOFÅTHEÅWEIGHTÅCAUSEDÅBY

RESPECTIVELY ÅTHEÅCONSTANTÅTERMÅANDÅTHEÅTRIANGULARÅSIGNALÅ5SINGÅ ÅWEÅOBTAIN

D D
I  I
 
T  D I   DI  T
%WI C  HC ¨ D 
A C DT HC ¨ D
A C DT

D D
I  I 
 
 HCA C

ANDÅACCORDINGÅTOÅ 

d
HC G COS KN
%WI REST 
Q  œ AN
N

N   
 2EPETITIVEÅ-OTIONS

7HENÅ KN   ;DEG= ÅTHEÅLARGESTÅPOSSIBLEÅNEGATIVEÅWEIGHTÅADAPTATIONÅISÅOBTAINED

d
HCA COS KN
%WI REST 
Q  œ AN
N
p
N   
d
HCA 
Q  œ AN
N
 
N   
d
H A AN
 C œ
Q N    N 

7HENÅWEÅASSUMEÅTHATÅ A   AN  4 JX d ÅTHEÅMAXIMUMÅADAPTATIONSÅARE

%WI C  HC 4 J X d C 

d 4 J X d
HC G
%WI REST   œ
Q  N    N
x   HC 4 J X d G 

.OTEÅ THATÅ INÅ PRACTICEÅ A  Å WILLÅ BEÅ CLOSEÅ TOÅ 4 JX d Å WHEREASÅ AN Å WILLÅ BEÅ MUCH
SMALLERÅ FORÅ NÅ NOTÅ CLOSEÅ TOÅ Å )TÅ CANÅ BEÅ SEENÅ THATÅ %WI C  %WI REST Å 4HEREFORE Å TO
DETERMINEÅTHEÅMAXIMUMÅLEARNINGÅRATE ÅTHEÅINITIALÅFEED FORWARDÅSIGNALÅISÅASSUMEDÅTO
BEÅAÅCONSTANTÅSIGNAL Å U& T  C Å5SINGÅ ÅCONDITIONÅ ÅCANÅBEÅWRITTENÅAS

HCC 4 J X d p C 

7HICHÅGIVES


HC b 
4 J X d

(EREWITH Å AÅ MAXIMUMÅ VALUEÅ OFÅ THEÅ LEARNINGÅ RATEÅ FORÅ AÅ CONTINUOUSÅ LEARNING
MECHANISMÅ HASÅ BEENÅ OBTAINEDÅ (OWEVER Å WHENÅ IMPLEMENTED Å THEÅ TIME INDEXED
,&&#Å UTILISESÅ THEÅ DISCRETEÅ LEARNINGÅ MECHANISMÅ  Å 4OÅ CALCULATEÅ THEÅ MAXIMUM
VALUEÅOFÅJ ÅAÅDISCRETEÅAPPROXIMATIONÅOFÅTHEÅCONTINUOUSÅLEARNINGÅMECHANISM Å 
ISÅ MADEÅ !SSUMEÅ THATÅ THEÅ SAMPLEÅ TIMEÅ ISÅ SMALLÅ COMPAREDÅ TOÅ THEÅ WIDTHÅ OFÅ THEÅ "
Å3IMULATIONS 

SPLINES ÅHD ÅTHENÅ NI T ÅANDÅ U# T ÅAREÅALMOSTÅCONSTANTÅOVERÅONEÅSAMPLEÅINTERVAL

4HEÅADAPTATIONÅOFÅTHEÅWEIGHTSÅCANÅTHENÅBEÅWRITTENÅAS

4P
4P  H

¨ NI T U# T DT H œ NI KH U# KH
 K 
%WI  HC 4P
x HC 4P  H

¨ NI T DT H œ NI KH
K 
 
4P  H

œ NI KH U# KH
 HC K  4  H
P

œ NI KH
K 

4HEÅ ADAPTATIONÅ OFÅ THEÅ WEIGHTSÅ BYÅ THEÅ DISCRETEÅ APPROXIMATIONÅ OFÅ THEÅ CONTINUOUS
LEARNINGÅRULE Å ÅISÅEQUALÅTOÅTHEÅADAPTATIONÅBYÅTHEÅDISCRETEÅLEARNINGÅRULE Å
WHEN


H  HC b 
4 J X d

7ITHÅ ÅANDÅ ÅGUIDELINESÅONÅHOWÅTOÅCHOOSEÅTHEÅWIDTHÅOFÅTHEÅ" SPLINESÅAND

THEÅ LEARNINGÅ RATE Å SUCHÅ THATÅ THEÅ LEARNINGÅ MECHANISMÅ REMAINSÅ STABLE Å BASEDÅ ONÅ A
"ODEÅ PLOTÅ OFÅ THEÅ NEGATIVEÅ COMPLEMENTARYÅ SENSITIVITYÅ FUNCTIONÅ )NÅ THEÅ FOLLOWING
SECTIONÅTHESEÅGUIDELINESÅWILLÅBEÅVALIDATEDÅBYÅMEANSÅOFÅSIMULATIONS

 3IMULATIONS

4HEÅSIMULATIONSÅPRESENTEDÅINÅTHISÅSECTIONÅHAVEÅTWOÅPURPOSESÅ&IRSTLY ÅTHEYÅAREÅUSED
TOÅ CHECKÅ WHETHERÅ THEÅ MINIMALÅ " SPLINEÅ WIDTHÅ ANDÅ THEÅ MAXIMUMÅ LEARNINGÅ RATE Å AS
OBTAINEDÅBYÅTHEÅSTABILITYÅANALYSIS ÅWILLÅRESULTÅINÅAÅSTABLEÅSYSTEMÅ3ECONDLY ÅITÅWILLÅBE
EXAMINEDÅHOWÅCONSERVATIVEÅTHESEÅVALUESÅAREÅ)NÅTHEÅSTABILITYÅANALYSISÅAÅNUMBERÅOF
WORSTÅ CASEÅ ASSUMPTIONÅ WEREÅ MADEÅ THATÅ MIGHTÅ RESULTÅ INÅ CONSERVATIVEÅ VALUESÅ OFÅ THE
MINIMUMÅ" SPLINEÅWIDTHÅANDÅTHEÅMAXIMUMÅLEARNINGÅRATE
 2EPETITIVEÅ-OTIONS

 -ASSÅ3PRINGÅ-ASSÅ0LANT
4HEÅFIRSTÅSYSTEMÅTHATÅISÅSIMULATEDÅISÅAÅMASS SPRING MASSÅ-3- ÅPLANTÅFIGUREÅ 
4HISÅPLANTÅHASÅBEENÅCHOSENÅBECAUSEÅITÅREPRESENTSÅTHEÅDOMINANTÅDYNAMICÅBEHAVIOUR
OFÅ MANYÅ INDUSTRIALÅ MOTIONÅ SYSTEMSÅ ;'ROENHUIS Å Å #OELINGH Å =Å (EREÅ M
Å;KG= ÅREPRESENTSÅMASSÅOFÅTHEÅMOTOR ÅWHICHÅDRIVESÅAÅLOADÅMASSÅMÅÅ;KG=
THROUGHÅAÅFLEXIBLEÅTRANSMISSIONÅCÅÅÅ;.M= 
C
F M M
X X

&IGUREÅ -ODELÅOFÅAÅINDUSTRIALÅMOTIONÅSYSTEM

)NÅ MANYÅ SITUATIONSÅ ITÅ ISÅ DIFFICULTÅ ANDORÅ EXPENSIVEÅ TOÅ MEASUREÅ THEÅ POSITIONÅ OFÅ THE
LOADÅ MASSÅ X Å )NSTEAD Å THEÅ POSITIONÅ OFÅ THEÅ MOTORÅ X Å ISÅ USEDÅ FORÅ CONTROLÅ )NÅ THIS
RESEARCHÅAÅ0$ TYPEÅFEEDBACKÅCONTROLLERÅISÅCONSIDEREDÅOFÅWHICHÅTHEÅPARAMETERSÅWERE
SELECTEDÅACCORDINGÅTOÅTHEÅRULESÅGIVENÅINÅ;#OELINGH Å=

  ¸  J X  ¬­­
#   ¸  žžž ­ 
žŸ  ¸  J X  ®­

7EÅUSEÅALGORITHMÅÅTOÅDETERMINEÅTHEÅVALUEÅOFÅ DMINÅ3INCEÅTHEÅCONTROLLEDÅSYSTEMÅIS
,4) ÅASSUMPTIONÅÅISÅSATISFIEDÅ4HEÅ"ODEÅPLOTÅOFÅ4ÅISÅPRESENTEDÅINÅFIGUREÅ

MAGNITUDEÅD"








PHASEÅDEG





 X 







X ;RADÅSÅÅ=

&IGUREÅ "ODEÅPLOTÅOFÅ−4JZ ÅFORÅTHEÅ-3-ÅPLANT

&ROMÅFIGUREÅÅITÅCANÅSEENÅTHAT
Å3IMULATIONS 

MIN 4 J X    D" FOR X   ¡ RAD S ¯° 

\X ‰ \ COS K b^ ¢ ±

4  JX d    D" 

4HISÅMEANSÅTHATÅ ÅRESULTSÅIN

COS K b  º  ;DEG= b K b  ;DEG= 

4HEÅ SMALLESTÅ ZÅ THATÅ VIOLATESÅ  Å ISÅ ZÅ ;RADÅ S=Å 4HEÅ MINIMUMÅ " SPLINE
WIDTHÅIS

Q
DMIN    ¸  ;SEC= 


4HEÅMAXIMUMÅLEARNINGÅRATEÅCANÅBEÅCALCULATEDÅACCORDINGÅTOÅ 

 
Hb    
4 J X d 

4HEÅMOTIONÅTHATÅTHEÅSYSTEMÅISÅTOÅPERFORMÅREPEATEDLYÅISÅGIVENÅINÅFIGUREÅ


RÅ;M=




     
TÅ;S=

&IGUREÅ 0ATHÅFORÅTHEÅ-3-ÅSYSTEM

3IMULATIONÅÅFEEDBACKÅCONTROLLEDÅ-3-
)NÅ THEÅ FIRSTÅ SIMULATIONÅ THATÅ ISÅ PERFORMED Å THEÅ SYSTEMÅ ISÅ ONLYÅ CONTROLLEDÅ BYÅ THE
FEEDBACKÅCONTROLLERÅ4HEÅTRACKINGÅERRORÅTHATÅRESULTSÅISÅSHOWNÅINÅFIGUREÅ
 2EPETITIVEÅ-OTIONS



EÅ;ÅÅÅÅÅÅM=


 





    
TÅ;S=

&IGUREÅ 4RACKINGÅERRORÅ-3- ÅDÅCONFORMÅTHEÅSTABILITYÅCRITERION

3IMULATIONÅÅTIME INDEXEDÅ,&&#ÅCONTROLLEDÅ-3- ÅDÅCONFORMÅ

)NÅ THISÅ SERIESÅ OFÅ SIMULATIONSÅ THEÅ " SPLINEÅ WIDTHÅ ISÅ CHOSENÅ SLIGHTLYÅ LARGERÅ THANÅ DMIN
IEÅ D¸Å ;S=Å 7EÅ CHOOSEÅ J Å WHICHÅ SHOULDÅ YIELDÅ AÅ STABLEÅ SYSTEMÅ 4HE
TRACKINGÅERRORÅ THATÅRESULTSÅ AFTER Å Å ;S= Å Å ;S=Å ANDÅ Å ;S=Å ISÅ DEPICTEDÅ INÅ FIGURE



EÅ;ÅÅÅÅÅÅM=

Å;S=



Å;S=





 Å;S=

    

&IGUREÅ 4RACKINGÅERRORÅ-3- ÅDÅCONFORMÅTHEÅSTABILITYÅCRITERION

)TÅ CANÅ BEÅ SEENÅ THATÅ AFTERÅ Å ;S= Å WHICHÅ CORRESPONDSÅ TOÅ Å MOTIONS Å THEÅ ,&&#Å WAS
ABLEÅ TOÅ CONSIDERABLYÅ IMPROVEÅ UPONÅ THEÅ TRACKINGÅ PERFORMANCEÅ OFÅ THEÅ FEEDBACK
CONTROLLERÅ 7HENÅ TRAININGÅ ISÅ CONTINUED Å THEÅ TRACKINGÅ ERRORÅ ISÅ DECREASEDÅ FURTHER
!FTERÅ Å ;S=Å THEÅ TRACKINGÅ CHANGEDÅ NOÅ MORE Å FROMÅ WHICHÅ WEÅ CONCLUDEÅ THATÅ THE
,&&#ÅISÅSTABLE

3IMULATIONÅÅTIME INDEXEDÅ,&&#ÅCONTROLLEDÅ-3- ÅDÅNOTÅCONFORMÅ

4OÅTESTÅWHETHERÅDMINÅHASÅAÅCONSERVATIVEÅVALUE ÅAÅSERIESÅOFÅSIMULATIONSÅISÅPERFORMED
INÅ WHICHÅ THEÅ " SPLINEÅ WIDTHÅ ISÅ CHOSENÅ SLIGHTLYÅ SMALLERÅ THANÅ DMIN Å D¸Å ;S=
Å3IMULATIONS 

!GAIN Å WEÅ CHOOSEÅ JÅ 3IMULATIONSÅ SHOWÅ THATÅ AFTERÅ THEÅ TRACKINGÅ ERRORÅ HAS
DECREASEDÅ INÅ THEÅ FIRSTÅ FEWÅ RUNS Å ITÅ INCREASESÅ THEREAFTERÅ )NÅ FIGUREÅ Å THEÅ TRACKING
ERRORÅ AFTERÅ Å SECONDSÅ ISÅ PRESENTEDÅ 7HENÅ THEÅ SIMULATIONSÅ AREÅ CONTINUED Å THE
TRACKINGÅERRORÅKEEPSÅONÅGROWINGÅWITHOUTÅBOUND ÅWHICHÅMEANSÅTHATÅTHEÅSYSTEMÅHAS
BECOMEÅUNSTABLE
ÅFEEDBACKÅCONTROL Å,&&#

EÅ;ÅÅÅÅÅÅM=


 






    
TÅ;S=

&IGUREÅ 4RACKINGÅERRORÅ-3- ÅDÅJUSTÅNOTÅCONFORMÅSTABILITYÅCRITERION

3IMULATIONÅÅTIME INDEXEDÅ,&&#ÅCONTROLLEDÅ-3- ÅDÅCONFORMÅ ÅMAXIMUM

LEARNINGÅRATE
.EXT ÅWEÅEXAMINEÅWHETHERÅTHEÅMAXIMUMÅVALUEÅOFÅTHEÅLEARNINGÅRATEÅISÅCORRECTÅAND
WHETHERÅITÅISÅAÅCONSERVATIVEÅVALUEÅ)NÅTHEÅSIMULATIONS ÅTHEÅWIDTHÅOFÅTHEÅ" SPLINESÅIS
CHOSENÅ D¸Å ;S=Å )NÅ FIGUREÅ Å THEÅ TRACKINGÅ ERRORÅ ISÅ SHOWNÅ WHENÅ J
4HEÅTRACKINGÅCLEARLYÅCONVERGESÅANDÅLEARNINGÅREMAINSÅSTABLE


EÅ;ÅÅÅÅÅÅM=










    

&IGUREÅ 4RACKINGÅERRORÅ-3- ÅJ

.EXT ÅAÅSERIESÅOFÅSIMULATIONSÅISÅPERFORMEDÅINÅWHICHÅWEÅSTARTÅWITHÅAÅSMALLÅLEARNING
RATEÅ ANDÅ THENÅ INCREASEÅ ITÅ UNTILÅ THEÅ SYSTEMÅ BECOMESÅ UNSTABLEÅ &ORÅ JÅ THE
FEED FORWARDÅ SIGNALÅ GRADUALLYÅ CONVERGESÅ TOÅ ITSÅ FINALÅ VALUEÅ )NÅ FIGUREÅ Å THEÅ FEED
FORWARDÅSIGNALÅFORÅTHEÅFIRSTÅÅMOTIONSÅISÅSHOWNÅJ 
 2EPETITIVEÅ-OTIONS

U & 






    
TÅ;S=

&IGUREÅ &EED FORWARDÅSIGNAL ÅJ

7HENÅ JÅ THEÅ FEED FORWARDÅ SIGNALÅ ISÅ ADAPTEDÅ INÅ ANÅ OSCILLATORYÅ WAYÅ )N
FIGUREÅÅTHEÅFEED FORWARDÅSIGNALÅISÅSHOWNÅINÅAÅSIMULATIONÅINÅWHICHÅ JÅ)TÅCAN
BEÅSEENÅTHATÅAFTERÅTHEÅFIRSTÅMOTION ÅTHEÅAMPLITUDEÅOFÅTHEÅFEED FORWARDÅHASÅINCREASED
WHILEÅAFTERÅTHEÅSECONDÅMOTIONÅTHEÅAMPLITUDEÅHASÅDECREASEDÅ(OWEVER ÅTHEÅAMPLITUDE
OFÅTHEÅOSCILLATIONÅDECREASESÅANDÅTHEÅFEED FORWARDÅSIGNALÅSTILLÅCONVERGESÅTOÅITSÅDESIRED
VALUE

U & 






    
TÅ;S=

&IGUREÅ &EED FORWARDÅSIGNAL ÅJ

4HEÅ SIMULATIONSÅ SHOWEDÅ THATÅ THEÅ TIME INDEXEDÅ ,&&#Å BECAMEÅ UNSTABLEÅ WHEN
JÅ4HISÅVALUEÅISÅMUCHÅLARGERÅTHANÅTHEÅVALUEÅINÅ  Å7EÅMAYÅTHUSÅCONCLUDE
THAT Å FORÅ THISÅ SYSTEM Å THEÅ WORSTÅ CASEÅ ASSUMPTIONSÅ INÅ THEÅ STABILITYÅ ANALYSISÅ OFÅ THE
LEARNINGÅRATEÅRESULTEDÅINÅANÅCONSERVATIVEÅVALUE

 ,I--3
4HEÅSECONDÅSYSTEMÅTHATÅISÅSIMULATEDÅISÅTHEÅ,INEARÅ-OTORÅ-OTIONÅ3YSTEMÅ,I--3
PRESENTEDÅINÅCHAPTERÅÅ4HEÅPOSITIONÅOFÅTHEÅ TRANSLATORÅISÅCONTROLLEDÅBYÅ MEANSÅ OFÅ A
Å3IMULATIONS 

0$ TYPEÅ FEEDBACKÅ CONTROLLERÅ 4HEÅ PARAMETERSÅ OFÅ THEÅ FEEDBACKÅ CONTROLLERÅ WERE
OBTAINEDÅBYÅMEANSÅOFÅANÅAUTO TUNINGÅMECHANISM ÅPRESENTÅINÅTHEÅ,I--3ÅSET UP

  J X  ¬­
#   žž ­ 
žŸ  J X  ­­®

4HEÅ"ODEÅPLOTÅOFÅ4ÅISÅSHOWNÅINÅFIGUREÅÅ)TÅCANÅBEÅSEENÅTHAT

MIN 4 J X    ÅD" FOR X   ¡ RAD S ¯° 

\X ‰ \ COS K b^ ¢ ±

4  JX d    D" 

WHICHÅGIVES

COS K b  º Å  ;DEG= b K b  ;DEG= 

MAGNITUDEÅD"






PHASEÅDEG








 X 





X ;RADÅSÅÅ=

&IGUREÅ "ODEÅPLOTÅOFÅTHEÅ,I--3

)NSPECTINGÅFIGUREÅÅSHOWSÅTHATÅWEÅSHOULDÅCHOOSEÅZÅ;RADÅS=ÅANDÅTHUS

Q
DMIN    ¸  ;S= 


4HEÅLEARNINGÅRATEÅSHOULDÅNOWÅBEÅCHOSEN
 2EPETITIVEÅ-OTIONS

 
Hb    
4 J X d 

.OW Å COMPARABLEÅ RESULTSÅ WILLÅ BEÅ PURSUEDÅ BYÅ SIMULATIONSÅ WITHÅ AÅ MODELÅ OFÅ THE
,I--3Å4HEÅREFERENCEÅPOSITIONÅTHATÅHASÅTOÅBEÅTRACKEDÅISÅGIVENÅINÅFIGUREÅ


RÅ;M=




     
TÅ;S=

&IGUREÅ 2EFERENCEÅPOSITIONÅFORÅTHEÅ,I--3

3IMULATIONÅÅFEEDBACKÅCONTROLLEDÅ,I--3
4HEÅTRACKINGÅERRORÅTHATÅISÅOBTAINED ÅWHENÅTHEÅ,I--3ÅISÅCONTROLLEDÅBYÅTHEÅFEEDBACK
CONTROLLERÅONLY ÅISÅGIVENÅINÅFIGUREÅÅ)TÅCANÅBEÅSEENÅTHATÅTHEÅFEEDBACKÅCONTROLLERÅIS
NOTÅABLEÅTOÅFULLYÅCOMPENSATEÅFORÅTHEÅCOGGING


EÅ;ÅÅÅÅÅÅM=

ÅÅ






    

&IGUREÅ 4RACKINGÅERRORÅ,I--3 ÅFEEDBACKÅCONTROLÅONLY

3IMULATIONÅÅTIME INDEXEDÅ,&&#ÅCONTROLLEDÅ,I--3 ÅDÅCONFORMÅ

)NÅTHEÅFIRSTÅSERIESÅOFÅSIMULATIONSÅWITHÅTHEÅTIME INDEXEDÅ,&&# ÅTHEÅWIDTHÅOFÅTHEÅ"

SPLINESÅ ISÅ LARGERÅ THANÅ ITSÅ MINIMUMÅ VALUE Å D¸Å ;S=Å 7EÅ CHOOSEÅ JÅ 4HE
TRACKINGÅ ERRORÅ AFTERÅ Å ;S=Å ISÅ SHOWNÅ INÅ FIGUREÅ Å )TÅ CANÅ BEÅ SEENÅ THATÅ THEÅ TIME
INDEXEDÅ,&&#ÅHASÅBEENÅABLEÅTOÅDECREASEÅTHEÅTRACKINGÅERRORÅDRASTICALLY
Å3IMULATIONS 



EÅ;ÅÅÅM=







  
TÅ;S=

&IGUREÅ 4RACKINGÅERRORÅ,I--3 ÅDÅCONFORMÅTHEÅSTABILITYÅCRITERION

7HENÅLEARNINGÅISÅCONTINUEDÅTHEÅTRACKINGÅERRORÅDECREASESÅFURTHERÅ,EARNINGÅREMAINS
STABLEÅTHOUGHÅ)NÅFIGUREÅÅTHEÅTRACKINGÅERRORÅAFTERÅÅSECONDSÅISÅSHOWN

ÅFEEDBACKÅCONTROL Å,&&#

EÅ;ÅÅÅÅÅÅM=


 





    
TÅ;S=

&IGUREÅ 4RACKINGÅERRORÅ,I--3 ÅDÅCONFORMÅTHEÅSTABILITYÅCRITERION

4HEÅ TIME INDEXEDÅ ,&&#Å ISÅ ABLEÅ TOÅ LEARNÅ TOÅ COMPENSATEÅ FORÅ THEÅ COGGINGÅ FORCEÅ AND
OBTAINSÅ AÅ CONSIDERABLYÅ SMALLERÅ TRACKINGÅ ERRORÅ THANÅ THEÅ FEEDBACKÅ CONTROLLER
&URTHERMORE ÅWHENÅLEARNINGÅISÅCONTINUEDÅTHEÅSYSTEMÅREMAINSÅSTABLE

3IMULATIONÅÅTIME INDEXEDÅ,&&#ÅCONTROLLEDÅ,I--3 ÅDÅNOTÅCONFORMÅ

)NÅ THEÅ FOLLOWINGÅ SERIESÅ OFÅ SIMULATIONSÅ THEÅ WIDTHÅ OFÅ THEÅ " SPLINESÅ ISÅ CHOSEN
D¸Å ;S=Å &ORÅ THISÅ WIDTH Å THEÅ SYSTEMÅ BECOMESÅ UNSTABLEÅ ASÅ CANÅ BEÅ SEENÅ IN
FIGUREÅ ÅWHEREÅTHEÅTRACKINGÅERRORÅAFTERÅÅSECONDSÅISÅDEPICTEDÅ7HENÅLEARNING
ISÅCONTINUED ÅTHISÅERRORÅKEEPSÅONÅGROWING
 2EPETITIVEÅ-OTIONS

ÅFEEDBACKÅCONTROL Å,&&#


EÅ;ÅÅÅÅÅÅM=


1 0 -5




    
TÅ;S=

&IGUREÅ 4RACKINGÅERRORÅ,I--3 ÅDÅJUSTÅNOTÅCONFORMÅTHEÅSTABILITYÅCRITERION

7EÅMAYÅCONCLUDEÅTHATÅEVENÅTHOUGHÅTHEÅ,I--3ÅISÅAÅNON LINEARÅPLANT ÅTHEÅVALUEÅOF

DMINÅISÅSTILLÅVALIDÅANDÅNOTÅCONSERVATIVE

3IMULATIONÅ Å TIME INDEXEDÅ ,&&#Å CONTROLLEDÅ ,I--3 Å DÅ CONFORMÅ 

MAXIMUMÅLEARNINGÅRATE
.EXT ÅTHEÅMAXIMUMÅVALUEÅOFÅTHEÅLEARNINGÅRATEÅISÅEXAMINEDÅFORÅWHICHÅTHEÅSYSTEMÅIS
STABLEÅ )NÅ THESEÅ SIMULATIONSÅ WEÅ TAKEÅ D¸Å ;S=Å &IRST Å WEÅ CHOOSEÅ J
&IGUREÅÅSHOWSÅTHATÅINÅTHISÅCASEÅTHEÅWEIGHTSÅAREÅADAPTEDÅINÅANÅOSCILLATORYÅWAY


U&


  
TÅ;S=

&IGUREÅ 4RACKINGÅERRORÅ,I--3 ÅDÅJUSTÅNOTÅCONFORMÅTHEÅSTABILITYÅCRITERION

3IMULATIONSÅ SHOWÅ THATÅ FORÅ JÅ THEÅ FEED FORWARDÅ SIGNALÅ CONVERGESÅ GRADUALLY Å FOR
JÅINÅANÅOSCILLATORYÅWAYÅANDÅFORÅJÅTHEÅFEED FORWARDÅSIGNALÅDIVERGESÅ3O
THEÅMAXIMUMÅOFÅTHEÅLEARNINGÅRATEÅASÅDETERMINEDÅINÅ ÅGIVESÅAÅSTABLEÅSYSTEMÅAND
ISÅNOTÅASÅCONSERVATIVEÅAÅVALUEÅASÅFORÅTHEÅMASS SPRING MASSÅSYSTEM
Å$ISCUSSION 

 $ISCUSSION

4HEÅANALYSISÅOFÅSECTIONÅÅREVEALEDÅTHATÅAÅSTABLEÅTIME INDEXEDÅ,&&#ÅBASEDÅONÅ ND
ORDERÅ" SPLINEÅCANÅBEÅDESIGNEDÅUSINGÅALGORITHMÅÅ$URINGÅTHEÅDERIVATIONÅAÅNUMBER
OFÅ RATHERÅ STRONGÅ ASSUMPTIONSÅ HASÅ BEENÅ MADEÅ )NÅ THISÅ SECTION Å WEÅ WILLÅ COMMENTÅ ON
THESEÅASSUMPTIONSÅ)NÅORDERÅTOÅDETERMINEÅTHEÅMINIMUMÅ" SPLINEÅWIDTH ÅWEÅHADÅTO
ASSUMEÅTHEÅFOLLOWING

 4HEÅWEIGHTSÅAREÅADAPTEDÅINÅTHEÅRIGHTÅDIRECTION

%WI p  FOR WI b 

%WI b  FOR WI  

4HISÅ CONDITIONÅ ISÅ NECESSARYÅ INÅ CASEÅ OFÅ THEÅ TRIANGULARÅ SHAPEDÅ INITIALÅ FEED
FORWARDÅ SIGNALÅ WITHÅ ZEROÅ MEANÅ  Å )NÅ THATÅ CASEÅ ALLÅ WEIGHTSÅ AREÅ ADAPTED
EQUALLYÅSTRONGÅTHEÅPOSITIVEÅWEIGHTSÅINÅONEÅDIRECTIONÅANDÅTHEÅNEGATIVEÅWEIGHTS
INÅ THEÅ OTHERÅ "YÅ LEARNING Å ONLYÅ THEÅ AMPLITUDEÅ OFÅ THEÅ FEED FORWARDÅ SIGNAL
CHANGES ÅNOTÅTHEÅ SHAPEÅORÅTHEÅMEANÅ)FÅINÅONEÅ RUNÅ THEÅ NEGATIVEÅ WEIGHTSÅ ARE
ADAPTEDÅ INÅ THEÅ NEGATIVEÅ DIRECTIONÅ ANDÅ THEÅ POSITIVEÅ WEIGHTSÅ INÅ THEÅ POSITIVE
DIRECTION Å THISÅ WILLÅ ALSOÅ OCCURÅ INÅ THEÅ NEXTÅ RUNÅ ANDÅ THEÅ FEED FORWARDÅ SIGNAL
WILLÅTHUSÅGROWÅWITHOUTÅBOUND

7HENÅ CHOOSINGÅ AÅ DIFFERENTÅ INITIALÅ FEED FORWARDÅ SIGNAL Å  Å BECOMESÅ A

SUFFICIENTÅ CONDITION Å NOTÅ AÅ NECESSARYÅ ONEÅ 4HISÅ CANÅ BEÅ EASILYÅ SEENÅ WHENÅ WE
ADDÅANÅOFFSETÅTOÅTHEÅTRIANGULARÅINITIALÅFEED FORWARDÅSIGNAL ÅSUCHÅASÅINÅ  
7HENÅTHEÅOFFSET ÅC ÅEQUALSÅGEÅEÅISÅCHOSENÅVERYÅSMALL ÅTHEÅFOLLOWINGÅINITIAL
FEED FORWARDÅSIGNALÅISÅOBTAINED

G
U&
W W W
 W W
T
&IGUREÅ 4RIANGULARÅFEED FORWARDÅSIGNALÅWITHÅANÅOFFSET

4HEÅ WEIGHTSÅ AREÅ CHOSENÅ ASÅ FOLLOWSÅ W  bGEÅ ANDÅ W  bE Å 3TABILITY
CONDITIONÅ  Å SAYSÅ THATÅ W  bÅ MUSTÅ BEÅ ADAPTEDÅ INÅ THEÅ POSITIVEÅ DIRECTION
!CCORDINGÅ TOÅ SECTIONÅ  Å THEÅ WEIGHTÅ ADAPTATIONÅ CONSISTSÅ OFÅ Å PARTS Å ONE
CAUSEDÅ BYÅ THEÅ CONSTANTÅ TERMÅ ANDÅ ONEÅ CAUSEDÅ BYÅ THEÅ TRIANGULARÅ SIGNAL
&URTHERMORE ÅITÅWASÅSTATEDÅTHATÅTHEÅLARGESTÅPARTÅOFÅTHEÅWEIGHTÅADAPTATIONÅIS
CAUSEDÅBYÅTHEÅCONSTANTÅTERMÅ$URINGÅLEARNING ÅTHEÅAMPLITUDEÅOFÅTHEÅCONSTANT
TERMÅ WILLÅ THUSÅ DECREASEÅ FASTERÅ THANÅ THEÅ AMPLITUDEÅ OFÅ THEÅ TRIANGULARÅ SIGNAL
 2EPETITIVEÅ-OTIONS

4HISÅMEANSÅTHATÅTHEÅWEIGHTSÅW  bÅAREÅFIRSTÅADAPTEDÅINÅTHEÅNEGATIVEÅDIRECTION
ANDÅ ONCEÅ THEÅ CONSTANTÅ TERMÅ ISÅ SMALLÅ ENOUGH Å INÅ THEÅ POSITIVEÅ DIRECTIONÅ 3O
DURINGÅTHEÅFIRSTÅPHASE ÅCONDITIONÅ ÅISÅNOTÅSATISFIED ÅANDÅYETÅTHEÅSYSTEMÅIS
GUARANTEEDÅTOÅBEÅSTABLE
 4HEÅINITIALÅFEED FORWARDÅSIGNALÅWASÅASSUMEDÅTOÅBEÅTRIANGULARÅWITHÅZEROÅMEAN
#HOOSINGÅ THISÅ FEED FORWARDÅ SIGNALÅ WASÅ MOTIVATEDÅ BYÅ OBSERVINGÅ THATÅ IN
EXPERIMENTSÅ INÅ WHICHÅ THEÅ TIME INDEXEDÅ ,&&#Å BECAMEÅ UNSTABLE Å THEÅ FEED
FORWARDÅSIGNALÅHADÅAÅTRIANGULARÅSHAPEÅ&URTHERMORE ÅTHISÅINITIALÅFEED FORWARD
SIGNALÅCOULDÅBEÅWRITTENÅASÅAÅSIMPLEÅ&OURIERÅSERIES ÅOFÅWHICHÅTHEÅPERIODÅOFÅTHE
LOWESTÅ FREQUENCYÅ COMPONENTÅ EQUALSÅ THEÅ " SPLINEÅ WIDTHÅ 4HISÅ ENABLEDÅ USÅ TO
MAKEÅ SOMEÅ WORST CASEÅ ASSUMPTIONSÅ ONÅ THEÅ HIGH FREQUENCYÅ TERMSÅ ANDÅ THEN
CALCULATEÅ WHATÅ PHASEÅ SHIFTÅ THEÅ LOWESTÅ FREQUENCYÅ COMPONENTÅ MAYÅ HAVEÅ SUCH
THATÅTHEÅWEIGHTSÅSTILLÅCONVERGEÅ7HEN ÅINSTEAD ÅAÅRANDOMÅINITIALÅFEEDÅFORWARD
SIGNALÅISÅCHOSEN ÅTHEÅFOLLOWINGÅ&OURIERÅSERIESÅRESULTS

d  QKT ¬­ d  QLT ¬­
ž ž
U& T  C œ CN COS žž ­­
žŸ 4P ­­® œ SN SIN žž
ž 4
Ÿ P ®­
­­
­ 
K  L 

)NÅ ÅTHEÅ" SPLINEÅWIDTHÅDOESÅNOTÅCORRESPONDÅTOÅTHEÅPERIODÅOFÅTHEÅLOWEST

FREQUENCYÅTERMÅK ÅL ÅBUTÅTOÅAÅHIGHERÅFREQUENCYÅCOMPONENTÅTHEÅWIDTH
OFÅTHEÅ" SPINESÅDETERMINESÅWHICHÅONE Å4HISÅMEANSÅTHAT ÅINÅORDERÅTOÅCALCULATE
THEÅ MINIMUMÅ " SPLINEÅ WIDTH Å WEÅ HAVEÅ TOÅ MAKEÅ WORST CASEÅ ASSUMPTIONSÅ ON
BOTHÅ THEÅ LOW FREQUENCYÅ TERMSÅ ASÅ WELLÅ ASÅ THEÅ HIGH FREQUENCYÅ TERMSÅ 4HIS
MAKESÅTHEÅANALYSISÅSOÅCOMPLEX ÅTHATÅWEÅSUGGESTÅTHAT ÅTOÅEXAMINEÅSTABILITYÅFOR
RANDOMÅINITIALÅFEED FORWARDÅSIGNALS ÅANOTHERÅAPPROACHÅMUSTÅBEÅSOUGHT

!LTHOUGHÅTHEÅCHOICEÅOFÅTHEÅINITIALÅFEED FORWARDÅSIGNALÅSEEMSÅRATHERÅRESTRICTIVE
THEÅ RESULTINGÅ MINIMUMÅ " SPLINEÅ WIDTHÅ ISÅ ACCURATEÅ 3IMULATIONSÅ WERE
PERFORMEDÅWITHÅDIFFERENTÅSETSÅOFÅINITIALÅWEIGHTS ÅWIvÅ)NÅSPITEÅOFÅTHEÅFACTÅTHAT
THEÅ INITIALÅ WEIGHTSÅ DOÅ NOTÅ SATISFYÅ THEÅ ASSUMPTION Å THEÅ TIME INDEXEDÅ ,&&#
REMAINEDÅSTABLEÅWHENÅTHEÅ" SPLINEÅWIDTHÅWASÅCHOSENÅSLIGHTLYÅLARGERÅTHANÅTHE
MINIMUMÅ WIDTHÅ ANDÅ BECAMEÅ UNSTABLEÅ WHENÅ THEÅ " SPLINEÅ WIDTHÅ WASÅ CHOSEN
SLIGHTLYÅ SMALLERÅ !DDITIONALLY Å WEÅ PERFORMEDÅ AÅ LARGEÅ NUMBERÅ OFÅ STABILITY
SIMULATIONSÅOFÅTHEÅ,I--3 ÅWHEREÅTHEÅINITIALÅWEIGHTSÅOFÅTHEÅ"3.ÅWEREÅCHOSEN
RANDOMLYÅ.ONEÅOFÅTHEÅSIMULATIONSÅSHOWEDÅUNSTABLEÅBEHAVIOUR

 7ORSTÅCASEÅASSUMPTIONSÅCONCERNINGÅTHEÅSYSTEMÅDYNAMICSÅ)NÅORDERÅTOÅBEÅABLE
TOÅ CALCULATEÅ THEÅ MAXIMUMÅ STABLEÅ VALUEÅ OFÅ DÅ FORÅ AÅ CERTAINÅ SYSTEM Å INÅ 
 Å AÅ NUMBERÅ OFÅ WORSTÅ CASEÅ ASSUMPTIONSÅ ONÅ THEÅ SYSTEMÅ DYNAMICSÅ WAS
MADEÅ 2EGARDINGÅ THEÅ RESULTSÅ OFÅ SECTIONÅ Å WEÅ CONCLUDEÅ THATÅ FORÅ THESE
SYSTEMS ÅTHEÅASSUMPTIONSÅDIDÅNOTÅRESULTÅINÅAÅCONSERVATIVEÅVALUEÅOFÅ DMINÅ4HIS
Å$ISCUSSION 

ISÅ UNDERSTANDABLEÅ CONSIDERINGÅ THATÅ A Å AN Å KN Å N  b Å INÅ  Å ARE


AMPLIFIEDÅBYÅAÅFACTORÅ  Å4HEÅASSUMPTIONSÅAREÅPARTICULARLYÅCONSERVATIVEÅFOR
N
LARGERÅN ÅBECAUSEÅTHENÅTHEÅFACTORÅNÅISÅDOMINANTLYÅSMALL

 4HEÅ SYSTEMÅ ISÅ LINEARÅ 7EÅ HAVEÅ ONLYÅ BEENÅ ABLEÅ TOÅ DERIVEÅ AÅ CONDITIONÅ FORÅ THE
WIDTHÅOFÅTHEÅSUPPORTÅOFÅTHEÅ" SPLINES ÅINÅCASEÅ THEÅCONTROLLEDÅ SYSTEMÅ ISÅ ,4)
4HEÅ COGGINGÅ FORCEÅ INÅ THEÅ ,I--3Å MAKESÅ THEÅ PLANTÅ ANDÅ THUSÅ THEÅ CONTROLLED
SYSTEM ÅNON LINEARÅ)NÅSPITEÅOFÅTHIS ÅTHEÅVALUEÅOFÅ DMINÅTHATÅWASÅDETERMINEDÅON
THEÅBASISÅOFÅAÅ"ODE PLOTÅOFÅTHEÅFREQUENCYÅRESPONSEÅOFÅTHEÅCONTROLLEDÅSYSTEM
PROVEDÅ TOÅ BEÅ ACCURATEÅ 4HISÅ DOESÅ NOTÅ NECESSARILYÅ MEANÅ THATÅ FORÅ ANYÅ NON
LINEARÅPLANTÅWEÅCANÅDETERMINEÅTHEÅVALUEÅOFÅDMINÅONÅTHEÅBASISÅOFÅAÅLINEARISATION
OFÅ THEÅ PLANTÅ &URTHERÅ RESEARCHÅ ONÅ STABILITYÅ OFÅ TIME INDEXEDÅ ,&&#Å FORÅ NON
LINEARÅPLANTSÅISÅNEEDED

&ORÅTHEÅCALCULATIONÅOFÅTHEÅMAXIMUMÅLEARNINGÅRATEÅWEÅASSUMEDÅTHAT

 4HEÅ WORSTÅ CASEÅ INITIALÅ FEED FORWARDÅ SIGNALÅ ISÅ AÅ CONSTANTÅ SIGNALÅ 4HIS
ASSUMPTIONÅ ISÅ BASEDÅ ONÅ CALCULATINGÅ THEÅ MAXIMUMÅ WEIGHTÅ ADAPTATIONÅ BYÅ A
TRIANGULARÅ FEED FORWARDÅ SIGNALÅ WITHÅ ANÅ OFFSETÅ 3INCEÅ THEÅ MAXIMUMÅ WEIGHT
ADAPTATIONÅ FORÅ THEÅ CONSTANTÅ SIGNALÅ WASÅ THEÅ LARGEST Å THISÅ SIGNALÅ WASÅ TAKENÅ AS
THEÅ INITIALÅ FEED FORWARDÅ SIGNALÅ !SÅ BEFORE Å ALLOWINGÅ AÅ RANDOMÅ INITIALÅ FEED
FORWARDÅSIGNALÅWOULDÅREQUIREÅAÅDIFFERENTÅAPPROACH

 4HEÅ AMPLIFICATIONÅ OFÅ THEÅ INITIALÅ FEED FORWARDÅ SIGNALÅ BYÅ THEÅ SYSTEMÅ IS
4 JX d
Å,OOKINGÅATÅTHEÅRESULTSÅOFÅTHEÅSIMULATIONSÅWEÅMAYÅCONCLUDEÅTHAT
THISÅ ASSUMPTIONÅ MAYÅ LEADÅ TOÅ CONSERVATIVEÅ MAXIMUMÅ VALUESÅ OFÅ THEÅ LEARNING
RATEÅ(OWEVER ÅTHEÅDIFFERENCEÅBETWEENÅTHEÅTHEORETICALÅANDÅTHEÅPRACTICALÅVALUES
ISÅNOTÅSOÅLARGE ÅTHATÅITÅWILLÅLEADÅTOÅVERYÅLONGÅTRAININGÅPERIODS

)NÅ THEÅ STANDARDÅ TIME INDEXEDÅ ,&&# Å THEÅ MINIMUMÅ " SPLINEÅ WIDTH Å ANDÅ THUSÅ THE
MAXIMUMÅ ACHIEVABLEÅ ACCURACY Å ISÅ DETERMINEDÅ BYÅ THEÅ SYSTEMÅ DYNAMICSÅ ONLYÅ 4O
FURTHERÅINCREASEÅTHEÅACCURACY ÅAÅLEARNINGÅFILTER Å, ÅCANÅBEÅADDEDÅTOÅTHEÅTIME INDEXED
,&&#ÅSEEÅFIGUREÅ 
 2EPETITIVEÅ-OTIONS

T U&
"3.

,
R E U# Y
# 0

&IGUREÅÅ4IME INDEXEDÅ,&&#ÅWITHÅANÅADDITIONALÅLEARNINGÅFILTER

4HEÅDESIGNÅOFÅTHEÅ,ÅFILTERÅCANÅBEÅPERFORMEDÅACCORDINGÅTOÅTHEÅSAMEÅPROCEDUREÅASÅTHE
DESIGNÅOFÅ,ÅINÅ),#ÅSECTIONÅ 
 .ON 2EPETITIVEÅ-OTIONSÅ
)NPUTÅ3ELECTIONÅANDÅ#ONVERGENCE

 )NTRODUCTION

4HEÅ TIME INDEXEDÅ ,&&# Å THEÅ ),#Å ANDÅ THEÅ 2#Å STOREÅ THEÅ FEED FORWARDÅ SIGNALÅ THAT
COMPENSATESÅTHEÅPLANTÅDYNAMICSÅANDÅTHEÅREPRODUCIBLEÅDISTURBANCES ÅASÅAÅFUNCTIONÅOF
THEÅPERIODICÅMOTIONÅTIMEÅ#ONSEQUENTLY ÅTHESEÅLEARNINGÅCONTROLLERSÅCANÅBEÅUSEDÅFOR
REPETITIVEÅ MOTIONSÅ ONLYÅ %ACHÅ TIMEÅ THEÅ REFERENCEÅ MOTIONÅ CHANGES Å THEÅ LEARNING
CONTROLLERÅMUSTÅBEÅRETRAINED ÅWHICHÅMEANSÅTHATÅITÅISÅNOÅLONGERÅABLEÅTOÅTRACKÅTHEÅOLD
REFERENCEÅ MOTIONÅ 4HISÅ ISÅ NECESSARYÅ EVENÅ WHENÅ THEÅ OLDÅ ANDÅ THEÅ NEWÅ REFERENCE
MOTIONSÅ AREÅ ALMOSTÅ THEÅ SAMEÅ )NÅ ORDERÅ TOÅ OVERCOMEÅ THISÅ PROBLEM Å ANDÅ ENABLEÅ THE
LEARNINGÅ CONTROLLERÅ TOÅ TRACKÅ SEVERALÅ MOTIONSÅ WITHOUTÅ RETRAINING Å ITÅ HASÅ BEEN
PROPOSEDÅTOÅAPPLYÅMULTIPLEÅFEED FORWARDÅCONTROLLERSÅINSTEADÅOFÅONLYÅONEÅ ;!RIFÅETÅAL
=Å %ACHÅ OFÅ THESEÅ FEED FORWARDÅ CONTROLLERSÅ ISÅ TRAINEDÅ FORÅ ONEÅ SPECIFICÅ REFERENCE
MOTIONÅ ,&&#Å OFFERSÅ AÅ DIFFERENTÅ SOLUTIONÅ "YÅ CHOOSINGÅ THEÅ REFERENCEÅ POSITIONÅ AND
DERIVATIVESÅ THEREOFÅ ASÅ INPUTSÅ OFÅ THEÅ FEED FORWARDÅ PART Å INSTEADÅ OFÅ THEÅ PERIODIC
MOTIONÅ TIME Å WEÅ AREÅ ABLEÅ TOÅ STOREÅ THEÅ FEED FORWARDÅ SIGNALSÅ FORÅ SEVERALÅ MOTIONSÅ IN
ONEÅFEED FORWARDÅCONTROLLERÅ;6RIESÅANDÅ6ELTHUIS Å=

4HEÅ INPUTSÅ OFÅ THEÅ FEED FORWARDÅ PARTÅ DEPENDÅ ONÅ THEÅ PLANTÅ ANDÅ THEÅ REPRODUCIBLE
DISTURBANCESÅ )NÅ SECTIONÅ Å WEÅ WILLÅ DISCUSSÅ INÅ DETAILÅ WHICHÅ INPUTSÅ SHOULDÅ BE
SELECTEDÅ .EXT Å LONGÅ TERMÅ STABILITYÅ WILLÅ BEÅ ADDRESSEDÅ INÅ SECTIONÅ Å "ASEDÅ ONÅ THE
ANALYSISÅ OFÅ THEÅ TIME INDEXEDÅ ,&&#Å WEÅ CANÅ CONCLUDEÅ THAT Å WITHOUTÅ ANYÅ ADDITIONAL
ROBUSTNESSÅ MEASURESÅ WEÅ CANNOTÅ ENSUREÅ STABILITYÅ 4HEREFORE Å AÅ NEWÅ ROBUSTNESS
MEASUREÅTHATÅWEÅWILLÅREFERÅTOÅASÅREGULARISATION ÅWILLÅBEÅINTRODUCEDÅINÅSECTIONÅ


 .ON REPETITIVEÅMOTIONSÅ)NPUTÅ3ELECTIONÅANDÅ#ONVERGENCE

 )NPUTÅ3ELECTION

-OTIONÅ SYSTEMSÅ CANÅ OFTENÅ BEÅ MODELLEDÅ ASÅ AÅ NON LINEARÅ STATEÅ SPACEÅ MODELÅ AND
ADDITIVEÅSTATICÅNON LINEARÅFUNCTIONS ÅASÅSHOWNÅINÅFIGUREÅ

0

U X X Y
"X ¨ #

!X

H¸

&IGUREÅ 'ENERALÅNOTATIONÅOFÅAÅCLASSÅOFÅNON LINEAR ÅMOTIONÅSYSTEM

4HISÅYIELDS

X  ! X X H X " X U
Å 
Y  #X

4HEÅ ,&&#Å ISÅ INTENDEDÅ TOÅ LEARNÅ THEÅ STEERINGÅ SIGNAL Å UD Å THATÅ MAKESÅ THEÅ OUTPUTÅ Y
EQUALÅTOÅTHEÅDESIREDÅOUTPUTÅ YDÅ4HEÅSTATEÅTRAJECTORYÅFORÅWHICHÅ YYDÅISÅDENOTEDÅAS
XDÅ7EÅCANÅREFORMULATEÅ ÅINÅTHEÅFOLLOWINGÅWAYÅIFÅ" X ÅEXISTS 

X  ! X X  H X  " X U
Å 
"  X X  ! X X  H X U

&ROMÅ ÅWEÅCANÅCONCLUDEÅTHATÅTHEÅDESIREDÅFEED FORWARDÅSIGNALÅISÅGIVENÅBY

UD  "  XD XD  ! XD XD  H XD Å 

4HEÅINPUT OUTPUTÅRELATIONÅOFÅTHEÅ"3.ÅISÅAÅSTATICÅMAPPINGÅFROMÅ YD ÅANDÅIFÅNECESSARY

\ ¨¨Y ¨Y
DERIVATIVESÅ Å INTEGRALSÅ OF YD Å  D D ^
YD YD YD  Å TOÅ U&Å 4HEÅ INTEGRALS

AREÅ NEEDEDÅ WHENÅ YD Å DOESÅ NOTÅ REPRESENTÅ THEÅ REFERENCEÅ POSITION Å EGÅ THEÅ REFERENCE
VELOCITYÅ ORÅ ACCELERATIONÅ 4HEÅ QUESTIONÅ ISÅ NOW Å WHICHÅ CONDITIONS
Å)NPUTÅ3ELECTION 

\ ! X H X " X # ^ ÅMUSTÅFULFIL ÅSOÅTHATÅ ÅCANÅBEÅWRITTENÅASÅAÅSTATICÅFUNCTION

OFÅ \¨ ¨ Y ¨ Y
D D ^
YD YD YD  

)NÅ ÅTHEÅSTATE VECTOR ÅX ÅCANÅBEÅCHOSENÅSUCHÅTHAT

4
X  ¡X4 " XN4 ¯° X  X N ‰ \M M ‰ `
¢ ±
Y ‰ \M
 ) "   ¯
¡ °
¡   "   °°
¡
¡ °
! X  ¡¡ # # % # # °
° !I X ‰ \MqM Å
¡   "  ) °°
¡
¡ °
¡! X ! X !N  X !N X °
¡¢ °±
4
" X  ¡ "  "N X ¯° "N X ‰ \MqM
¢ ±
#  ¡# " # N ¯° #   # N ‰ \MqM
¢ ±

4HEÅADDITIVEÅNON LINEARITIES Å H ¸ ÅCANÅBEÅWRITTENÅASÅAÅFUNCTIONÅTHEÅSTATE

4
H ¸  ¡ "  HN X ¯° HN X ‰ \MqM Å 
¢ ±

&ORÅMECHANICALÅSYSTEMSÅWEÅTYPICALLYÅFINDÅTHATÅ N ÅWHEREÅ X ÅCONSISTSÅOFÅPOSITIONS

ANDÅ X  ÅOFÅTHEÅCORRESPONDINGÅVELOCITIES

4HEOREMÅÅ0LANTÅCONDITIONS Å#ONSIDERÅAÅMOTIONÅSYSTEMÅCONFORMÅ  Å)NÅORDER

TOÅCONTROLÅSUCHÅAÅPLANTÅWITHÅ,&&# ÅTHEÅFOLLOWINGÅCONDITIONSÅMUSTÅBEÅSATISFIED

 #ÅMAYÅCONTAINÅONLYÅONEÅELEMENT Å # J ÅTHATÅISÅUNEQUALÅTOÅZERO

 # J ÅMUSTÅBEÅINVERTIBLE

 "N X ÅMUSTÅBEÅINVERTIBLE
 .ON REPETITIVEÅMOTIONSÅ)NPUTÅ3ELECTIONÅANDÅ#ONVERGENCE

0ROOFÅ Å &IRST Å WEÅ WILLÅ DERIVEÅ THATÅ FORÅ THEÅ LINEARÅ CASE Å THEÅ ABOVEÅ CONDITIONSÅ ARE
NECESSARYÅ.EXT ÅITÅISÅSHOWNÅTHATÅINÅTHEÅGENERALÅCASEÅTHEYÅAREÅSUFFICIENTÅ&ROMÅ 
ITÅ CANÅ BEÅ SEENÅ THATÅ XI 
 X I Å 4HISÅ GIVESÅ USÅ THEÅ OPPORTUNITYÅ TOÅ WRITEÅ YÅ ASÅ A
FUNCTIONÅOFÅ X 

4
Y  ¡# #  " # N ¯° ¡X X  " XN ¯°
¢ ±¢ ±
4
” Y  ¡# #  " # N ¯° ¡X X " XN  ¯°
¢ ±¢ ± Å 
N 
” Y  #  S#  " S # N X 

” # S#  " S N # N Y  X

DNX N
WHEREÅ ÅISÅDENOTEDÅAS X Å4HEÅSAMEÅISÅDONEÅFORÅ X ÅANDÅU
DT N

XN  !X !X  " !N XN "N U

” S N X  !X S!X " S N !N X "N U Å 

” S N )  !  S!  "  S N !N X  "N U

3UBSTITUTINGÅ ÅINÅ ÅYIELDS


S N )  !  S!  "  S N !N ¸ #  S#  " S N # N Y  "N U Å 

4HEÅDESIREDÅFEED FORWARDÅSIGNAL Å UD ÅWHICHÅITÅTOÅPRODUCEÅTHEÅDESIREDÅOUTPUT Å YD ÅIS

GIVENÅBY

UD  "N  S N )  !  S!  "  S N !N ¸


Å 
# S#  " S N # N YD

4HEÅ ,&&#Å ISÅ ABLEÅ TOÅ LEARNÅ THEÅ DESIREDÅ FEED FORWARDÅ SIGNAL Å WHENÅ  Å CANÅ BE
WRITTENÅ ASÅ AÅ STATICÅ MAPPINGÅ OFÅ THEÅ INPUTSÅ OFÅ THEÅ "3.
\  S YD S YD YD SYD S YD ^ Å 4HISÅ ISÅ THEÅ CASEÅ WHENÅ ONLYÅ ONEÅ OFÅ THEÅ # J Å IS
  

UNEQUALÅTOÅZEROÅ4HEÅDESIREDÅFEED FORWARDÅSIGNALÅTHATÅRESULTSÅIS
Å)NPUTÅ3ELECTION 

UD  "N  S N J )  S J !  S  J !  "  S N J !N # 

J

YD Å 

4HATÅ # J Å ANDÅ "N Å MUSTÅ BEÅ INVERTIBLE Å FOLLOWSÅ DIRECTLYÅ FROMÅ  Å )FÅ SEVERAL
SUBMATRICESÅOFÅ # ÅAREÅUNEQUALÅTOÅZERO ÅFORÅEXAMPLEÅ # ÅANDÅ #  Å UD Å CONTAINSÅ THE

TERMÅ # S#  YD Å THATÅ CANNOTÅ BEÅ WRITTENÅ ASÅ AÅ STATICÅ FUNCTIONÅ OF

\  S YD S YD YD SYD S YD ^ 

4OÅ PROVEÅ THATÅ INÅ THEÅ NON LINEARÅ CASEÅ THESEÅ CONDITIONSÅ AREÅ ATÅ LEAST Å SUFFICIENT Å WE
WILLÅSHOWÅTHATÅWHENÅTHEYÅAREÅSATISFIED ÅTHEÅ,&&#ÅISÅABLEÅTOÅLEARNÅTHEÅDESIREDÅFEED
FORWARDÅSIGNALÅ"ECAUSEÅ Y  # J X J ÅANDÅ!ÅISÅSUCHÅTHATÅ XI 
 X I ÅWEÅCANÅTRANSFORM
THEÅSTATEÅSPACEÅMODEL

 ¯
¡ X ° ¡  ) " ¯ X ¯

°¡  ° ¡
 ¯
° ¡
 ¯
°
¡ °
¡ # ° ¡¡ # # % # °° ¡ # ° ¡ #
¡
°
°
¡ #
¡
°
°
¡ ° °¡ ° °U
¡  °  ¡¡   " ) ° ¡¡XN  °°
¡
¡ 
°
°
¡
¡  °
X
¡ N  ° ¡ 
¡ ° °¡ ° ¡ ° ¡ °
¡ X  ° ¡¡! X ! X " !N X °° ¡¢ XN °± ¡HN X
¡¢
°
°±
¡"N X
¡¢
°
°±
¡¢ N °± ¢ ±
Y  # JX J

INTO

X JN  J
 !  X J X J X 
J
 X 
J
J
" !N  X J X J X 
J
 X JN  J

HN  X J X J X 
J
 "N  X J X J X 
J
 U


WHEREÅ X J  ¨X J
Å3UBSTITUTINGÅ Y  # I XI ÅINÅ ÅGIVES
 .ON REPETITIVEÅMOTIONSÅ)NPUTÅ3ELECTIONÅANDÅ#ONVERGENCE

# JY N  J
 !  # JY # 
J

Y #
J
Y  # 
 
J
  J
Y "

!N  # 
J
 
Y #
J

Y #
J
Y  YN  J
 
"
Å 
HN  # JY  # JY # JY   "

"N  # 
J
 
Y #
J

Y #
J
 
Y  U

4HEÅDESIREDÅFEED FORWARDÅSIGNALÅISÅTHENÅGIVENÅBY


"N  # JYD # 
J

Y #
J
 
Y  ¸ #
J
 N
YD  J
"

 !  # JYD # JY # JYD  # 

J
  J
YD "
Å 
 !N  # JYD # 
J

Y #
J
 
Y  YDN  J  "

HN  # JYD # JY # JYD   UD

%ACHÅ TERMÅ OFÅ UDÅ CANÅ BEÅ WRITTENÅ ASÅ AÅ STATICÅ MAPPINGÅ OF

\¨ ¨ Y ¨ Y
D D ^
YD YD YD  Å WHICHÅ MEANSÅ THATÅ THEÅ "3.Å ISÅ ABLEÅ TOÅ LEARNÅ THE

DESIREDÅFEED FORWARDÅSIGNAL

4HEÅ INPUTSÅ OFÅ THEÅ FEED FORWARDÅ PARTÅ FOLLOWÅ DIRECTLYÅ FROMÅ THEÅ DESIREDÅ FEED FORWARD

SIGNAL Å  Å %ACHÅ \¨ ¨ Y ¨ Y D D ^

YD YD YD  Å INÅ  Å SHOULDÅ ALSOÅ BEÅ USEDÅ AS

ANÅINPUTÅFORÅTHEÅFEED FORWARDÅPART

 %XAMPLEÅÅ,I--3
)NÅ ORDERÅ TOÅ ILLUSTRATEÅ THEÅ ABOVE Å WEÅ WILLÅ VERIFYÅ WHETHERÅ THEÅ ,I--3Å CANÅ BE
CONTROLLEDÅ BYÅ ,&&#Å ANDÅ WHENÅ THISÅ ISÅ POSSIBLE Å WHATÅ INPUTSÅ OFÅ THEÅ FEED FORWARD
CONTROLLERÅWEÅSHOULDÅSELECTÅ4HEÅDYNAMICSÅOFÅTHEÅ,I--3ÅAREÅGIVENÅBYÅSEEÅ#HAPTER



Y  U  Y   SIN  ¸  Y 
M,
Å)NPUTÅ3ELECTION 

7HEREÅYÅISÅTHEÅPOSITIONÅOFÅTHEÅ,I--3Å.EXT ÅWEÅTRYÅTOÅEXPRESSÅ ÅINÅTHEÅFORMÅOF

 Å4HISÅYIELDSÅTHEÅFOLLOWINGÅEQUATIONS

  ¯  ¯  ¯
X ¯ ¡ ° X¯ ¡ ° ¡ °
¡ °  ¡  ° ¡ ° ¡ ° ¡  °U
¡X° ¡  ° ¡X ° ¡  SIN  ¸  X ° ¡ °
¢¡ ±° ¡¡ ° ¢¡ ±° ¡ ° ¡M °
¢ M , °
± ¡ M, ° ¡¢ , °± 
¡¢ °±
X¯
Y  ¡ ¯° ¡¡ °°
¢ ± ¡X °
¢ ±

&ORÅTHEÅ,I--3 Å MÅANDÅ NÅINÅ ÅAREÅMÅANDÅ NÅ.EXT ÅWEÅCHECKÅWHETHERÅALL

CONDITIONSÅAREÅSATISFIED

 #Å MAYÅ CONTAINÅ ONLYÅ ONEÅ ELEMENT Å # J Å THATÅ ISÅ UNEQUALÅ TOÅ ZEROÅ )NÅ 

#  ¡ ¯° ÅWHICHÅMEANSÅTHATÅTHISÅCONDITIONÅISÅSATISFIED
¢ ±

 # J ÅMUSTÅBEÅINVERTIBLEÅ3INCEÅ #   ÅITÅISÅINVERTIBLE


 "N ÅMUSTÅBEÅINVERTIBLEÅ)NÅ Å "  ÅWHICHÅISÅINVERTIBLEÅIFÅ M,   
M,

7EÅMAYÅCONCLUDEÅTHATÅTHEÅOUTPUTÅOFÅTHEÅ,I--3ÅCANÅBEÅCONTROLLEDÅBYÅ,&&#Å7HEN
RÅISÅTHEÅREFERENCEÅPOSITION ÅTHEÅDESIREDÅFEED FORWARDÅSIGNALÅISÅGIVENÅBY

  SIN  ¸  R ­¬

ž 
UD  M, žž R R­­­
žž M M, ­­® Å 
Ÿ ,

 R  SIN  ¸  R M, R

7EÅSHOULDÅSELECTÅ \ R R R^ ASÅINPUTSÅOFÅTHEÅFEED FORWARDÅCONTROLLER


R
 U&
R "3.

R E U# Y
# 0

&IGUREÅ ,&&#ÅAPPLIEDÅTOÅTHEÅ,I--3
 .ON REPETITIVEÅMOTIONSÅ)NPUTÅ3ELECTIONÅANDÅ#ONVERGENCE

 %XAMPLEÅÅ-3-Å0LANT
7EÅWILLÅALSOÅEXAMINEÅWHETHERÅTHEÅ-3- PLANTÅFIGUREÅ  ÅPRESENTEDÅINÅCHAPTERÅ
CANÅBEÅCONTROLLEDÅBYÅMEANSÅOFÅSTANDARDÅ,&&#ÅINSTEADÅOFÅTIME INDEXEDÅ,&&# 
C
F M M
X X

&IGUREÅ -3- PLANT

7HENÅWRITINGÅTHEÅDYNAMICSÅINÅTHEÅSHAPEÅOFÅ ÅTHEÅFOLLOWINGÅRESULTS

   ¯
X ¯ ¡¡ ° X ¯
¡ ° ¡    °° ¡  ¯° ¡ °
¡X ° ¡ ° ¡X  ° ¡ °
¡  ° ¡ C C ¡ °
¡ °¡  °° ¡¡X °° ¡ °&
¡X ° ¡ M M ° ¡ ° ¡° Å 
¡ ° ° ¡X ° ¡ °
¡X ° ¡¡ C C ¡ °
¢¡  ±° ¡  °° ¡¢  °± ¡¢ °±
¡¢ M M °±
4
Y  ¡   ¯° ¡X  X  X X ¯°
¢ ±¢ ±

4HUS Å FORÅ THEÅ -3-Å PLANTÅ MÅ ANDÅ NÅ .EXT Å WEÅ CHECKÅ IFÅ  Å FULFILSÅ ALL
CONDITIONS

 #ÅMAYÅCONTAINÅONLYÅONEÅELEMENT Å # J ÅTHATÅISÅUNEQUALÅTOÅZEROÅ)NÅ ÅTHE

ONLYÅELEMENTÅOFÅ #ÅTHATÅISÅUNEQUALÅTOÅZEROÅISÅ #  ¡  ¯° Å4HISÅCONDITIONÅIS

¢ ±
SATISFIED

 # J Å MUSTÅ BEÅ INVERTIBLEÅ #  ¡  ¯° Å ISÅ NOTÅ INVERTIBLEÅ 4HISÅ CONDITIONÅ ISÅ THUS
¢ ±
NOT
4
 "N Å MUSTÅ BEÅ INVERTIBLEÅ "  ¡ ¯° Å WHICHÅ ISÅ ALSOÅ NOTÅ INVERTIBLEÅ 4HIS
¢ ±
CONDITIONÅISÅNOTÅSATISFIEDÅEITHER

7EÅMUSTÅCONCLUDEÅTHAT ÅINÅSPITEÅOFÅTHEÅFACTÅTHATÅTHEÅ-3-ÅPLANTÅCOULDÅBEÅCONTROLLED
BYÅ MEANSÅ OFÅ TIME INDEXEDÅ ,&&# Å ITÅ CANNOTÅ BEÅ CONTROLLEDÅ BYÅ THEÅ STANDARDÅ ,&&#
.OTEÅ THATÅ THISÅ FACTÅ CANNOTÅ BEÅ ALTEREDÅ BYÅ ADDINGÅ AÅ SECONDARYÅ SENSORÅ FORÅ XÅ (ENCE
THEÅIMPLICATIONÅOFÅCONDITIONÅÅOFÅTHEOREMÅÅISÅSIGNIFICANT
Å3TABILITYÅ)SSUES 

 3TABILITYÅ)SSUES

4HEÅ WIDTHÅ OFÅ THEÅ SUPPORTÅ OFÅ THEÅ " SPLINESÅ DETERMINESÅ THEÅ ACCURACYÅ OFÅ THE
APPROXIMATIONÅ" SPLINESÅTHATÅHAVEÅAÅNARROWÅSUPPORTÅWILLÅBEÅABLEÅTOÅAPPROXIMATEÅA
FUNCTIONÅMOREÅACCURATELYÅTHANÅ" SPLINESÅTHATÅHAVEÅAÅWIDEÅSUPPORTÅ4OÅOBTAINÅAÅHIGH
TRACKINGÅ ACCURACY Å ONEÅ MIGHTÅ THEREFOREÅ INTUITIVELYÅ CHOOSEÅ AÅ " SPLINEÅ DISTRIBUTION
THATÅCONSISTSÅOFÅAÅLARGEÅNUMBERÅOFÅ" SPLINESÅWITHÅAÅNARROWÅSUPPORTÅ(OWEVER ÅINÅTHE
TIME INDEXEDÅ ,&&# Å THEÅ WIDTHÅ OFÅ THEÅ SUPPORTÅ OFÅ THEÅ " SPLINESÅ INFLUENCESÅ THE
STABILITYÅOFÅTHEÅCONTROLÅSYSTEMÅ#HOOSINGÅ" SPLINESÅTHATÅHADÅAÅTOOÅNARROWÅSUPPORT
RESULTEDÅ INÅ UNSTABLEÅ BEHAVIOURÅ )NÅ CASEÅ OFÅ THEÅ STANDARDÅ ,&&# Å THEÅ WIDTHÅ OFÅ THE
SUPPORTÅ OFÅ THEÅ " SPLINESÅ ALSOÅ DETERMINESÅ THEÅ STABILITYÅ OFÅ THEÅ CONTROLLEDÅ SYSTEM
5NFORTUNATELY ÅFORÅTHEÅSTANDARDÅ,&&# ÅWEÅHAVEÅNOTÅBEENÅABLEÅTOÅFINDÅAÅTHEORETICAL
ANALYSIS ÅASÅWASÅTHEÅCASEÅFORÅTIME INDEXEDÅ,&&#Å(OWEVER ÅWEÅCANÅUSEÅTHEÅRESULTS
OFÅCHAPTERÅÅTOÅGIVEÅANÅINDICATIONÅOFÅWHETHERÅTHEÅ,&&#ÅISÅSTABLEÅORÅNOT

4HEÅ STABILITYÅ ANALYSISÅ OFÅ THEÅ TIME INDEXEDÅ ,&&#Å SEEÅ CHAPTERÅ  Å SHOWSÅ THAT
STABILITYÅCANÅBEÅENSUREDÅWHEN

 4HEÅWIDTHÅOFÅTHEÅ" SPLINESÅDEFINEDÅONÅTHEÅPERIODICÅMOTIONÅTIME Å D ÅISÅLARGER

THANÅTHEÅMINIMUMÅALLOWEDÅWIDTH Å DMINÅ;S=Å4HEÅVALUEÅOFÅ DMINÅDEPENDSÅONÅTHE
DYNAMICSÅOFÅTHEÅPLANTÅANDÅCANÅBEÅOBTAINEDÅBYÅMEANSÅOFÅAÅ"ODEÅPLOTÅOFÅTHE
CLOSEDÅLOOPÅSYSTEM
 4HEÅLEARNINGÅRATE ÅH ÅSATISFIES


Hb 
4 J X d

WHEREÅ 4 JX ÅISÅTHEÅNEGATIVEÅCOMPLEMENTARYÅSENSITIVITYÅFUNCTION

&ORÅSPECIFICÅCASES ÅWHICHÅWEÅWILLÅDISCUSSÅBELOW ÅTHEÅCONDITIONSÅFORÅTHEÅTIME INDEXED

,&&#Å CANÅ BEÅ TRANSFORMEDÅ INTOÅ CONDITIONSÅ THATÅ THEÅ STANDARDÅ ,&&#Å MUSTÅ FULFIL Å IN
ORDERÅTOÅENSUREÅSTABILITYÅ4HISÅCANÅBEÅSEENÅBYÅLOOKINGÅATÅTHEÅFOLLOWINGÅEXAMPLEÅIN
WHICHÅTHEÅ,I--3ÅISÅCONTROLLEDÅBYÅANÅ,&&#ÅTHATÅHASÅ \ R R R^ ÅASÅINPUTSÅ#ONSIDERÅA
REFERENCEÅ MOTIONÅ INÅ WHICHÅ THEÅ VELOCITYÅ ISÅ CONSTANTÅ FORÅ SOMEÅ TIMEÅ FIGUREÅ A 
7HENÅ THEÅ VELOCITYÅ ISÅ CONSTANTÅ R   ¡ MS ¯° Å 4HISÅ MEANSÅ THATÅ TWOÅ OFÅ THEÅ THREE
¢ ±
INPUTSÅ OFÅ THEÅ "3.Å HAVEÅ AÅ CONSTANTÅ VALUEÅ -ULTI DIMENSIONALÅ " SPLINESÅ AREÅ FORMED
BYÅ THEÅ TENSORÅ PRODUCTÅ OFÅ  DIMENSIONALÅ " SPLINESÅ APPENDIXÅ ! Å 7HENÅ ALLÅ INPUTS
 .ON REPETITIVEÅMOTIONSÅ)NPUTÅ3ELECTIONÅANDÅ#ONVERGENCE

BUTÅ ONEÅ AREÅ KEPTÅ CONSTANT Å THEÅ SHAPEÅ OFÅ THEÅ MEMBERSHIPÅ OFÅ THEÅ MULTI DIMENSIONAL
" SPLINE ÅEQUALSÅTHATÅOFÅAÅ DIMENSIONALÅ" SPLINEÅ4OÅCLARIFYÅTHIS ÅANÅEXAMPLEÅOFÅAÅ
DIMENSIONALÅ " SPLINEÅ WITHÅ INPUTSÅ \ R R ^ ANDÅ ITSÅ CROSSÅ SECTIONÅ FORÅ CONSTANTÅ R Å ARE
SHOWNÅINÅFIGUREÅB

 INTERSECTION
RÅ;MSÅÅ=



 RÅXÅR
RÅ;M=
 N
RÅ;MSÅÅ=


RÅ;M=

A B

 
NÅRT RT NÅRT RT
 

TÅ;S= TÅ;S=
C D

&IGUREÅÅ A Å2EFERENCEÅMOTION
B Å#ROSSÅSECTIONÅOFÅAÅ DIMENSIONALÅ" SPLINE
C D Å-EMBERSHIPSÅOFÅTHEÅ" SPLINESÅINÅTHEÅ,&&# ÅASÅSEENÅINÅTIME

!TÅTHOSEÅSECTIONSÅOFÅTHEÅREFERENCEÅMOTIONÅWHEREÅTHEÅREFERENCEÅVELOCITYÅISÅCONSTANT
THEÅMEMBERSHIPSÅOFÅTHEÅMULTI DIMENSIONALÅ" SPLINESÅHAVEÅTHEÅSHAPEÅSHOWNÅINÅFIGURE
C DÅ )NÅ THEÅ TWOÅ DIMENSIONALÅ CASE Å EACHÅ INPUTÅ ISÅ COVEREDÅ BYÅ Å " SPLINESÅ &IGURE
CÅSHOWSÅTHEÅMEMBERSHIPÅOFÅTWOÅOFÅTHESE ÅWHILEÅFIGUREÅDÅSHOWSÅTHEÅMEMBERSHIP
OFÅTHEÅOTHERSÅ4HEÅSUMÅOFÅTHEÅMEMBERSHIPSÅALWAYSÅEQUALSÅÅ3OÅTHEÅONLYÅDIFFERENCE
BETWEENÅ THISÅ CASEÅ ANDÅ THEÅ TIME INDEXEDÅ ,&&#Å ISÅ THEÅ HEIGHTÅ OFÅ THEÅ MEMBERSHIP
7HENÅTHEÅCONTROLLEDÅSYSTEMÅISÅLINEAR ÅTHEÅ,&&#ÅWILLÅTHUSÅBEHAVEÅINÅTHEÅSAMEÅWAY
ASÅAÅTIME INDEXEDÅ,&&#Å&ORÅTHEÅTIME INDEXEDÅ,&&# ÅWEÅKNOWÅTHATÅTHEIRÅSUPPORT
HASÅTOÅBEÅATÅLEASTÅ DMINÅ;S=ÅWIDEÅANDÅTHATÅTHEÅLEARNINGÅRATEÅHASÅTOÅ SATISFYÅ  Å IN
ORDERÅ TOÅ ENSUREÅ STABILITYÅ &ORÅ THEÅ MULTI DIMENSIONALÅ " SPLINESÅ INÅ THEÅ ,&&#Å THIS
MEANSÅTHATÅINÅORDERÅTOÅENSUREÅSTABILITY

 4HEÅSUPPORTSÅOFÅTHEÅMULTI DIMENSIONAL Å" SPLINESÅHAVEÅTOÅCOVERÅATÅLEASTÅ DMIN

;S=ÅOFÅTHEÅREFERENCEÅMOTION
 4HEÅLEARNINGÅRATEÅHASÅTOÅSATISFYÅ 
Å3TABILITYÅ)SSUES 

3OÅFAR ÅWEÅHAVEÅONLYÅCONSIDEREDÅTHEÅPARTÅOFÅTHEÅREFERENCEÅMOTIONÅWHEREÅTHEÅVELOCITY
ISÅ CONSTANTÅ 7HENÅ LOOKINGÅ ATÅ OTHERÅ PARTSÅ OFÅ THEÅ REFERENCEÅ MOTION Å WEÅ CANÅ OBSERVE
THATÅTHEÅSHAPEÅOFÅTHEÅMULTI DIMENSIONALÅ" SPLINES ÅASÅSEENÅINÅTIME ÅMAYÅDIFFERÅFROM
THEÅSHAPEÅSHOWNÅINÅFIGUREÅC DÅ)NÅFIGUREÅB ÅANÅEXAMPLEÅOFÅTHISÅISÅPRESENTED

RÅ;MSÅÅ=
 
NÅRT RT


RÅ;M=
TÅ;S=

A B

&IGUREÅÅ A Å2EFERENCEÅMOTION
B Å-EMBERSHIPÅOFÅAÅ DIMENSIONALÅ" SPLINE ÅASÅSEENÅINÅTIME

/BVIOUSLY Å THEÅ RESULTSÅ OFÅ CHAPTERÅ Å CANNOTÅ BEÅ USEDÅ FORÅ " SPLINESÅ THATÅ HAVEÅ THE
SHAPEÅTHATÅISÅSHOWNÅFIGUREÅBÅ7EÅAREÅTHUSÅABLEÅTOÅFORMULATEÅSTABILITYÅCONDITIONS
FORÅTHEÅ" SPLINESÅFORÅAÅSPECIFICÅCASE ÅIEÅWHENÅALLÅINPUTSÅBUTÅONEÅOFÅTHEÅ" SPLINESÅARE
CONSTANTÅ&ORÅALLÅOTHERÅCASESÅWEÅAREÅUNABLEÅTOÅDERIVEÅSTABILITYÅCONDITIONSÅINÅTERMSÅOF
THEÅWIDTHÅOFÅTHEÅ" SPLINES ÅASÅSEENÅINÅTIME

%VENÅIFÅWEÅWEREÅABLEÅTOÅDERIVEÅSTABILITYÅCONDITIONSÅINÅTERMSÅOFÅAÅREQUIREDÅWIDTHÅAS
SEENÅ INÅ TIME Å ITÅ WOULDÅ BEÅ DIFFICULTÅ TOÅ DESIGNÅ AÅ " SPLINEÅ DISTRIBUTIONÅ THATÅ SATISFIES
THESEÅ CONDITIONSÅ FORÅ AÅ LARGEÅ NUMBERÅ OFÅ MOTIONSÅ 7HENÅ PROJECTINGÅ THEÅ REFERENCE
MOTIONÅONÅTHEÅINPUTÅDOMAINÅOFÅTHEÅ" SPLINEÅNETWORK ÅASÅDONEÅINÅFIGUREÅ  ÅITÅCAN
BEÅ SEENÅ THATÅ THEÅ SUPPORTÅ OFÅ SOMEÅ " SPLINESÅ COVERSÅ ONLYÅ AÅ VERYÅ SMALLÅ PARTÅ OFÅ THE
REFERENCEÅ MOTIONÅ 7HENÅ CONSIDERINGÅ SEVERALÅ MOTIONS Å ITÅ ISÅ VIRTUALLYÅ IMPOSSIBLEÅ TO
DESIGNÅ AÅ " SPLINEÅ DISTRIBUTION Å SUCHÅ THATÅ FORÅ ALLÅ CASESÅ THEÅ " SPLINESÅ COVERÅ A
SUFFICIENTLYÅLARGEÅPARTÅOFÅTHEÅREFERENCEÅMOTIONÅ4HEÅONLYÅOPTIONÅWOULDÅBEÅTOÅSETÅTHE
LEARNINGÅRATEÅTOÅZEROÅFORÅTHOSEÅ" SPLINESÅTHATÅDOÅNOTÅSATISFYÅTHEÅCONDITION
 .ON REPETITIVEÅMOTIONSÅ)NPUTÅ3ELECTIONÅANDÅ#ONVERGENCE


RT RT 
RÅXÅR


RÅ;MSÅÅ=

N
RÅ;M=

&IGUREÅ 6IOLATIONÅOFÅAÅNOTÅKNOWN ÅSTABILITYÅCRITERION

)TÅ MAYÅ EVENÅ BEÅ UNWANTEDÅ TOÅ DESIGNÅ AÅ " SPLINEÅ DISTRIBUTIONÅ THATÅ SATISFIESÅ THESE
STABILITYÅCONDITIONSÅ4HISÅMAYÅLEADÅTOÅANÅOVERLYÅCONSERVATIVEÅ" SPLINEÅDISTRIBUTION
4HEÅSTANDARDÅ"3.ÅISÅAÅLATTICE BASEDÅNETWORK ÅWHICHÅMEANSÅTHATÅTHEÅDENSITYÅOFÅ"
SPLINESÅINÅONEÅDIRECTIONÅISÅEQUALÅTHROUGHOUTÅTHEÅNETWORKÅ)NÅFIGUREÅ  ÅANÅEXAMPLE
OFÅ AÅ  DIMENSIONALÅ "3.Å ISÅ GIVENÅ THATÅ HASÅ THEÅ REFERENCEÅ POSITIONÅ ANDÅ VELOCITYÅ AS
INPUTSÅ 4HEÅ DENSITYÅ OFÅ THEÅ " SPLINESÅ INÅ THEÅ DIRECTIONÅ OFÅ THEÅ REFERENCEÅ POSITIONÅ IS
EQUALÅFORÅALLÅVALUESÅOFÅTHEÅREFERENCEÅVELOCITY

RÅ;MSÅÅ=



RÅ;M=

&IGUREÅ $ENSEÅ" SPLINEÅDISTRIBUTION

#ONSIDERÅ TWOÅ REFERENCEÅ MOTIONSÅ THATÅ BOTHÅ HAVEÅ AÅ SECTIONÅ INÅ WHICHÅ THEÅ REFERENCE
VELOCITYÅISÅCONSTANTÅ!CCORDINGÅTOÅTHEÅABOVE ÅTHEÅWIDTHÅOFÅTHEÅ" SPLINES ÅASÅSEENÅIN
TIME Å HASÅ TOÅ BEÅ ATÅ LEASTÅ DMINÅ ;S=Å 7HENÅ THEÅ " SPLINESÅ COVERÅ DMINÅ ;S=Å OFÅ MOTIONÅ Å IN
FIGUREÅ  Å THISÅ MEANSÅ THATÅ FORÅ MOTIONÅ  Å WHICHÅ HASÅ AÅ HIGHERÅ VELOCITY Å THEYÅ COVER
LESSÅ THANÅ DMINÅ ;S=Å &ORÅ MOTIONÅ  Å THEÅ ,&&#Å WILLÅ BECOMEÅ UNSTABLEÅ 4HISÅ CANÅ BE
PREVENTEDÅBYÅCHOOSINGÅTHEÅWIDTHÅINÅTHEÅR DIRECTIONÅSUCHÅTHATÅTHEÅ" SPLINESÅCOVERÅAT
LEASTÅDMINÅ;S=ÅOFÅMOTIONÅÅFIGUREÅ Å(OWEVER ÅTHISÅRESULTSÅINÅAÅVERYÅLOW FREQUENCY
FEED FORWARDÅ SIGNALÅ FORÅ LOWÅ VELOCITIESÅ 4HEÅ TRACKINGÅ ACCURACYÅ FORÅ MOTIONÅ Å WILL
DECREASE Å BECAUSEÅ THEÅ " SPLINEÅ DISTRIBUTIONÅ ISÅ CHOSENÅ SUCHÅ THATÅ THEÅ ,&&#Å REMAINS
STABLEÅFORÅMOTIONÅ
Å3TABILITYÅ-EASURES 


RÅ;MSÅÅ=



RÅ;M=

&IGUREÅ 2OUGHÅ" SPLINEÅDISTRIBUTION

7EÅCANÅCONCLUDEÅTHATÅONLYÅFORÅMOTIONSÅINÅWHICHÅALLÅINPUTSÅBUTÅONEÅOFÅTHEÅ" SPLINES
AREÅ CONSTANT Å WEÅ AREÅ ABLEÅ TOÅ ENSUREÅ STABILITYÅ OFÅ THEÅ ,&&#Å &ORÅ ALLÅ OTHERÅ TYPESÅ OF
MOTIONSÅ WEÅ CANNOTÅ FORMULATEÅ STABILITYÅ CONDITIONSÅ INÅ TERMSÅ OFÅ MINIMUMÅ SUPPORT
WIDTHÅ (OWEVER Å WHENÅ STABILITYÅ CONDITIONSÅ INÅ TERMSÅ OFÅ THEÅ WIDTHÅ OFÅ THEÅ " SPLINES
WOULDÅEXIST ÅDESIGNINGÅAÅ" SPLINEÅDISTRIBUTIONÅTHATÅFULFILSÅTHESEÅCONDITIONSÅISÅDIFFICULT
ANDÅ LEADSÅ TOÅ AÅ POORÅ TRACKINGÅ ACCURACYÅ 4HEREFORE Å WEÅ WILLÅ PURSUEÅ AÅ DIFFERENT
APPROACH ÅPRESENTEDÅINÅTHEÅNEXTÅSECTION

 3TABILITYÅ-EASURES

)NSTEADÅOFÅDESIGNINGÅAÅ" SPLINEÅDISTRIBUTIONÅTHATÅENSURESÅCONVERGENCE ÅWEÅCANÅDESIGN

AÅ" SPLINEÅDISTRIBUTIONÅTHATÅWILLÅYIELDÅAÅHIGHÅTRACKINGÅACCURACYÅANDÅTHENÅADDÅEXTRA
STABILISINGÅ MEASURESÅ TOÅ THEÅ "3.Å 7EÅ WOULDÅ LIKEÅ THEÅ WEIGHTSÅ TOÅ BEÅ ADAPTEDÅ SUCH
THATÅSIGNALSÅWITHÅAÅFREQUENCYÅCONTENTÅABOVEÅ DMINÅ;(Z=ÅAREÅNOTÅSTOREDÅINÅTHEÅ"3.
SEEÅ CHAPTERÅ  Å )NÅ LITERATURE Å SEVERALÅ METHODSÅ HAVEÅ BEENÅ PRESENTEDÅ THATÅ INFLUENCE
THEÅ ADAPTATIONÅ OFÅ THEÅ WEIGHTSÅ OFÅ THEÅ "3.Å INÅ SUCHÅ WAYÅ THATÅ THEÅ INPUT OUTPUT
MAPPINGÅ GETSÅ CERTAINÅ DESIREDÅ PROPERTIESÅ ;"OSSLEY Å =Å 4HESEÅ METHODSÅ ARE
GENERALLYÅKNOWNÅASÅREGULARISATION

 2EGULARISATION
2EGULARISATIONÅISÅGENERALLYÅUSEDÅTOÅIMPROVEÅTHEÅGENERALISINGÅABILITYÅOFÅAÅNEURO FUZZY
MODEL Å INÅ CASEÅ ITÅ ISÅ TRAINEDÅ WITHÅ SPARSELYÅ DISTRIBUTEDÅ ORÅ NOISYÅ DATAÅ &ORÅ EXAMPLE
CONSIDERÅ THEÅ CASEÅ SHOWNÅ INÅ FIGUREÅ  Å WHEREÅ THEÅ TRAININGÅ DATAÅ ISÅ DISTRIBUTEDÅ SUCH
THATÅ ONLYÅ THEÅ WEIGHTSÅ OFÅ " SPLINESÅ  Å  Å Å ANDÅ Å AREÅ ADAPTEDÅ ANDÅ NOTÅ THOSEÅ OFÅ "
SPLINESÅ ÅÅANDÅÅ)NÅSPITEÅOFÅTHEÅFACTÅTHEÅWEÅUSUALLYÅWANTÅTOÅAPPROXIMATEÅSMOOTH
FUNCTIONS ÅTHEÅINPUT OUTPUTÅMAPPINGÅISÅNOTÅSMOOTH
 .ON REPETITIVEÅMOTIONSÅ)NPUTÅ3ELECTIONÅANDÅ#ONVERGENCE

U&

RÅ;M=

N N N N N N N

RÅ;M=

&IGUREÅ 0OORÅGENERALISINGÅABILITYÅDUEÅTOÅSPARSEÅTRAININGÅDATA

5NTILÅ NOW Å THEÅ COSTÅ FUNCTIONÅ THATÅ UNDERLIESÅ THEÅ TRAININGÅ ALGORITHMÅ ONLYÅ CONTAINED
THEÅMEANÅSQUAREDÅAPPROXIMATIONÅERRORÅ 4HEÅSMOOTHNESSÅOFÅTHEÅAPPROXIMATIONÅCAN
BEÅIMPROVEDÅBYÅADDINGÅANÅEXTRAÅREGULARISATIONÅTERM Å %2 ÅTOÅTHEÅCOSTÅFUNCTIONÅTHAT
LEARNINGÅMINIMISESÅ ÅAPPENDIXÅ! 

*  -3% YD  Y M%2 

)NÅ MÅISÅTHEÅREGULARISATIONÅPARAMETERÅTHATÅDETERMINESÅHOWÅMUCHÅREGULARISATION
ISÅAPPLIEDÅ#OMMONÅEXAMPLESÅOFÅREGULARISATIONÅAREÅ;"ISHOP Å=

 :EROÅORDERÅREGULARISATIONÅ)NÅTHISÅCASE Å%2ÅCONTAINSÅTHEÅABSOLUTEÅVALUEÅOFÅTHE
OUTPUTÅ OFÅ THEÅ "3.Å 4HEÅ GROWTHÅ OFÅ WEIGHTSÅ ISÅ PENALISED Å TOÅ PREVENTÅ LARGE
VALUESÅOFÅTHEÅWEIGHTSÅ;3J½BERG Å=

 3ECONDÅORDERÅREGULARISATIONÅ7ITHÅTHISÅTYPEÅOFÅREGULARISATIONÅWEÅASSUMEÅTHAT
THEÅ FUNCTIONÅ WEÅ WOULDÅ LIKEÅ TOÅ APPROXIMATEÅ ISÅ SMOOTHÅ 4OÅ PREVENTÅ LARGE
FLUCTUATIONSÅ INÅ THEÅ INPUT OUTPUTÅ MAPPING Å WEÅ LETÅ %2Å CONTAINÅ THEÅ ABSOLUTE
VALUEÅOFÅTHEÅSECONDÅDERIVATIVEÅOFÅTHEÅOUTPUTÅ;'IROSIÅETÅAL Å=

3ECONDÅ ORDERÅ REGULARISATIONÅ ISÅ ABLEÅ TOÅ PREVENTÅ THEÅ "3.Å FROMÅ LEARNINGÅ HIGH
FREQUENCYÅSIGNALSÅANDÅCOULDÅTHUSÅBEÅUSEDÅ TOÅ STABILISEÅ ,&&#Å (OWEVER Å FINDINGÅ THE
RIGHTÅVALUEÅOFÅMÅSUCHÅTHATÅTHEÅ"3.ÅONLYÅLEARNSÅSIGNALSÅUPÅTOÅFREQUENCYÅDMINÅ;(Z=ÅIS
DIFFICULTÅ;"OSSLEY ÅÅ(ARING Å=Å4HEREFORE ÅWEÅPROPOSEÅANÅALTERNATIVEÅFORMÅOF
REGULARISATIONÅFORÅ,&&#
Å3TABILITYÅ-EASURES 

 2EGULARISATIONÅINÅ,&&#
!NÅ ,&&#Å BECOMESÅ UNSTABLEÅ BECAUSEÅ SIGNALSÅ THATÅ HAVEÅ AÅ FREQUENCYÅ CONTENTÅ LARGER
THANÅDMINÅ;(Z=ÅAREÅAMPLIFIEDÅINÅTHEÅLEARNINGÅLOOPÅ4HISÅMEANSÅTHATÅTOÅSTABILISEÅAN
,&&# ÅWEÅHAVEÅTWOÅOPTIONS

 !DDÅAÅREGULARISATIONÅMECHANISM ÅSUCHÅTHATÅTHEÅ"3.ÅISÅUNABLEÅTOÅLEARNÅSIGNALS
THATÅ HAVEÅ AÅ FREQUENCYÅ LARGERÅ THANÅ DMINÅ ;(Z=Å !SÅ DISCUSSED Å ITÅ ISÅ DIFFICULTÅ TO
CHOOSEÅTHEÅRIGHTÅVALUEÅOFÅTHEÅREGULARISATIONÅPARAMETER
 2EMOVEÅ THEÅ SIGNALÅ COMPONENTSÅ THATÅ CAUSEÅ INSTABILITYÅ FROMÅ THEÅ LEARNINGÅ LOOP
)NÅOTHERÅWORDS ÅADDÅAÅLEARNINGÅFILTERÅTHATÅREMOVESÅALLÅSIGNALÅCOMPONENTSÅFROM
U#ÅTHATÅHAVEÅAÅFREQUENCYÅLARGERÅDMINÅ;(Z= ÅANDÅPASSÅALLÅOTHERS

)NÅTHISÅRESEARCH ÅTHEÅ SECONDÅAPPROACHÅISÅTAKENÅ7EÅ PROPOSEÅ TOÅ USEÅ AÅ TIME INDEXED

,&&#ÅASÅAÅLEARNINGÅFILTERÅFIGUREÅ 

R N
 U&
R


"3.

T U2
"3.

R E U# Y
# 0

&IGUREÅ ,&&#ÅWITHÅREGULARISATIONÅNETWORK

!Å"3.ÅCANÅBEÅUSEDÅASÅAÅFILTERÅBECAUSEÅOFÅTHEÅFOLLOWINGÅ"ETWEENÅÅKNOTS ÅTHEÅINPUT
OUTPUTÅ RELATIONÅ OFÅ AÅ  DIMENSIONALÅ  NDÅ ORDERÅ TIME INDEXEDÅ "3.Å CONSISTSÅ OFÅ AÅ FIRST
ORDERÅ POLYNOMIALÅ FUNCTIONÅ APPENDIXÅ ! Å 4HEÅ ACCURACYÅ OFÅ ANÅ APPROXIMATION
DEPENDSÅ ONÅ THEÅ WIDTHÅ OFÅ THEÅ " SPLINESÅ SEEÅ CHAPTERÅ  Å "YÅ CHOOSINGÅ THEÅ WIDTH
APPROPRIATELY Å THEÅ "3.Å ISÅ UNABLEÅ TOÅ APPROXIMATEÅ SIGNALSÅ THATÅ HAVEÅ AÅ FREQUENCY
LARGERÅ THANÅ DMINÅ ;(Z=Å 7EÅ PROPOSEÅ TOÅ CHOOSEÅ THEÅ WIDTHÅ EQUALÅ TOÅ DMINÅ ;S=Å )NÅ THIS
CASE Å THEÅ "3.Å TRIESÅ TOÅ APPROXIMATEÅ ONEÅ PERIODÅ OFÅ AÅ SINE SHAPEDÅ SIGNALÅ THATÅ HASÅ A
FREQUENCYÅEQUALÅTOÅDMINÅ;(Z= ÅUSINGÅONEÅFIRSTÅORDERÅPOLYNOMIALÅFUNCTIONÅ&IGUREÅ
SHOWSÅTHEÅRESULTINGÅAPPROXIMATIONÅ7EÅMAYÅTHUSÅCONCLUDEÅTHAT ÅUSINGÅTHISÅ" SPLINE
DISTRIBUTION ÅTHEÅ"3.ÅISÅUNABLEÅTOÅAPPROXIMATEÅSIGNALSÅTHATÅHAVEÅAÅFREQUENCYÅLARGER
THANÅDMINÅ;(Z=ÅANDÅTHATÅTHEYÅAREÅTHUSÅREMOVEDÅFROMÅTHEÅLEARNINGÅSIGNAL
 .ON REPETITIVEÅMOTIONSÅ)NPUTÅ3ELECTIONÅANDÅ#ONVERGENCE

U& D MIN
ÅAPPROXIMATION
ÅTARGETÅSIGNAL

D MIN TÅ;S=

&IGUREÅÅ"3.ÅAPPROXIMATIONÅOFÅAÅHIGH FREQUENCYÅTARGETÅSIGNAL

)DEALLY ÅTHEÅLEARNINGÅFILTERÅSHOULDÅPASSÅANYÅSIGNALSÅTHATÅHAVEÅAÅFREQUENCYÅLOWERÅTHAN
DMINÅ ;(Z=Å (OWEVER Å FORÅ THEÅ TIME INDEXEDÅ "3.Å THISÅ ISÅ NOTÅ THEÅ CASEÅ &IGUREÅ 
SHOWSÅ THATÅ BYÅ MAKINGÅ AÅ "3.Å APPROXIMATIONÅ OFÅ AÅ SINE SHAPEDÅ SIGNALÅ WITHÅ A
FREQUENCYÅSLIGHTLYÅSMALLERÅTHANÅDMINÅ;(Z=ÅALSOÅAÅPARTÅOFÅTHESEÅSIGNALÅCOMPONENTSÅIS
REMOVEDÅ 4HEÅ RESULTÅ MAYÅ BEÅ THATÅ BYÅ ADDINGÅ REGULARISATIONÅ TOÅ THEÅ ,&&# Å THE
TRACKINGÅACCURACYÅGETSÅWORSE
U&
ÅAPPROXIMATION
ÅTARGETÅSIGNAL

D MIN TÅ;S=

&IGUREÅ "3.ÅAPPROXIMATIONÅOFÅAÅMEDIUM FREQUENCYÅTARGETÅSIGNAL

3IGNALÅ COMPONENTSÅ THATÅ HAVEÅ AÅ MUCHÅ LOWERÅ FREQUENCYÅ THANÅ DMINÅ ;(Z=Å CANÅ BE
APPROXIMATEDÅACCURATELYÅBYÅTHEÅTIME INDEXEDÅ"3.ÅANDÅAREÅTHUSÅPASSED

ÅTARGETÅSIGNAL ÅAPPROXIMATION
U&

D MIN TÅ;S=

&IGUREÅ "3.ÅAPPROXIMATIONÅOFÅTHEÅLOW FREQUENCYÅPARTÅOFÅAÅTARGETÅSIGNAL

Å3TABILITYÅ-EASURES 

)NÅORDERÅNOTÅTOÅCHANGEÅTHEÅAMPLITUDEÅOFÅTHEÅLEARNINGÅSIGNAL ÅTHEÅLEARNINGÅRATEÅOFÅTHE
TIME INDEXEDÅ"3.ÅISÅCHOSENÅEQUALÅTOÅ

2OUGHLYÅ SPEAKING Å THEÅ ADAPTATIONÅ OFÅ THEÅ FEED FORWARDÅ SIGNALÅ OFÅ THEÅ ,&&#Å ISÅ NOW
PERFORMEDÅINÅTWOÅDIFFERENTÅSTEPS ÅSEEÅFIGUREÅÅÅANDÅ

 4HEÅWEIGHTSÅOFÅTHEÅ TIME INDEXEDÅ"3.ÅAREÅADAPTEDÅONÅTHEÅBASISÅOFÅ U# Å4HE

"3.Å ISÅ TRAINEDÅ OFF LINEÅ INÅ AÅ WAYÅ THATÅ WEÅ WILLÅ EXPLAINÅ INÅ DETAILÅ INÅ THE
FOLLOWING ÅUSINGÅAÅLEARNINGÅRATEÅEQUALÅTOÅÅ4HISÅYIELDSÅANÅOUTPUTÅ U2 

U#

U2 TIMEÅDOMAIN

T
N

D MIN T

&IGUREÅ 4RAININGÅTHEÅTIME INDEXEDÅ"3.

 !FTERÅTHEÅWEIGHTSÅOFÅTHEÅTIME INDEXEDÅ"3.ÅHAVEÅBEENÅADAPTED ÅTHEÅ,&&#ÅIS

TRAINED ÅUSINGÅ U2 ÅASÅAÅLEARNINGÅSIGNAL

TIMEÅDOMAIN
U2

T
U& POSITIONÅDOMAIN

T
N

T
 U& BEFOREÅADAPTATION
 U& AFTERÅADAPTATION

&IGUREÅ !DAPTATIONÅOFÅTHEÅWEIGHTSÅOFÅTHEÅ,&&#
 .ON REPETITIVEÅMOTIONSÅ)NPUTÅ3ELECTIONÅANDÅ#ONVERGENCE

)NÅTHEÅFOLLOWINGÅWEÅWILLÅDISCUSSÅTHEÅREGULARISATIONÅMECHANISMÅINÅDETAILÅ4HISÅWILLÅBE
DONEÅONÅTHEÅBASISÅOFÅTWOÅEXAMPLESÅ)NÅTHEÅFIRSTÅEXAMPLE ÅTHEÅWIDTHÅOFÅTHEÅSUPPORTÅOF
THEÅ" SPLINESÅINÅTHEÅ,&&#ÅISÅSMALLERÅTHANÅTHEÅWIDTHÅOFÅTHEÅSUPPORTÅOFÅTHEÅ" SPLINES
INÅ THEÅ TIME INDEXEDÅ "3.Å .EXT Å WEÅ CONSIDERÅ THEÅ CASEÅ WHEREÅ THEÅ WIDTHÅ OFÅ THE
SUPPORTÅOFÅTHEÅ" SPLINESÅINÅTHEÅ,&&#ÅISÅTHEÅLARGEST

4HEÅREGULARISATIONÅMECHANISMÅCANÅBEÅSPLITÅUPÅINÅTHEÅFOLLOWINGÅPHASES

 TÅ;S=Å!TÅTHEÅBEGINNINGÅOFÅTHEÅEXPERIMENTÅTHEÅWEIGHTSÅOFÅTHEÅTIME INDEXED
"3.Å AREÅ EQUALÅ TOÅ Å 7EÅ ASSUMEÅ THATÅ THEÅ WEIGHTSÅ OFÅ THEÅ ,&&#Å HAVEÅ SOME
INITIALÅ VALUE Å OBTAINEDÅ BYÅ TRAININGÅ INÅ AÅ PREVIOUSÅ EXPERIMENTÅ (OWEVER
LEARNINGÅHASÅNOTÅCONVERGEDÅYETÅANDÅTHEÅ,&&#ÅREQUIRESÅMOREÅTRAINING
 Å;S=ÅÅ TÅÅDMINÅ;S=Å&IGUREÅ AÅSHOWSÅTHEÅ OUTPUTÅ OFÅ THEÅ FEED FORWARDÅ PART
ANDÅ THEÅ FEEDBACKÅ SIGNALÅ THATÅ RESULTSÅ 4HEÅ TIME INDEXEDÅ "3.Å ISÅ TRAINEDÅ OFF
LINE Å WHICHÅ MEANSÅ THATÅ THEÅ ADAPTATIONÅ OFÅ WEIGHTSÅ Å ANDÅ Å AREÅ CALCULATED
ACCORDINGÅTO

.3

œ N T
I 
J I
E TI
%W J  H .3


œ N T
I 
J I

 TDMINÅ ;S=Å 4HEÅ MEMBERSHIPÅ OFÅ " SPLINEÅ Å OFÅ THEÅ TIME INDEXEDÅ "3.Å BECOMES
EQUALÅTOÅÅ3INCEÅTHEÅVALUEÅOFÅ TÅINCREASES ÅTHISÅ" SPLINEÅWILLÅNEVERÅBEÅVISITED
AGAINÅ THEÅ VALUEÅ OF %W J Å INÅ  Å FORÅ JÅ REMAINSÅ CONSTANT Å 4HEREFORE Å WE
CHOOSEÅTOÅUPDATEÅTHEÅWEIGHTÅOFÅ" SPLINEÅÅATÅTHISÅPOINTÅINÅTIME

 DMINÅ ;S=Å Å TÅ Å DMINÅ ;S=Å 4HEÅ ADAPTATIONÅ OFÅ WEIGHTSÅ Å ANDÅ Å AREÅ CALCULATED
ACCORDINGÅTOÅ Å.OÅSPECIALÅACTIONSÅAREÅTAKENÅFURTHERÅFIGUREÅB 
Å3TABILITYÅ-EASURES 

U# U#

 TD MIN TÅ;S=  TD MIN TÅ;S=

U2 TIMEÅDOMAIN U2 TIMEÅDOMAIN

 TD MIN TÅ;S=  TD MIN TÅ;S=

N N
 
 TD MIN TÅ;S=  TD MIN
TÅ;S=
U& POSITIONÅDOMAIN U& POSITIONÅDOMAIN

 TD MIN TÅ;S=  TD MIN TÅ;S=

N N

 TD MIN TÅ;S=  TDMIN TÅ;S=

A B

&IGUREÅ A Å2EGULARISATIONÅAFTERÅÅTDMINÅ;S=
B Å2EGULARISATIONÅAFTERÅÅTDMINÅ;S=

 TDMINÅ;S=Å4HEÅMEMBERSHIPÅOFÅ" SPLINEÅÅOFÅTHEÅTIME INDEXEDÅ"3.ÅBECOMES

EQUALÅ TOÅ ZEROÅ 4HISÅ MEANSÅ THATÅ WEÅ CANÅ APPLYÅ ITSÅ WEIGHTÅ ADAPTATIONÅ !FTER
ADAPTINGÅ THEÅ WEIGHTSÅ OFÅ " SPLINEÅ Å ANDÅ  Å WEÅ HAVEÅ OBTAINEDÅ AÅ PARTÅ OFÅ THE
REGULARISEDÅ LEARNINGÅ SIGNAL Å U2Å SEEÅ FIGUREÅ A Å .OTEÅ THATÅ U2Å DOESÅ NOT
CONTAINÅFREQUENCYÅCOMPONENTSÅTHATÅHAVEÅAÅFREQUENCYÅLARGERÅTHANÅ DMINÅ;(Z=
EVENÅTHOUGHÅTHESEÅWEREÅPRESENTÅINÅU#Å4HEÅNEWLYÅOBTAINEDÅU2ÅFULLYÅCOVERSÅTHE
SUPPORTÅOFÅ" SPLINESÅ ÅÅANDÅÅOFÅTHEÅ,&&#Å4HISÅMEANSÅTHATÅTHEÅWEIGHTSÅOF
THESEÅ " SPLINESÅ CANÅ BEÅ ADAPTEDÅ ONÅ THEÅ BASISÅ OFÅ U2

.3

œN
I 
K
R TI U2 TI
%WK  H .3
K   

œN K
R TI
I 

"ECAUSEÅ U2Å BECOMESÅ AVAILABLEÅ AFTERÅ " SPLINESÅ  Å Å ANDÅ Å OFÅ THEÅ ,&&#Å HAVE
BEENÅ VISITED Å THEIRÅ MEMBERSHIPSÅ ORÅ THEÅ REFERENCEÅ TRAJECTORY Å NEEDÅ TOÅ BE
STOREDÅ&IGUREÅBÅSHOWSÅTHEÅADAPTEDÅFEED FORWARDÅSIGNALÅTHATÅRESULTS
 !FTERÅ THIS Å THEÅ WHOLEÅ SEQUENCEÅ REPEATSÅ FORÅ TIME DOMAINÅ " SPLINESÅ Å ANDÅ 
ETC
 .ON REPETITIVEÅMOTIONSÅ)NPUTÅ3ELECTIONÅANDÅ#ONVERGENCE

U# U#

 TÅ;S=  TD MIN TÅ;S=

TD MIN
U2 TIMEÅDOMAIN U2 TIMEÅDOMAIN

 TD MIN TÅ;S=  TD MIN TÅ;S=

N N

 

 TD MIN TÅ;S=  TD MIN TÅ;S=
U& POSITIONÅDOMAIN U& POSITIONÅDOMAIN

 TD MIN TÅ;S=  TD MIN TÅ;S=

N N
     
 TDMIN TÅ;S=  TDMIN TÅ;S=
A B

&IGUREÅ A Å2EGULARISATIONÅATÅÅTDMINÅ;S= ÅWEIGHTÅADAPTATIONÅOFÅTHEÅTIME INDEXED

"3.
B Å2EGULARISATIONÅATÅÅTDMINÅ;S= ÅWEIGHTÅADAPTATIONÅOFÅTHEÅ,&&#

7EÅWILLÅPERFORMÅAÅSIMILARÅDISCUSSIONÅOFÅTHEÅREGULARISATIONÅMECHANISM ÅFORÅTHEÅCASE
WHEREÅTHEÅ" SPLINESÅINÅTHEÅ,&&#ÅHAVEÅTHEÅLARGESTÅWIDTH

 TÅ ;S=Å !GAIN Å WEÅ ASSUMEÅ THATÅ THEÅ WEIGHTSÅ OFÅ THEÅ TIME INDEXEDÅ "3.Å ARE
EQUALÅTOÅÅANDÅTHATÅTHEÅWEIGHTSÅOFÅTHEÅ,&&#ÅHAVEÅSOMEÅINITIALÅVALUE
 Å;S=ÅÅTÅÅDMINÅ;S=Å.OÅSPECIALÅACTIONSÅAREÅTAKENÅFIGUREÅA 
 TDMINÅ;S=Å3INCEÅ" SPLINEÅÅWILLÅNOTÅBEÅVISITEDÅAGAIN ÅITSÅWEIGHTÅADAPTATIONÅIS
APPLIED
 DMINÅ;S=ÅÅTÅÅDMINÅ;S=Å.OÅSPECIALÅACTIONSÅAREÅTAKENÅFIGUREÅB 
 TDMINÅ;S=Å4HEÅWEIGHTÅOFÅ" SPLINEÅÅISÅADAPTEDÅ4HISÅGIVESÅTHEÅFIRSTÅPARTÅOF
THEÅ REGULARISEDÅ LEARNINGÅ SIGNALÅ FIGUREÅ B Å 3INCEÅ THEÅ OBTAINEDÅ PARTÅ OFÅ U2
DOESÅNOTÅFULLYÅCOVERÅTHEÅSUPPORTÅOFÅONEÅOFÅTHEÅ" SPLINESÅINÅTHEÅ,&&# ÅNONEÅOF
THEÅWEIGHTSÅOFÅTHEÅ,&&#ÅCANÅBEÅADAPTEDÅ7EÅCANÅONLYÅADAPTÅAÅWEIGHTÅINÅTHE
,&&# Å WHENÅ WEÅ HAVEÅ AÅ U2Å THATÅ COVERSÅ THEÅ ENTIREÅ SUPPORTÅ OFÅ THE
CORRESPONDINGÅ" SPLINEÅ3O ÅWEÅCONTINUEÅTOÅTRAINÅTHEÅTIME INDEXEDÅ"3.
Å3TABILITYÅ-EASURES 

U# U#

 TD MIN TÅ;S=  TD MIN TÅ;S=

U2 TIMEÅDOMAIN U2 TIMEÅDOMAIN

TD MIN TÅ;S=  TD MIN TÅ;S=

N N
 
 TD MIN TÅ;S=  TD MIN TÅ;S=
U& POSITIONÅDOMAIN U& POSITIONÅDOMAIN

 TD MIN TÅ;S=  TD MIN TÅ;S=

N N

 TD MIN TÅ;S=  TD MIN TÅ;S=

A B

&IGUREÅ A Å2EGULARISATIONÅAFTERÅÅTDMINÅ;S=
B Å2EGULARISATIONÅATÅÅTDMINÅ;S= ÅWEIGHTÅADAPTATIONÅOFÅTHEÅTIME INDEXED
"3.

 TDMINÅ ;S=Å !TÅ THISÅ POINTÅ OFÅ TIME Å THEÅ WEIGHTSÅ OFÅ " SPLINEÅ  Å Å ANDÅ Å OFÅ THE
TIME INDEXEDÅ"3.ÅHAVEÅALREADYÅBEENÅTRAINEDÅ"YÅADAPTINGÅTHEÅWEIGHTÅOFÅ"
SPLINEÅ Å INÅ THEÅ TIME INDEXEDÅ "3. Å AÅ REGULARISEDÅ LEARNINGÅ SIGNALÅ HASÅ BEEN
OBTAINED Å THATÅ FULLYÅ COVERSÅ THEÅ SUPPORTÅ OFÅ " SPLINEÅ Å INÅ THEÅ ,&&#Å FIGURE
A Å4HEREFORE ÅTHEÅWEIGHTÅOFÅ" SPLINEÅÅINÅTHEÅ,&&#ÅISÅADAPTED
 TDMINÅ ;S=Å ATÅ TDMINÅ ;S=Å ANDÅ TDMINÅ ;S=Å THEÅ WEIGHTSÅ OFÅ " SPLINESÅ Å ANDÅ 
HAVEÅ BEENÅ ADAPTED Å 4HEÅ WEIGHTÅ OFÅ " SPLINEÅ Å INÅ THEÅ TIME INDEXEDÅ "3.Å IS
ADAPTEDÅ FIGUREÅ B Å 7EÅ HAVEÅ NOWÅ OBTAINEDÅ AÅ REGULARISEDÅ LEARNINGÅ SIGNAL
THATÅCOVERSÅTHEÅENTIREÅSUPPORTÅOFÅ" SPLINEÅÅINÅTHEÅ,&&#Å4HEÅWEIGHTÅOFÅ"
SPLINEÅÅISÅADAPTEDÅONÅTHEÅBASISÅOFÅ U2Å&IGUREÅCÅSHOWSÅTHEÅADAPTEDÅFEED
FORWARDÅSIGNALÅ.OTEÅTHATÅINÅTHISÅCASEÅBOTHÅU2ÅANDÅTHEÅMEMBERSHIPÅOFÅTHEÅ"
SPLINESÅINÅTHEÅ,&&#ÅNEEDÅTOÅBEÅSTORED
 .ON REPETITIVEÅMOTIONSÅ)NPUTÅ3ELECTIONÅANDÅ#ONVERGENCE

U# U# U#

 TD MIN TÅ;S=  TD MIN TÅ;S=  TD MIN TÅ;S=

U2 TIMEÅDOMAIN U2 TIMEÅDOMAIN U2 TIMEÅDOMAIN

 TD MIN TÅ;S=  TD MIN TÅ;S=  TD MIN TÅ;S=

N N N
  
 TD MIN TÅ;S=  TD MIN TÅ;S=  TD MIN TÅ;S=
U& POSITIONÅDOMAIN U& POSITIONÅDOMAIN U& POSITIONÅDOMAIN

 TD MIN TÅ;S=  TD MIN TÅ;S=  TD MIN TÅ;S=

N N N

 TD MIN TÅ;S=  TD MIN TÅ;S=  TD MIN TÅ;S=
A B C

&IGUREÅ A Å2EGULARISATIONÅATÅTDMINÅ;S= ÅWEIGHTÅADAPTATIONÅOFÅTHEÅTIME INDEXED

"3.
B Å2EGULARISATIONÅATÅTDMINÅ;S= ÅWEIGHTÅADAPTATIONÅOFÅTHEÅTIME INDEXED
"3.
C Å2EGULARISATIONÅATÅTDMINÅ;S= ÅWEIGHTÅADAPTATIONÅOFÅTHEÅ,&&#

)NÅ FIGUREÅ  Å ANÅ ALTERNATIVEÅ REPRESENTATIONÅ OFÅ THEÅ REGULARISATIONÅ MECHANISMÅ IS
GIVENÅ4HEÅSUPPORTSÅOFÅTHEÅ" SPLINESÅOFÅTHEÅTIME INDEXEDÅ"3.ÅHAVEÅBEENÅPROJECTED
ONÅTHEÅREFERENCEÅMOTIONÅ4HEÅLEARNINGÅSIGNALÅFORÅTHEÅ,&&#ÅCONSISTSÅOFÅPIECEWISEÅFIRST
ORDERÅPOLYNOMIALÅFUNCTIONSÅBETWEENÅTHEÅKNOTSÅOFÅTHEÅ" SPLINESÅOFÅTHEÅTIME INDEXED
"3.

REGULARISATIONÅNETWORK
RÅXÅV


RÅ;MSÅÅ=

N RÅ;M=

REFERENCE MOTION
&IGUREÅ !LTERNATIVEÅREPRESENTATIONÅOFÅTHEÅREGULARISATIONÅMECHANISM

)NÅSHORT ÅREGULARISATIONÅINÅ,&&#ÅCANÅBEÅDESCRIBEDÅAS
Å3TABILITYÅ-EASURES 

!LGORITHMÅÅ2EGULARISATIONÅINÅ,&&#
 !DDÅAÅTIME INDEXEDÅ"3.ÅTOÅTHEÅ,&&# ÅWHICHÅFILTERSÅTHEÅLEARNINGÅSIGNALÅ4HE
WIDTHÅ OFÅ THEÅ SUPPORTÅ OFÅ THEÅ " SPLINESÅ INÅ THEÅ TIME INDEXEDÅ "3.Å SHOULDÅ BE
CHOSENÅEQUALÅTOÅDMINÅ;S=

 #HOOSEÅAÅRANDOMÅTRAININGÅMOTION

 4RAINÅTHEÅTIME INDEXEDÅ"3.ÅINÅANÅOFF LINEÅWAY ÅWITHÅAÅ HÅ5SEÅTHEÅOUTPUT

OFÅTHEÅTIME INDEXEDÅ"3. Å U2 T ÅASÅAÅLEARNINGÅSIGNALÅFORÅTHEÅ,&&#Å)NÅDETAIL
THISÅCANÅBEÅDESCRIBEDÅBYÅTHEÅFOLLOWINGÅSTEPS

 !TÅ TÅ ;S= Å INITIALISEÅ THEÅ WEIGHTSÅ OFÅ THEÅ TIME INDEXEDÅ "3.Å TOÅ Å $EFINE
N

Å7HILEÅTNÅDMINÅ;S= ÅUSEÅTHEÅ,&&#ÅFORÅCONTROLÅANDÅCALCULATEÅTHEÅADAPTATION
OFÅ THEÅ WEIGHTSÅ INÅ THEÅ TIME INDEXEDÅ "3.Å /FÅ EACHÅ " SPLINEÅ INÅ THEÅ ,&&#
THATÅCONTRIBUTESÅTOÅTHEÅFEED FORWARDÅSIGNALÅSTOREÅ \ T N T ^ 

 !TÅTNDMINÅ;S= ÅTHEÅMEMBERSHIPÅOFÅONEÅOFÅTHEÅ" SPLINESÅINÅTHEÅTIME INDEXED

"3.ÅBECOMESÅEQUALÅTOÅÅ!DAPTÅTHEÅWEIGHTÅOFÅTHATÅ" SPLINEÅ(EREWITH ÅWE
HAVEÅOBTAINEDÅAÅNEWÅPARTÅOFÅ U2 T 

 7HENÅ U2 T ÅFULLYÅCOVERSÅTHEÅSUPPORTÅOFÅONEÅOFÅTHEÅ" SPLINESÅINÅTHEÅ,&&#

THATÅHAVEÅBEENÅSTORED ÅADAPTÅTHEÅCORRESPONDINGÅWEIGHTÅUSINGÅ U2 T ÅASÅA
LEARNINGÅSIGNALÅANDÅ \ T N T ^ ÅFROMÅTHEÅMEMORY

 NN  ÅGOÅTOÅSTEPÅ

 3IMULATIONS
)NÅ ORDERÅ TOÅ VALIDATEÅ THEÅ ABOVEÅ ALGORITHM Å SIMULATIONSÅ WILLÅ BEÅ PERFORMEDÅ INÅ WHICH
THEÅ,I--3ÅISÅCONTROLLEDÅBYÅANÅ,&&#ÅWITHÅAÅREGULARISATIONÅALGORITHMÅÅ&ORÅTHE
VALUESÅ OFÅ THEÅ PARAMETERSÅ INÅ THEÅ SIMULATIONÅ MODELÅ ANDÅ THEÅ CONTROLLER Å WEÅ REFERÅ TO
SECTIONÅ

4HEÅ ,I--3Å REPEATEDLYÅ HASÅ TOÅ TRACKÅ TWOÅ REFERENCEÅ MOTIONSÅ 4HEÅ REFERENCEÅ MOTION
SHOWNÅ INÅ FIGUREÅ AÅ CORRESPONDSÅ TOÅ MOTIONÅ Å OFÅ FIGURESÅ Å ANDÅ Å 4HISÅ ISÅ THE
kFASTlÅMOTIONÅTHATÅREQUIRESÅ" SPLINESÅTHATÅHAVEÅAÅLARGEÅSUPPORT ÅINÅORDERÅTOÅENSURE
 .ON REPETITIVEÅMOTIONSÅ)NPUTÅ3ELECTIONÅANDÅ#ONVERGENCE

STABILITYÅ4HEÅREFERENCEÅMOTIONÅTHATÅISÅGIVENÅINÅFIGUREÅ BÅCORRESPONDSÅTOÅMOTION
Å4HISÅMOTIONÅALLOWSÅAÅMOREÅDENSEÅ" SPLINEÅDISTRIBUTION

 
RÅ;M=

RÅ;M=
 

 
           
TÅ;S= TÅ;S=
A B

&IGUREÅÅA Åk&ASTlÅREFERENCEÅMOTIONÅ
B Åk3LOWlÅREFERENCEÅMOTION

3IMULATIONÅÅFEEDBACKÅCONTROLÅONLY ÅkFASTlÅREFERENCEÅMOTION
)NÅTHEÅFIRSTÅSIMULATION ÅTHEÅ,I--3ÅISÅCONTROLLEDÅBYÅTHEÅFEEDBACKÅCONTROLLERÅONLYÅ)N
FIGUREÅ Å THEÅ TRACKINGÅ ERRORÅ ISÅ PRESENTEDÅ )NÅ THEÅ TRACKINGÅ ERRORÅ TWOÅ COMPONENTS
CANÅ BEÅ OBSERVEDÅ 4HEÅ SMALLÅ SINE SHAPEDÅ RIPPLEÅ INÅ THEÅ TRACKINGÅ ERRORÅ ISÅ CAUSEDÅ BY
COGGINGÅ4HEÅLARGERÅPARTÅHASÅTHEÅSHAPEÅOFÅTHEÅREFERENCEÅACCELERATIONÅ4HEÅFEEDBACK
CONTROLLERÅISÅUNABLEÅTOÅREALISEÅTHEÅDESIREDÅACCELERATION


EÅ;ÅÅM=
-4


  
t [s]

&IGUREÅ 4RACKINGÅERRORÅWITHOUTÅ,&&# ÅkFASTlÅMOTION

3IMULATIONÅÅFEEDBACKÅCONTROLÅONLY ÅkSLOWlÅREFERENCEÅMOTION
4HEÅTRACKINGÅERRORÅOFÅTHEÅkSLOWlÅMOTION ÅISÅPRESENTEDÅINÅFIGUREÅÅ4HEÅMAJORÅPART
OFÅTHEÅTRACKINGÅERRORÅISÅCAUSEDÅBYÅCOGGING
Å3TABILITYÅ-EASURES 

EÅ;ÅÅM=
-4 


  
t [s]

&IGUREÅ 4RACKINGÅERRORÅWITHOUTÅ,&&# ÅkSLOWlÅMOTION

.EXT ÅANÅ,&&#ÅWILLÅBEÅAPPLIEDÅ4HEÅSTRUCTUREÅOFÅTHEÅ,&&#ÅHASÅBEENÅPRESENTEDÅIN
FIGUREÅÅ)NÅCHAPTERÅ ÅITÅHASÅBEENÅDERIVEDÅTHATÅTHEÅMINIMUMÅWIDTHÅOFÅTHEÅSUPPORT
OFÅTHEÅ" SPLINES ÅASÅSEENÅINÅTIME ÅISÅCHAPTERÅ 

Q
DMIN  ;S =  Å;S= 


&IRST Å WEÅ APPLYÅ ,&&#Å WITHOUTÅ REGULARISATIONÅ ANDÅ TRYÅ TOÅ SELECTÅ AÅ " SPLINE
DISTRIBUTIONÅ THATÅ WILLÅ AVOIDÅ INSTABILITYÅ )NÅ ORDERÅ TOÅ KEEPÅ THEÅ NUMBERÅ OFÅ " SPLINES
THATÅ CONTRIBUTEÅ TOÅ THEÅ OUTPUTÅ FORÅ LESSÅ THANÅ DMINÅ TOÅ AÅ MINIMUM Å WEÅ SELECTÅ THEÅ "
SPLINEÅDISTRIBUTIONÅASÅFOLLOWS

 !TÅTHEÅHIGHESTÅREFERENCEÅVELOCITY RMAX ÅITÅSHOULDÅTAKEÅATÅLEASTÅ DMIN ;S= ÅTOÅCROSS

AÅ" SPLINEÅINÅTHEÅDIRECTIONÅOFÅTHEÅREFERENCEÅPOSITION

 !TÅTHEÅHIGHESTÅREFERENCEÅACCELERATION Å RMAX ÅITÅSHOULDÅTAKEÅATÅLEASTÅ DMIN ;S= ÅTO

CROSSÅAÅ" SPLINEÅINÅTHEÅDIRECTIONÅOFÅTHEÅREFERENCEÅVELOCITY

 !TÅTHEÅHIGHESTÅREFERENCEÅJERK Å RMAX ÅITÅSHOULDÅTAKEÅATÅLEASTÅ DMIN ;S= ÅTOÅCROSSÅA

" SPLINEÅINÅTHEÅDIRECTIONÅOFÅTHEÅREFERENCEÅACCELERATION

4HISÅWAYÅOFÅSELECTINGÅTHEÅ" SPLINEÅDISTRIBUTIONÅGUARANTEESÅTHATÅTHEÅSUPPORTSÅOFÅTHE
" SPLINESÅAREÅWIDEÅENOUGHÅWHENÅONLYÅONEÅOFÅTHEÅINPUTSÅOFÅTHEÅ"3.ÅVARIES ÅWHILEÅTHE
OTHERÅ INPUTSÅ AREÅ CONSTANTÅ 3UCHÅ AÅ DISTRIBUTIONÅ CANNOTÅ PREVENTÅ SITUATIONSÅ AS
DESCRIBEDÅ INÅ FIGUREÅ  Å WHEREÅ ALLÅ INPUTSÅ VARYÅ )TÅ MAYÅ THUSÅ OCCURÅ THATÅ SOMEÅ "
SPLINESÅDOÅNOTÅCOVERÅDMINÅ;S=ÅOFÅTHEÅREFERENCEÅMOTION
 .ON REPETITIVEÅMOTIONSÅ)NPUTÅ3ELECTIONÅANDÅ#ONVERGENCE

&ORÅTHEÅSLOWÅMOTIONÅTHEÅABOVEÅYIELDS

RMAX   ¡¢ MS ¯°± Å RMAX   ¡¢ MS ¯°± Å 

RMAX   ¡¢ MS ¯°± 

ANDÅFORÅTHEÅFASTÅMOTION

RMAX   ¢¡ MS ¯±° Å RMAX   ¢¡ MS ¯°± Å 

RMAX   ¢¡ MS ¯°± 

4HISÅ YIELDSÅ THEÅ FOLLOWINGÅ MINIMUMÅ WIDTHÅ OFÅ THEÅ SUPPORTÅ ONÅ EACHÅ OFÅ THEÅ INPUT
DOMAINS

DR MIN   ¢¡MS  ¯±° ¸  ¸   < S > ¸   <M >

DR MIN   ¢¡MS  ¯±° ¸  ¸   <S >  ¸   ¢¡MS  ¯±° 

DR MIN   ¢¡MS  ¯±° ¸  ¸   < S >  ¸   ¢¡MS  ¯±°

3IMULATIONÅÅ,&&# ÅCONSERVATIVEÅDISTRIBUTION ÅkFASTlÅREFERENCEÅMOTION

&IRST Å WEÅ CHOOSEÅ AÅ CONSERVATIVEÅ " SPLINEÅ DISTRIBUTION Å INÅ WHICHÅ THEÅ WIDTHSÅ ARE
SLIGHTLYÅLARGERÅTHANÅTHEÅMINIMUMÅWIDTHSÅDRÅŸÅ;M= ÅDVÅŸÅ;MS= ÅDA
ŸÅ;MS=Å4HEÅLEARNINGÅRATEÅISÅCHOSENÅÅ)NÅFIGUREÅ ÅTHEÅTRACKINGÅERROR
AFTERÅÅ;S=ÅISÅSHOWNÅ)TÅCANÅCLEARLYÅBEÅSEENÅTHATÅTHEÅ,&&#ÅHASÅREMOVEDÅTHEÅPART
OFÅ THEÅ TRACKINGÅ ERRORÅ THATÅ HADÅ THEÅ SHAPEÅ OFÅ THEÅ REFERENCEÅ ACCELERATIONÅ 4HEÅ SINE
SHAPEDÅPART ÅCAUSEDÅBYÅCOGGING ÅISÅNOTÅREMOVEDÅCOMPLETELY


EÅ;ÅÅM=
-5


  
t [s]

&IGUREÅ 4RACKINGÅERRORÅCONSERVATIVEÅDISTRIBUTION ÅkÅFASTlÅREFERENCEÅMOTION

Å3TABILITYÅ-EASURES 

3IMULATIONÅÅ,&&# ÅCONSERVATIVEÅDISTRIBUTION ÅkSLOWlÅREFERENCEÅMOTION

5SINGÅTHEÅ SAMEÅ,&&#ÅFORÅTHEÅ kSLOWlÅ MOTION Å GIVESÅ THEÅ TRACKINGÅ ERRORÅ DEPICTEDÅ IN
FIGUREÅÅ$UEÅTOÅTHEÅLARGEÅSUPPORTSÅOFÅTHEÅ" SPLINES ÅTHEÅ,&&#ÅHASÅNOTÅBEENÅABLE
TOÅCOMPENSATEÅFORÅCOGGING


EÅ;ÅÅM=
-4


  
t [s]

&IGUREÅ 4RACKINGÅERRORÅCONSERVATIVEÅDISTRIBUTION ÅkÅSLOWlÅREFERENCEÅMOTION

4HEÅ,&&#ÅISÅSTABLEÅFORÅBOTHÅTYPESÅOFÅMOTIONSÅ(OWEVER ÅDUEÅTOÅTHEÅLARGEÅWIDTHÅOF
THEÅ " SPLINESÅ ONÅ THEÅ REFERENCEÅ POSITION Å THEÅ ,&&#Å ISÅ NOTÅ ABLEÅ TOÅ COMPENSATEÅ THE
COGGINGÅFORCESÅ4HISÅCANÅBEÅSEENÅINÅFIGUREÅ  ÅWHEREÅTHEÅDESIREDÅCOMPENSATIONÅOF
THEÅCOGGING ÅUD ÅANDÅTHEÅACTUALÅCOMPENSATION ÅU& ÅAREÅSHOWN

U&
U&
UD

  
RÅ;M=
N

  
RÅ;M=

&IGUREÅ $ESIREDÅANDÅACTUALÅCOMPENSATIONÅOFÅCOGGING

3IMULATIONÅÅ,&&# ÅDENSEÅDISTRIBUTION ÅkSLOWlÅREFERENCEÅMOTION

4OÅ OBTAINÅ BETTERÅ TRACKINGÅ FORÅ SLOWÅ MOTIONS Å THEÅ WIDTHÅ OFÅ THEÅ " SPLINESÅ ONÅ THE
REFERENCEÅPOSITIONÅISÅDECREASEDÅTOÅDRÅŸÅ;M=Å5SINGÅTHISÅDISTRIBUTION ÅAÅMUCH
SMALLERÅ TRACKINGÅ ERRORÅ RESULTSÅ AFTERÅ PERFORMINGÅ AÅ SLOWÅ MOTIONÅ FORÅ Å ;S=Å FIGURE
 
 .ON REPETITIVEÅMOTIONSÅ)NPUTÅ3ELECTIONÅANDÅ#ONVERGENCE

EÅ;ÅÅM=
-5



  
t [s]

&IGUREÅ 4RACKINGÅERRORÅDENSEÅDISTRIBUTION ÅkÅSLOWlÅREFERENCEÅMOTION

3IMULATIONÅÅ,&&# ÅDENSEÅDISTRIBUTION ÅkFASTlÅREFERENCEÅMOTION

7HENÅ THISÅ " SPLINEÅ DISTRIBUTIONÅ ISÅ USEDÅ TOÅ TRACKÅ FASTÅ MOTIONS Å THEÅ ,&&#Å BECOMES
UNSTABLEÅ4HEÅTRACKINGÅERRORÅDEPICTEDÅINÅFIGUREÅÅGROWSÅASÅLEARNINGÅCONTINUES


EÅ;ÅÅM=
-5


  
t [s]

&IGUREÅ 4RACKINGÅERRORÅDENSEÅDISTRIBUTION ÅkÅFASTlÅREFERENCEÅMOTION

3IMULATIONÅÅ,&&# ÅDENSEÅDISTRIBUTION ÅREGULARISATION ÅkFASTlÅREFERENCEÅMOTION

4OÅ OVERCOMEÅ THISÅ PROBLEMÅ WEÅ ADDÅ THEÅ REGULARISATIONÅ MECHANISMÅ TOÅ THEÅ ,&&#Å OF
SIMULATIONÅ Å 4HEÅ WIDTHÅ OFÅ THEÅ " SPLINESÅ INÅ THEÅ TIME INDEXEDÅ "3.Å ISÅ CHOSEN
¸;S=Å;S=Å!FTERÅPERFORMINGÅTHEÅFASTÅMOTIONÅWITHÅTHEÅREGULARISEDÅ,&&#
FORÅÅ;S= ÅNOÅSIGNÅOFÅINSTABILITYÅCANÅBEÅSEENÅFIGUREÅ  Å7EÅMAYÅTHUSÅCONCLUDE
THATÅTHEÅREGULARISATIONÅMECHANISMÅSTABILISEDÅTHEÅ,&&#
Å$ISCUSSION 

EÅ;ÅÅM=
-5 


  
t [s]

&IGUREÅ ,&&#ÅWITHÅREGULARISATION ÅkFASTlÅMOTION

3IMULATIONÅÅ,&&# ÅDENSEÅDISTRIBUTION ÅREGULARISATION ÅkSLOWlÅREFERENCEÅMOTION

.EXT Å WEÅ EXAMINEÅ WHETHERÅ THEÅ REGULARISATIONÅ MECHANISMÅ MAYÅ CAUSEÅ AÅ LOSSÅ OF
PERFORMANCEÅ4HEREFORE ÅSIMULATIONÅÅISÅPERFORMEDÅAGAINÅWITHÅAÅREGULARISEDÅ,&&#
)NÅFIGUREÅÅTHEÅTRACKINGÅERRORÅISÅPRESENTEDÅAFTERÅPERFORMINGÅTHEÅSLOWÅMOTIONÅFOR
ÅSECÅ4HISÅTRACKINGÅERRORÅISÅCOMPARABLEÅTOÅTHEÅTRACKINGÅERRORÅTHATÅWASÅOBTAINED
WITHOUTÅTHEÅREGULARISATIONÅMECHANISMÅFIGUREÅ  Å)TÅMAYÅTHUSÅBEÅCONCLUDEDÅTHAT
THEÅ REGULARISATIONÅ MECHANISMÅ DOESÅ NOTÅ CAUSEÅ AÅ SIGNIFICANTÅ LOSSÅ OFÅ PERFORMANCEÅ FOR
SLOWÅMOTIONS


EÅ;ÅÅM=
-5


  
t [s]

&IGUREÅ ,&&#ÅWITHÅREGULARISATION ÅkSLOWlÅMOTION

 $ISCUSSION

7EÅ HAVEÅ NOTÅ BEENÅ ABLEÅ TOÅ DERIVEÅ GENERALÅ STABILITYÅ CONDITIONSÅ FORÅ ,&&# Å LIKEÅ WE
HAVEÅ DONEÅ FORÅ THEÅ TIME INDEXEDÅ ,&&#Å INÅ CHAPTERÅ Å /NLYÅ INÅ SPECIFICÅ SITUATIONS
WHENÅALLÅINPUTSÅBUTÅONEÅOFÅTHEÅ" SPLINESÅAREÅCONSTANT ÅTHEÅOUTCOMEÅOFÅCHAPTERÅÅCAN
BEÅ USEDÅ TOÅ INDICATEÅ WHETHERÅ AÅ CERTAINÅ " SPLINEÅ DISTRIBUTIONÅ WILLÅ YIELDÅ UNSTABLE
 .ON REPETITIVEÅMOTIONSÅ)NPUTÅ3ELECTIONÅANDÅ#ONVERGENCE

BEHAVIOURÅORÅNOTÅ(OWEVER ÅEVENÅIFÅWEÅWEREÅABLEÅTOÅFORMULATEÅSTABILITYÅCONDITIONSÅIN
TERMSÅ OFÅ THEÅ " SPLINEÅ SUPPORTÅ WIDTH Å THEÅ " SPLINEÅ DISTRIBUTIONÅ THATÅ FULFILSÅ THESE
CONDITIONSÅ WOULDÅ BEÅ VERYÅ CONSERVATIVE Å RESULTINGÅ INÅ AÅ LARGEÅ TRACKINGÅ ERROR
4HEREFORE ÅINSTEADÅOFÅSTABILISINGÅTHEÅ,&&#ÅBYÅMEANSÅOFÅAÅSUFFICIENTLYÅWIDEÅ" SPLINE
SUPPORT ÅWEÅPROPOSEDÅTOÅADDÅEXTRAÅSTABILISINGÅMEASURESÅTOÅTHEÅ"3.

4HISÅ CAN Å FORÅ EXAMPLE Å BEÅ DONEÅ BYÅ MEANSÅ OFÅ REGULARISATIONÅ 2EGULARISATIONÅ USUALLY
MEANSÅ CHANGINGÅ THEÅ LEARNINGÅ MECHANISMÅ OFÅ THEÅ "3.Å BYÅ ADDINGÅ ANÅ EXTRAÅ TERMÅ TO
THEÅ COSTÅ FUNCTIONÅ THATÅ MUSTÅ BEÅ MINIMISEDÅ 4HISÅ EXTRAÅ TERMÅ PENALISESÅ UNDESIRED
INPUT OUTPUTÅ BEHAVIOURÅ EGÅ LARGEÅ OUTPUTÅ VALUES Å )NÅ CASEÅ OFÅ ,&&#Å WEÅ WOULD
PENALISEÅ LEARNINGÅ OFÅ SIGNALSÅ THATÅ HAVEÅ AÅ FREQUENCYÅ LARGERÅ THANÅ DMINÅ ;(Z=Å 4HISÅ IS
DONEÅBYÅPENALISINGÅTHEÅOUTPUTÅCURVATUREÅ(OWEVER ÅITÅISÅDIFFICULTÅTOÅDETERMINEÅHOW
MUCHÅTHEÅOUTPUTÅCURVATUREÅSHOULDÅBEÅPENALISED ÅSUCHÅTHATÅONLYÅSIGNALSÅTHATÅHAVEÅA
FREQUENCYÅ LOWERÅ THANÅ DMINÅ ;(Z=Å AREÅ LEARNEDÅ 4HEREFORE Å ANÅ ALTERNATIVEÅ FORMÅ OF
REGULARISATIONÅWASÅPROPOSED

2EGULARISATIONÅISÅPERFORMEDÅBYÅFILTERINGÅTHEÅLEARNINGÅSIGNALÅOFÅTHEÅ,&&#ÅBYÅAÅTIME
INDEXEDÅ "3.Å 4HISÅ APPROACHÅ ISÅ BASEDÅ ONÅ THEÅ FACTÅ THATÅ THEÅ SMOOTHNESSÅ OFÅ AN
APPROXIMATIONÅ ISÅ DETERMINEDÅ BYÅ THEÅ WIDTHÅ OFÅ THEÅ SUPPORTÅ OFÅ THEÅ " SPLINESÅ "Y
CHOOSINGÅ THEÅ WIDTHÅ OFÅ THEÅ SUPPORTÅ OFÅ THEÅ " SPLINESÅ INÅ THEÅ TIME INDEXEDÅ "3.
SUFFICIENTLYÅWIDE ÅALLÅFREQUENCYÅCOMPONENTSÅTHATÅHAVEÅAÅFREQUENCYÅLARGERÅTHANÅ DMIN
;(Z= ÅANDÅTHEREFOREÅCAUSEÅUNSTABLEÅBEHAVIOUR ÅAREÅREMOVEDÅFROMÅTHEÅLEARNINGÅSIGNAL
"YÅ REMOVINGÅ THESEÅ FREQUENCYÅ CONTENTSÅ FROMÅ THEÅ LEARNINGÅ LOOP Å THEÅ ,&&#Å REMAINS
STABLEÅ 4OÅ ENSUREÅ THATÅ FREQUENCYÅ COMPONENTSÅ THATÅ HAVEÅ AÅ FREQUENCYÅ LARGERÅ THAN
DMINÅ;(Z=ÅCANNOTÅBEÅAPPROXIMATED ÅTHEÅWIDTHÅOFÅTHEÅSUPPORTÅOFÅTHEÅ" SPLINESÅINÅTHE
TIME INDEXEDÅ"3.ÅISÅCHOSENÅEQUALÅTOÅDMINÅ;S=

3IMULATIONSÅ SHOWEDÅ THATÅ LEARNINGÅ DIVERGEDÅ WHENÅ THEÅ WIDTHÅ OFÅ THEÅ SUPPORTÅ OFÅ "
SPLINESÅ INÅ THEÅ ,&&#Å BECAMEÅ TOOÅ SMALLÅ !DDINGÅ THEÅ REGULARISATIONÅ MECHANISM
STABILISEDÅTHEÅ,&&#Å(OWEVER ÅBYÅCHOOSINGÅTHEÅWIDTHÅOFÅTHEÅ" SPLINESÅINÅTHEÅTIME
INDEXEDÅ,&&#ÅEQUALÅTOÅDMINÅ;S= ÅALSOÅSIGNALSÅTHATÅHAVEÅAÅFREQUENCYÅTHATÅISÅSLIGHTLY
LOWERÅ THANÅ DMINÅ ;(Z=Å AREÅ PARTLY Å REMOVEDÅ FROMÅ THEÅ LEARNINGÅ SIGNALÅ 4HISÅ MAY
CAUSEÅ LOSSÅ OFÅ TRACKINGÅ PERFORMANCE Å EVENÅ THOUGHÅ THISÅ WASÅ NOTÅ OBSERVABLEÅ INÅ THE
SIMULATIONSÅTHATÅWEREÅPERFORMED

4HEÅ REGULARISATIONÅ MECHANISMÅ PROPOSEDÅ HEREÅ ISÅ AÅ RATHERÅ HEURISTICÅ STABILISING

MEASUREÅ 7HILEÅ AÅ PROPERÅ CHOICEÅ OFÅ THEÅ WIDTHÅ OFÅ THEÅ " SPLINESÅ INÅ THEÅ TIME INDEXED
"3.Å CANÅ STABILISEÅ ,&&# Å LITTLEÅ ISÅ KNOWNÅ ABOUTÅ THEÅ FILTERINGÅ PROPERTIESÅ AT
FREQUENCIESÅ THATÅ AREÅ SLIGHTLYÅ LOWERÅ THANÅ DMINÅ ;(Z=Å )TÅ ISÅ UNCLEARÅ WHETHERÅ THE
SELECTEDÅ WIDTHÅ OFÅ DMINÅ ;S=Å ISÅ AÅ PROPERÅ CHOICEÅ ORÅ IFÅ ITÅ ISÅ AÅ CONSERVATIVEÅ ONEÅ 4HIS
MAKESÅTHEÅRESULTSÅPRELIMINARYÅ&URTHERÅRESEARCHÅONÅTHISÅTOPICÅISÅDESIRED
 .ON 2EPETITIVEÅ-OTIONS
0ARSIM ONIOUSÅ,&&#


 )NTRODUCTION

)NÅTHEÅSTANDARDÅ,&&# ÅTHEÅREFERENCEÅPOSITIONÅANDÅDERIVATIVES INTEGRALSÅTHEREOF ÅARE

USEDÅASÅINPUTSÅOFÅTHEÅFEED FORWARDÅPARTÅ)NÅGENERAL ÅTHISÅWILLÅRESULTÅINÅAÅ"3.ÅTHAT
HASÅ M ULTIPLEÅ INPUTS
Å 7HENÅ THEÅ NUM BERÅ OFÅ INPUTSÅ OFÅ AÅ "3.Å ISÅ LARGE Å THEÅ PROBLEM S
ASSOCIATEDÅWITHÅTHEÅ CURSEÅOFÅDIMENSIONALITYÅOCCURÅTHATÅM AKEÅTHEÅ,&&#ÅLESSÅSUITED
FORÅPRACTICALÅAPPLICATIONÅ)NÅSECTIONÅ 
ÅWEÅWILLÅSHOWÅTHAT ÅINÅCASEÅTHEÅINPUTSÅOFÅTHE
FEED FORWARDÅPARTÅAREÅSELECTEDÅASÅPROPOSEDÅINÅCHAPTERÅ ÅWEÅQUICKLYÅENDÅUPÅWITHÅA
"3.ÅTHATÅHASÅAÅLARGEÅNUM BERÅOFÅINPUTS

3IM ILARÅPROBLEM SÅAREÅENCOUNTEREDÅINÅTHEÅFIELDÅOFÅNEURO FUZZYÅM ODELLINGÅ ;"ROWNÅAND

(ARRIS Å = Å (ERE Å AÅ NEURO FUZZYÅ NETWORK Å SUCHÅ ASÅ AÅ "3. Å ISÅ USEDÅ TOÅ M ODELÅ THE
PLANTÅ DYNAM ICS Å 4HEÅ "3.Å ISÅ TRAINEDÅ ONÅ THEÅ BASISÅ OFÅ OBSERVEDÅ INPUT OUTPUTÅ DATA
7HENÅ THEÅ INPUTSÅ AREÅ CHOSENÅ INÅ AÅ STRAIGHTFORWARDÅ WAYÅ SIM ILARÅ TOÅ THEÅ WAYÅ THE
INPUTSÅ OFÅ THEÅ ,&&#Å AREÅ CHOSENÅ INÅ CHAPTERÅ  Å ONEÅ ENCOUNTERSÅ PROBLEM SÅ ASSOCIATED
WITHÅ THEÅ CURSEÅ OFÅ DIM ENSIONALITY Å 4OÅ KEEPÅ THESEÅ PROBLEM SÅ TOÅ AÅ M INIM UM Å ITÅ HAS
BEENÅPROPOSEDÅTOÅCHOOSEÅTHEÅINPUTSÅOFÅTHEÅ"3.ÅANDÅTHEÅ" SPLINEÅDISTRIBUTIONÅINÅAN
ALTERNATIVEÅ WAY Å 4HISÅ DESIGNÅ APPROACHÅ REQUIRESÅ M OREÅ DETAILEDÅ KNOWLEDGEÅ OFÅ THE
PLANTÅDYNAM ICS Å4HISÅKNOWLEDGEÅM AYÅEITHERÅBEÅPRESENTÅINÅTHEÅFORM ÅOFÅAÅQUALITATIVE
A PRIORIÅM ODELÅORÅCANÅBEÅOBTAINEDÅINÅANÅAUTOM ATEDÅWAYÅBYÅM EANSÅOFÅEXPERIM ENTS

)NÅ SECTIONÅ 
 Å WEÅ EXAM INEÅ WHETHERÅ THEÅ SAM EÅ APPROACHÅ CANÅ ALSOÅ BEÅ USEDÅ TO
OVERCOM EÅ THEÅ PROBLEM SÅ ASSOCIATEDÅ WITHÅ THEÅ CURSEÅ OFÅ DIM ENSIONALITYÅ INÅ ,&&#
;)DEM A ÅÅ6RIESÅETÅAL Å=


 .ON 2EPETITIVEÅ-OTIONSÅ0ARSIM ONIOUSÅ,&&#


 #URSEÅOFÅ$IM ENSIONALITYÅINÅ,&&#

)NÅ CHAPTERÅ  Å ITÅ WASÅ PROPOSEDÅ TOÅ SELECTÅ THEÅ INPUTSÅ OFÅ THEÅ "3.Å BYÅ EXPRESSINGÅ THE
PLANTÅINÅTHEÅFORM ÅOFÅ
Å4HEÅDESIREDÅFEED FORWARDÅSIGNALÅWASÅTHENÅGIVENÅBYÅ 
%ACHÅTERM Å \YD YD 
^ ÅEXISTINGÅINÅ ÅSHOULDÅBEÅSELECTEDÅASÅANÅINPUTÅOFÅTHEÅ"3.
4HISÅ M ETHODÅ QUICKLYÅ RESULTSÅ INÅ AÅ LARGEÅ NUM BERÅ OFÅ INPUTS
Å 7EÅ WILLÅ SHOWÅ THIS Å BY
SELECTINGÅTHEÅINPUTSÅOFÅTHEÅ"3.ÅFORÅAÅCLASSÅOFÅPLANTSÅFORÅWHICHÅTHISÅISÅESPECIALLYÅTHE
CASE ÅI
EÅRIGIDÅROBOTÅM ANIPULATORS


 )LLUSTRATIVEÅ%XAM PLEÅ2IGIDÅ2OBOTÅ-ANIPULATOR
4HEÅ DYNAM ICSÅ OFÅ AÅ RIGIDÅ REVOLUTE JOINTÅ ROBOTÅ M ANIPULATORÅ AREÅ WELLÅ KNOWNÅ ;#RAIG
=

- R R # R R R $R 3 SGN R ' R U Å 

WHEREÅ R ÅISÅTHEÅVECTORÅOFÅJOINTÅANGLES Å - R ÅISÅTHEÅINERTIA M ATRIX Å # R R ÅM ODELS

#ORIOLISÅ ANDÅ CENTRIFUGALÅ EFFECTS Å $Å ISÅ AÅ DIAGONALÅ M ATRIXÅ CONTAININGÅ VISCOUSÅ FRICTION
COEFFICIENTS Å3ÅISÅAÅDIAGONALÅM ATRIXÅCONTAININGÅ#OULOM BÅFRICTIONÅCOEFFICIENTS Å ' R
DESCRIBESÅGRAVITATIONALÅLOADÅANDÅUÅISÅTHEÅVECTORÅOFÅJOINTÅM OTORÅTORQUES
Å)NÅCASEÅOFÅA
 $/&ÅROBOTÅM ANIPULATOR ÅSHOWNÅINÅFIGUREÅ ÅTHEÅDYNAM ICSÅAREÅGIVENÅBYÅ


M
L
Z
R

L M

R Y
X

&IGUREÅ  $/&ÅROBOTÅMANIPULATOR

Å#URSEÅOFÅ$IM ENSIONALITYÅINÅ,&&# 

* ¯
¡  M L LL COS R L LM L M  LL M  COS R °  ¯
¡R ° R
¡ °¡ °
¡ * ° ¡  °
¡ LM LLM COS R 
L M  ° ¡¡R °°
¡  °¢ ±
¡¢ R °±

¡LLM SIN R R LLM  SIN R R ¯° ¡ R ¯° D  ¯ ¡ R ¯°

¡ ° ¡ ° ¡¡ °¡ °
°  
¡ L L M SIN R R ° ¡ 
° ¡R ° ¡¢ °  D  °± ¡¡R °°
¢¡    ±¢ ± ¢ ±
S  ¯ ¡ SGN R ¯° ¡GML COS R R GL COS R M M  ¯° U ¯
¡ ° °  ¡¡U °°
¡  S ° ¡¡ ° ¡
¡¢  °± SGN R ° ¡ GLM COS R R ° ¢ ±
¡¢ °± ¡¢ °±

WHERE

M  M ASSÅOFÅLINKÅ 
L   LENGTHÅOFÅLINKÅ 
*  INERTIAÅOFÅM OTORÅ 
R  GEARÅRATIOÅOFÅM OTORÅ 
D  VISCOUSÅFRICTIONÅINÅJOINTÅ 
S  #OULOM BÅFRICTIONÅJOINTÅ 

7RITINGÅ
 ÅINÅTHEÅSHAPEÅOFÅ ÅRESULTSÅINÅ

¯  ) ¯ R¯
¡R ° ¡ °¡ °
¡ °¡ ° ¡ °
¡ ° # R R  - R $ ° ¡R °
 
 - R
¡¢R °± ¡¢ ± ±
¢
 ¯  ¯
¡ ° ¡ ° Å 
¡ ° ¡  ° U
¡- R ' R  - R 3 SGN R °
 
¢ ± ¡¢- R °±
R¯
R  ¡)  ¯° ¡¡ °°
¢ ± ¡R °
¢ ±

4
7HEREÅ R  ¡R R ¯° R ‰ \ ÅANDÅ - R ÅISÅAÅPOSITIVEÅDEFINITEÅM ATRIXÅ;,EWISÅETÅAL
¢ ±
=
 .ON 2EPETITIVEÅ-OTIONSÅ0ARSIM ONIOUSÅ,&&#

.EXT ÅWEÅCHECKÅWHETHERÅTHEÅCONDITIONSÅDERIVEDÅINÅCHAPTERÅÅAREÅSATISFIED

 #ÅMAYÅCONTAINÅONLYÅONEÅELEMENT Å # J ÅTHATÅISÅUNEQUALÅTOÅZERO
Å)NÅ
 ÅITÅCAN
BEÅSEENÅTHATÅ#ÅHASÅTHEÅCORRECTÅFORM ÅNAM ELY

#  ¡)  ¯° Å 
¢ ±

 # J Å MUSTÅ BEÅ INVERTIBLEÅ 3INCE Å # ) Å ITÅ ISÅ INVERTIBLE

Å 4HISÅ CONDITIONÅ IS
SATISFIED

 "N R ÅMUSTÅBEÅINVERTIBLE
Å&ROM Å
 ÅITÅFOLLOWSÅTHAT


"N R  - R Å 

"N R ÅISÅTHUSÅINVERTIBLEÅ4HISÅCONDITIONÅISÅSATISFIEDÅASÅWELL

7EÅ M AYÅ CONCLUDEÅ THATÅ THEÅ JOINTÅ ANGLESÅ OFÅ AÅ RIGIDÅ ROBOTÅ M ANIPULATORÅ CANÅ BE
CONTROLLEDÅBYÅM EANSÅOFÅ,&&#
Å4HEÅDESIREDÅFEED FORWARDÅSIGNALÅIS

UD  # RD RD RD $RD ' RD 3 SGN RD - RD RD Å 

&ROM Å 
 ÅITÅFOLLOWSÅTHATÅINÅAÅSTRAIGHTFORWARDÅIM PLEM ENTATION ÅTHEÅINPUTSÅ OFÅ THE
"3.Å M USTÅ CONSISTÅ OFÅ \R R R ^ Å FIGUREÅ  Å WHICHÅ M EANSÅ Å INPUTSÅ FORÅ AÅ Å $/&
D D D

M ANIPULATOR

D
R
 "3.
REFERENCE R D
GENERATOR D
U&
R E U# Y
# 0

&IGUREÅ ,&&#ÅOFÅAÅRIGIDÅROBOT

Å#URSEÅOFÅ$IM ENSIONALITYÅINÅ,&&# 


 #URSEÅOFÅ$IM ENSIONALITY
&ROM Å THEÅ PREVIOUSÅ EXAM PLE Å ONEÅ CANÅ SEEÅ THATÅ EVENÅ FORÅ AÅ RELATIVELYÅ SIM PLEÅ SYSTEM
SUCHÅ ASÅ THEÅ Å $/&Å ROBOTÅ M ANIPULATOR Å THEÅ "3.Å HASÅ AÅ LARGEÅ NUM BERÅ OFÅ INPUTS Å IN
THISÅ CASEÅ 
Å 7HENÅ CONSIDERABLEÅ NON LINEARITIESÅ AREÅ PRESENT Å EACHÅ INPUTÅ NEEDSÅ TOÅ BE
COVEREDÅ WITHÅ AÅ SIGNIFICANTÅ NUM BERÅ OFÅ BASISÅ FUNCTIONS
Å )NÅ THISÅ SITUATION Å ONE
ENCOUNTERSÅPROBLEM SÅTHATÅAREÅASSOCIATEDÅWITHÅTHEÅ CURSEÅOFÅDIMENSIONALITYÅ;"ELLM AN
Å"ROWNÅANDÅ(ARRIS ÅÅ"OSSLEYÅETÅAL Å=
Å!SÅBRIEFLYÅDISCUSSEDÅINÅCHAPTER
 ÅTHESEÅPROBLEM SÅARE

 !Å LARGEÅ NUMBERÅ OFÅ NETWORKÅ WEIGHTS Å 4HEÅ NUM BERÅ OFÅ WEIGHTSÅ INÅ AÅ "3.
DEPENDSÅONÅTHEÅDIM ENSIONÅOFÅTHEÅINPUTÅINÅANÅEXPONENTIALÅWAY Å)F ÅINÅCASEÅOF
THEÅ $/&ÅROBOTÅM ANIPULATOR ÅTHEÅNUM BERÅOFÅ" SPLINESÅONÅEACHÅOFÅTHEÅINPUTS
OFÅTHEÅ"3.ÅIS ÅFORÅEXAM PLE Å ÅTHEÅTOTALÅNUM BERÅOFÅNETWORKÅWEIGHTSÅIS

.4  
 Å 

3INCEÅ THEÅ ,&&#Å ISÅ USUALLYÅ IM PLEM ENTEDÅ INÅ ANÅ EM BEDDEDÅ COM PUTER Å TH E
AM OUNTÅ OFÅ COM PUTERÅ M EM ORYÅ ISÅ LIM ITED
Å 3TORINGÅ THEÅ NUM BERÅ OFÅ WEIGHTSÅ OF
 Å ASÅ REALÅ NUM BERSÅ REQUIRINGÅ Å BYTESÅ OFÅ M EM ORYÅ EACH Å REQUIRES
APPROXIM ATELYÅ Å -"Å OFÅ COM PUTERÅ M EM ORY Å 4HISÅ M AKESÅ ITÅ DIFFICULTÅ TO
IM PLEM ENTÅ THEÅ ,&&#Å ONÅ SM ALLERÅ EM BEDDEDÅ COM PUTERS Å )TÅ WILLÅ BEÅ CLEARÅ THAT
FORÅAÅÅ$/&ÅM ANIPULATORÅTHISÅPROBLEM ÅISÅDRAM ATIC
 ,ARGEÅTRAININGÅSETS Å4OÅPROPERLYÅTRAINÅTHEÅ"3. ÅAÅNUM BERÅOFÅTRAININGÅSAM PLES
SHOULDÅBEÅPRESENTÅFORÅEACHÅ" SPLINE Å!ÅLARGEÅNUM BERÅOFÅ" SPLINESÅM EANSÅTHAT
AÅ LARGEÅ NUM BERÅ OFÅ TRAININGÅ SAM PLESÅ ISÅ NEEDED
Å 3LOWÅ LEARNINGÅ WILLÅ BEÅ THE
RESULT
 0OORÅGENERALISINGÅABILITY Å4HEÅGENERALISINGÅABILITYÅISÅTHEÅABILITYÅTOÅPRODUCEÅA
SENSIBLEÅ OUTPUTÅ FORÅ M OTIONSÅ THATÅ AREÅ SIM ILARÅ TOÅ PREVIOUSLYÅ TRAINEDÅ M OTIONS
7HENÅ THEÅ DIM ENSIONÅ OFÅ THEÅ INPUTÅ OFÅ AÅ "3.Å ISÅ LARGE Å AÅ POORÅ GENERALISING
ABILITYÅRESULTS Å4HISÅCANÅEASILYÅBEÅSEENÅBYÅTHEÅFOLLOWINGÅEXAM PLEÅ#ONSIDERÅA
SYSTEM Å THATÅ ISÅ SUBJECTÅ TOÅ TWOÅ INDEPENDENTÅ DISTURBANCES Å ONEÅ DEPENDINGÅ ON
THEÅ VELOCITYÅ ANDÅ ONEÅ ONÅ THEÅ POSITION Å 4HEÅ FEED FORWARDÅ SIGNALÅ THAT
COM PENSATESÅ THESEÅ DISTURBANCESÅ CANÅ BEÅ STOREDÅ INÅ AÅ  DIM ENSIONALÅ "3.Å THAT
HASÅ THEÅ REFERENCEÅ VELOCITYÅ ANDÅ POSITIONÅ ASÅ INPUTSÅ FIGUREÅ   Å .EXT Å TWO
TRAININGÅM OTIONSÅAREÅPERFORM EDÅTHATÅCONTAINÅEACHÅPOSSIBLEÅREFERENCEÅPOSITION
ANDÅ REFERENCEÅ VELOCITY Å )NÅ FIGUREÅ  Å THEÅ " SPLINESÅ OFÅ WHICHÅ THEÅ WEIGHTSÅ ARE
ADAPTEDÅDURINGÅTHESEÅTRAININGÅM OTIONSÅAREÅM ARKEDÅGREY Å)TÅCANÅBEÅSEENÅTHAT
THEÅ,&&#ÅISÅNOTÅABLEÅTOÅGENERATEÅAÅFEED FORWARDÅSIGNALÅFORÅAÅ RDÅM OTIONÅEVEN
 .ON 2EPETITIVEÅ-OTIONSÅ0ARSIM ONIOUSÅ,&&#

IFÅ ITÅ ISÅ SIM ILARÅ TOÅ THEÅ TRAININGÅ M OTIONS

Å 4HUS Å INÅ SPITEÅ OFÅ THEÅ FACTÅ THATÅ ALL
POSSIBLEÅ VELOCITIESÅ ANDÅ POSITIONSÅ HAVEÅ BEENÅ PRESENTEDÅ DURINGÅ TRAINING Å AND
THUSÅ EACHÅ POSSIBLEÅ DISTURBANCEÅ HASÅ OCCURRED Å THEÅ ,&&#Å ISÅ NOTÅ ABLEÅ TO
COM PENSATEÅTHEÅDISTURBANCESÅFORÅAÅNEWÅM OTION

VÅ;MSÅÅ=





RÅ;M=

&IGUREÅ 'ENERALISINGÅABILITY

7EÅ M AYÅ CONCLUDEÅ THATÅ FORÅ PRACTICALÅ APPLICABILITYÅ ITÅ ISÅ IM PORTANTÅ TOÅ KEEPÅ THE
PROBLEM SÅ ASSOCIATEDÅ WITHÅ THEÅ CURSEÅ OFÅ DIM ENSIONALITYÅ TOÅ AÅ M INIM UM  Å )NÅ THE
FOLLOWINGÅSECTION ÅWEÅPRESENTÅM ETHODSÅTHATÅACHIEVEÅTHIS


 0ARSIM ONIOUSÅ,&&#


 2ELATIONSÅWITHÅ.EURO &UZZYÅ-ODELLING
)NÅ NEURO FUZZYÅ M ODELLINGÅ ;7ANG Å Å *ANGÅ ANDÅ 3UN Å =Å THEÅ PROBLEM S
ASSOCIATEDÅ WITHÅ THEÅ CURSEÅ OFÅ DIM ENSIONALITYÅ AREÅ KEPTÅ TOÅ AÅ M INIM UM Å BYÅ EM PLOYING
PARSIM ONIOUSÅ M ODELLINGÅ TECHNIQUES Å !CCORDINGÅ TOÅ THEÅ PRINCIPLEÅ OFÅ PARSIM ONY
;"OSSLEY Å=ÅkTHEÅBESTÅMODELSÅAREÅOBTAINEDÅUSINGÅTHEÅSIMPLESTÅPOSSIBLE ÅACCEPTABLE
STRUCTURESÅTHATÅCONTAINÅTHEÅSMALLESTÅNUMBERÅOFÅPARAMETERSl Å)NÅ GENERAL Å PARSIM ONY
CANÅBEÅOBTAINEDÅBYÅEITHERÅOFÅTHEÅFOLLOWINGÅSTRATEGIES

 -INIMISEÅTHEÅNUMBERÅOFÅ" SPLINESÅONÅEACHÅINPUTÅDOMAIN
Å!ÅLARGEÅNUM BERÅOF
" SPLINESÅ CAUSESÅ AÅ LARGEÅ NUM BERÅ OFÅ WEIGHTS Å LARGEÅ TRAININGÅ SETSÅ ANDÅ AÅ POOR
GENERALISINGÅ ABILITY
Å )TÅ LOGICALLYÅ FOLLOWSÅ THATÅ FORÅ AÅ CERTAINÅ "3. Å THESE
PROBLEM SÅ CANÅ BEÅ M INIM ISEDÅ BYÅ M INIM ISINGÅ THEÅ NUM BERÅ OFÅ " SPLINESÅ ONÅ EACH
INPUTÅDOM AIN

Å0ARSIM ONIOUSÅ,&&# 

 3PLITÅ UPÅ THEÅ HIGH DIMENSIONALÅ "3.Å INÅ SEVERALÅ LOWER DIMENSIONALÅ "3.S
Å 4HE
NUM BERÅOFÅ" SPLINESÅDEPENDSÅONÅTHEÅDIM ENSIONÅOFÅTHEÅ"3.ÅINÅANÅEXPONENTIAL
WAY
Å 4HUSÅ REDUCINGÅ THEÅ DIM ENSIONÅ OFÅ THEÅ "3.Å ISÅ AÅ M UCHÅ M OREÅ EFFECTIVE
M ETHODÅTOÅOVERCOM EÅTHEÅEFFECTÅOFÅTHEÅCURSEÅOFÅTHANÅM INIM ISINGÅTHEÅNUM BERÅOF
" SPLINESÅ ONÅ EACHÅ INPUTÅ DOM AIN
Å )NÅ WHICHÅ WAYÅ ONEÅ CANÅ SPLITÅ UPÅ THEÅ HIGH
DIM ENSIONALÅ"3.ÅCANÅBEÅSEENÅBYÅWRITINGÅTHEÅTARGETÅFUNCTIONÅINÅTHEÅ!.ALYSIS
/FÅ 6!RIANCEÅ !./6! Å REPRESENTATION
Å 4HEÅ !.ALYSISÅ /FÅ 6!RIANCE
!./6! ÅREPRESENTATIONÅOFÅANÅN DIM ENSIONALÅFUNCTIONÅ F  ¸ ÅISÅGIVENÅBY

Y  F X  X  X N

 F œ F X I I œF IJ
X I X J " X N Å
F  N X  X   
I IJ

WHEREÅ FIÅ ⋅ Å FI JÅ ⋅ Å ETC

Å REPRESENTÅ UNIVARIATE Å BIVARIATE Å ETCÅ ADDITIVE
Å )NSTEADÅ OFÅ USINGÅ ONEÅ "3.Å THATÅ LEARNSÅ F X X  
COM PONENTSÅ OFÅ F⋅  X N Å WE
CANÅCREATEÅAÅPARSIM ONIOUSÅNETWORKÅSTRUCTUREÅINÅWHICHÅFORÅEACHÅTERM ÅINÅ 

AÅSPECIFICÅ"3.ÅEXISTS
Å7HENÅTHEÅM AXIM UM ÅINPUTÅDIM ENSIONÅ OFÅ THEÅ "3.SÅ IN
THEÅ PARSIM ONIOUSÅ NETWORKÅ STRUCTUREÅ ISÅ SM ALLERÅ THANÅ N Å AÅ REDUCTIONÅ OFÅ THE
NUM BERÅ OFÅ " SPLINESÅ RESULTS
Å !SÅ ANÅ EXAM PLE Å WEÅ TAKEÅ THEÅ FOLLOWING
F X X  X  

Y  F X  X  X   F X  F  X  X  F  X  X  Å 

4HISÅ FUNCTIONÅ CANÅ EITHERÅ BEÅ APPROXIM ATEDÅ BYÅ Å "3.Å ORÅ BYÅ AÅ PARSIM ONIOUS
NETWORKÅSTRUCTUREÅCONSISTINGÅOFÅÅ"3.S ÅSEEÅFIGUREÅ
X
"3.Å
X Y X Y
X "3. "3.Å
X X

"3.Å

A B

&IGUREÅÅ A Å3INGLEÅ"3.
B Å!./6! BASEDÅ"3.ÅSTRUCTURE
 .ON 2EPETITIVEÅ-OTIONSÅ0ARSIM ONIOUSÅ,&&#

4HEÅNUM BERÅOFÅWEIGHTSÅINÅTHEÅ DIM ENSIONALÅ"3.ÅISÅFIGUREÅA 

. TOT  . . .  

WHEREÅ . I ÅISÅ THEÅ NUM BERÅ OFÅ  DIM ENSIONALÅ " SPLINEÅ FUNCTIONSÅ DEFINEDÅ ONÅ THE
INPUTÅ DOM AINÅ I
Å !SSUM INGÅ THATÅ INÅ THEÅ PARSIM ONIOUSÅ NETWORKÅ STRUCTUREÅ THE
NUM BERÅ OFÅ " SPLINESÅ ONÅ EACHÅ INPUTÅ DOM AINÅ ISÅ THEÅ SAM EÅ ASÅ INÅ THEÅ 
DIM ENSIONALÅ"3.ÅFIGUREÅA ÅTHEÅTOTALÅNUM BERÅOFÅWEIGHTSÅRESULTSÅIN

. TOT  .  . .  . .  

%SPECIALLYÅ FORÅ LARGEÅ . I Å THISÅ M EANSÅ AÅ DRASTICÅ REDUCTIONÅ OFÅ THEÅ NUM BERÅ OFÅ "
SPLINES


 !./6!ÅBASEDÅ,&&#
)TÅISÅSTRAIGHTFORWARDÅTHATÅTHEÅM AINÅIDEAÅOFÅPARSIM ONYÅINÅNEURO FUZZYÅM ODELLINGÅCAN
ALSOÅBEÅAPPLIEDÅTOÅ,&&#Å ;)DEM A Å=
Å4HEÅPROBLEM SÅASSOCIATEDÅWITHÅTHEÅCURSEÅOF
DIM ENSIONALITYÅCANÅBEÅKEPTÅTOÅAÅM INIM UM ÅWHENÅTHEÅ,&&#ÅCONSISTINGÅOFÅONEÅ"3.
ISÅ REPLACEDÅ BYÅ ANÅ ,&&#Å THATÅ CONSISTÅ OFÅ SEVERALÅ "3.SÅ THATÅ EACHÅ HAVEÅ AÅ LOWÅ INPUT
DIM ENSION
Å&IGUREÅA BÅPRESENTSÅANÅEXAM PLE

R 
R "3.

R 
R  R "3.
R  "3.
U& "3.
U&
R E U# Y R E U# Y
# 0 # 0

A B

&IGUREÅÅ A Å3INGLEÅ,&&#
B Å0ARSIMONIOUSÅ,&&#ÅSTRUCTURE

Å0ARSIM ONIOUSÅ,&&# 

4HEÅPARSIM ONIOUSÅNETWORKÅSTRUCTUREÅFOLLOWSÅDIRECTLYÅFROM ÅTHEÅDESIREDÅFEED FORWARD

Å/NEÅ"3.ÅSHOULDÅBEÅCREATEDÅFORÅEACHÅCOM BINATIONÅOFÅ \YD YD YD 
SIGNAL ^ ÅINÅ 
4HEÅ M INIM UM Å NUM BERÅ OFÅ " SPLINESÅ DEPENDSÅ ONÅ THEÅ SHAPEÅ OFÅ THEÅ TERM Å THATÅ EACH
"3.ÅISÅINTENDEDÅTOÅLEARN

4HEÅPARSIM ONIOUSÅNETWORKÅSTRUCTUREÅCANÅBEÅOBTAINEDÅINÅTHEÅTHREEÅWAYS

 -ANUALLY Å )NÅ THISÅ CASEÅ THEÅ DESIGNERÅ HASÅ A PRIORIÅ KNOWLEDGEÅ OFÅ THEÅ DESIRED
FEED FORWARDÅSIGNAL ÅCHAPTERÅ ÅSUCHÅTHATÅAÅPARSIM ONIOUSÅNETWORKÅSTRUCTURE
CANÅBEÅCREATED
 !UTOMATED Å 7HENÅ INSUFFICIENTÅ A PRIORIÅ KNOWLEDGEÅ EXISTS Å THEÅ PARSIM ONIOUS
NETWORKÅ STRUCTUREÅ CANÅ BEÅ CREATEDÅ BYÅ M EANSÅ OFÅ EM PIRICALÅ M ODELLING
TECHNIQUES ÅUSINGÅDATAÅGATHEREDÅINÅEXPERIM ENTS
 #OMBINATION Å)NÅTHISÅCASEÅTHEÅDESIGNERÅFIRSTÅCHOOSESÅAÅPARSIM ONIOUSÅNETWORK
STRUCTUREÅ BASEDÅ ONÅ A PRIORIÅ KNOWLEDGEÅ 3UBSEQUENTLY Å EM PIRICALÅ M ODELLING
TECHNIQUESÅWILLÅBEÅUSEDÅTOÅOPTIM ISEÅTHEÅPARSIM ONIOUSÅNETWORKÅSTRUCTURE

&IRST ÅWEÅWILLÅDISCUSSÅTHEÅM ANUALÅWAY


 0ARSIM ONYÅBYÅ-EANSÅOFÅ0RIORÅ+NOWLEDGE
)NÅPRACTICE ÅTHEÅA PRIORIÅPLANTÅKNOWLEDGEÅM AYÅINCLUDEÅONEÅORÅM OREÅOFÅTHEÅFOLLOWING
ITEM S

 3TRUCTUREÅ OFÅ ! X " X H X 

Å /FTEN Å THEÅ DESIGNERÅ HASÅ KNOWLEDGEÅ OFÅ THE
DYNAM ICÅBEHAVIOURÅOFÅTHEÅPLANT
Å)TÅISÅTHENÅPOSSIBLEÅTOÅEXPRESSÅTHEÅDYNAM ICS
INÅTHEÅFORM ÅPRESENTEDÅINÅCHAPTERÅ ÅANDÅHEREWITHÅCALCULATEÅTHEÅDESIREDÅFEED
FORWARDÅ SIGNAL Å UD
Å 4HEÅ TERM SÅ INÅ UDÅ CANÅ BEÅ DIVIDEDÅ SUCHÅ THATÅ EACHÅ OFÅ THEM
CONTAINSÅONEÅSPECIFICÅCOM BINATIONÅOFÅ \YD YD YD 
^ Å&ORÅEACHÅOFÅTHESEÅTERM S
ONEÅ"3.ÅCANÅBEÅCREATED
Å%
GÅINÅCASEÅOFÅTHEÅROBOTÅM ANIPULATOR ÅWEÅKNOWÅTHAT
THEÅSYSTEM ÅBEHAVESÅASÅAÅRIGIDÅROBOTÅM ANIPULATOR
Å&URTHERM ORE ÅWEÅKNOWÅTHAT
ITÅISÅSUBJECTÅTOÅVISCOUSÅANDÅ#OULOM BÅFRICTION
Å&ROM ÅTHESEÅITÅFOLLOWSÅTHATÅTHE
 ÅANDÅTHATÅUDÅISÅGIVENÅBYÅ
DYNAM ICSÅAREÅGIVENÅBYÅ 

 2ELEVANCEÅ OFÅ TERMS

Å "ESIDESÅ THEÅ OCCURRENCEÅ OFÅ CERTAINÅ COM BINATIONSÅ OF
\YD ^ Å INÅ THEÅ DESIREDÅ FEED FORWARDÅ SIGNAL Å THEÅ DESIGNERÅ OFTENÅ HAS
YD YD 
KNOWLEDGEÅ ABOUTÅ THEÅ M AGNITUDEÅ ANDÅ THEÅ SHAPEÅ OFÅ THEÅ TERM SÅ 4HE
 .ON 2EPETITIVEÅ-OTIONSÅ0ARSIM ONIOUSÅ,&&#

PARSIM ONIOUSÅNETWORKÅSTRUCTUREÅCANÅBEÅSIM PLIFIEDÅBYÅDELETINGÅALLÅ"3.SÅ THAT

LEARNÅTERM SÅTHATÅHARDLYÅCONTRIBUTEÅTOÅTHEÅFEED FORWARDÅSIGNALÅ&ORÅTHEÅÅ$/&
ROBOTÅ M ANIPULATOR Å #Å M AYÅ BEÅ DISREGARDEDÅ WHENÅ THEÅ VELOCITIESÅ AREÅ LOWÅ AND
Å&URTHERM ORE ÅBECAUSEÅTHEÅGEARÅRATIO Å R  Å ISÅ SM ALL
THEÅLOADÅISÅRELATIVEÅSM ALL
-ÅCANÅOFTENÅBEÅCONSIDEREDÅDIAGONALÅANDÅCONSTANT

* ¯
¡   °
¡R °
- x ¡¡  ° 
¡ *  °°
¡ °
¡¢ R °±

3UBSTITUTINGÅ 
 Å INÅ 
 Å ANDÅ DISREGARDINGÅ #Å YIELDSÅ THEÅ FOLLOWINGÅ DESIRED
FEED FORWARDÅSIGNAL

UD  ¯
UD  ¡U °
¡ D °
¢ ±
*   ¯
¡  RD  DRD  S SGN RD  GML COS RD  RD  GL COS RD  M M °
¡R °
x ¡¡ °

*   °
¡ R DRD  S SGN RD  GLM COS RD  RD  °
¡ °
¡¢ R D  °±


4HEÅPARSIM ONIOUSÅNETWORKÅSTRUCTUREÅTHATÅFOLLOWSÅFROM Å 

 ÅISÅPRESENTEDÅIN
FIGUREÅ
Å)TÅCONSISTSÅOFÅTHEÅFOLLOWINGÅ".3S

\ ^
"3.Å Å HASÅ Å INPUTS Å RD  RD  Å ANDÅ TWOÅ OUTPUTS Å UD  UD   \
Å 4HEÅ TARGET ^
FUNCTIONÅITÅHASÅTOÅLEARNÅIS

UD  ¯ ¡GML COS RD  RD  GL COS RD  M M °¯

"3.ÅÅ UD  ¡U °  ¡ ° 
¡ °
¢ D  ± ¡¡ GLM COS RD  RD  °
°±
¢

Å0ARSIM ONIOUSÅ,&&# 


 RD 
RD  "3.Å
RD 
"3.Å


 RD 
RD  "3.Å
RD 
"3.Å

"3.Å
U&
RD E U# y
# 0

&IGUREÅ 0ARSIMONIOUSÅLEARNINGÅFEED FORWARDÅCONTROLLERÅFORÅAÅRIGIDÅROBOT

"3.Å Å ANDÅ Å EACHÅ LEARNÅ TOÅ COM PENSATEÅ THEÅ FRICTIONÅ PHENOM ENONSÅ OFÅ ONE
JOINT

"3.Å UD   DRD  S SGN RD  

"3.Å UD   DRD  S SGN RD  

&INALLY Å"3.ÅÅANDÅÅCOM PENSATEÅFORÅTHEÅINERTIAÅOFÅTHEÅROBOTÅM ANIPULATOR

*  
"3.Å UD   R 
R D 
*
"3.Å UD    RD  
R

 3HAPEÅ OFÅ THEÅ TERMS

Å )NÅ ORDERÅ TOÅ APPROXIM ATEÅ AÅ FUNCTIONÅ USINGÅ AÅ M INIM UM
NUM BERÅOFÅ" SPLINES ÅTHEÅSHAPEÅOFÅTHEÅTARGETÅFUNCTIONÅM USTÅBEÅKNOWN
Å)NÅCASE
OFÅTHEÅROBOTÅM ANIPULATOR ÅWEÅKNOWÅTHATÅTHEÅTARGETÅFUNCTIONSÅOFÅ"3.ÅÅANDÅ
AREÅSM OOTH ÅWHICHÅM EANSÅTHATÅTHEÅ" SPLINEÅDISTRIBUTIONSÅOFÅTHESEÅ"3.SÅM AY
CONSISTÅOFÅ" SPLINESÅTHATÅHAVEÅAÅLARGEÅSUPPORT
Å)TÅHASÅNOÅUSEÅAPPROXIM ATINGÅA
SM OOTHÅ FUNCTIONÅ WITHÅ AÅ LARGEÅ NUM BERÅ OFÅ " SPLINESÅ THATÅ HAVEÅ AÅ NARROW
SUPPORT
 .ON 2EPETITIVEÅ-OTIONSÅ0ARSIM ONIOUSÅ,&&#

3OM ETIM ES Å THEÅ QUALITATIVEÅ KNOWLEDGEÅ OFÅ THEÅ SYSTEM Å ISÅ INSUFFICIENTÅ TOÅ CREATEÅ A
PARSIM ONIOUSÅ ,&&# Å )NÅ THISÅ SITUATION Å ITERATIVEÅ APPLICATIONÅ OFÅ EM PIRICALÅ M ODELLING
TECHNIQUESÅM AYÅOFFERÅAÅSOLUTION


 0ARSIM ONYÅBYÅ)TERATIVEÅ%M PIRICALÅ-ODELLING
%M PIRICALÅ M ODELLINGÅ TECHNIQUESÅ AREÅ ABLEÅ TOÅ CONSTRUCTÅ AÅ M ODELÅ OFÅ AÅ PLANT Å ONÅ THE
BASISÅ OFÅ OBSERVEDÅ INPUT OUTPUTÅ DATA Å WITHOUTÅ UTILISINGÅ ANYÅ PRIORÅ KNOWLEDGEÅ OFÅ THE
DYNAM ICSÅ OFÅ THEÅ PLANTÅ ;"OSSLEY Å =
Å &ORÅ ,&&# Å WEÅ WOULDÅ LIKEÅ THEÅ EM PIRICAL
M ODELLINGÅTECHNIQUESÅTOÅCREATEÅAÅPARSIM ONIOUSÅM ODELÅOFÅTHEÅINVERSEÅPLANTÅDYNAM ICS
(OWEVER Å WEÅ DOÅ NOTÅ HAVEÅ APPROPRIATEÅ TRAININGÅ DATAÅ OFÅ THEÅ FUNCTIONÅ WEÅ WANTÅ TO
APPROXIM ATE ÅI
EÅTHEÅRELATIONÅBETWEENÅTHEÅREFERENCEÅM OTION ÅCONSISTINGÅOFÅ \ R R 
^
ANDÅ THEÅ DESIREDÅ FEED FORWARDÅ SIGNAL
Å )NSTEAD Å WEÅ HAVEÅ THEÅ OUTPUTÅ OFÅ THEÅ FEEDBACK
CONTROLLER Å U# ÅTHATÅINDICATESÅHOWÅTHEÅFEED FORWARDÅSIGNAL Å U& ÅSHOULDÅBEÅADAPTED
SUCHÅ THATÅ ITÅ RESEM BLESÅ UD Å BETTER
Å 4HISÅ M EANSÅ THATÅ THEÅ PARSIM ONIOUSÅ NETWORK
STRUCTUREÅCOULDÅBEÅOBTAINEDÅINÅTHEÅFOLLOWINGÅITERATIVEÅWAY

!LGORITHMÅÅ0ARSIMONYÅBYÅMEANSÅOFÅITERATIVEÅEMPIRICALÅMODELLING
 #HOOSEÅ ANÅ INITIALÅ NETWORKÅ STRUCTUREÅ ANDÅ " SPLINEÅ DISTRIBUTION Å !NYÅ PRIOR
KNOWLEDGEÅ OFÅ THEÅ PLANTÅ THATÅ ISÅ AVAILABLEÅ CANÅ BEÅ USEDÅ TOÅ CREATEÅ ANÅ INITIAL
NETWORKÅSTRUCTUREÅANDÅ" SPLINEÅDISTRIBUTIONÅIEÅTHEÅM ANUALÅM ETHOD  Å)FÅTHIS
ISÅNOTÅTHEÅCASE ÅTHEÅEM PIRICALÅM ODELLINGÅTECHNIQUEÅINÅSTEPÅÅWILLÅSELECTÅIT

 3ELECTÅAÅTRAININGÅMOTIONÅANDÅTRAINÅTHEÅ,&&#ÅUNTILÅCONVERGENCE
Å#ONVERGENCE
ISÅNOTICEABLEÅFROM ÅTHEÅFACTÅTHATÅTHEÅWEIGHTÅADAPTATIONÅISÅZEROÅ.OTEÅTHATÅAFTER
LEARNINGÅHASÅCONVERGEDÅ U# ÅISÅNOTÅEQUALÅTOÅZERO

 4OÅCOLLECTÅTHEÅDATAÅNEEDEDÅINÅSTEPÅ Å \R R 
U& U# ^ ÅTHEÅTRAININGÅMOTIONÅIS
PERFORMEDÅONCEÅUSINGÅTHEÅFULLYÅTRAINEDÅ,&&#

 )FÅTHEÅ-3%ÅTRACKINGÅERRORÅOFÅTHEÅMOTIONÅPERFORMEDÅINÅSTEPÅÅHASÅDECREASEDÅAS
COMPAREDÅWITHÅPREVIOUSÅITERATIONSÅGOÅTOÅÅELSEÅGOÅTOÅ

 "UILDÅAÅNEWÅPARSIMONIOUSÅNETWORKÅSTRUCTUREÅBASEDÅONÅTHEÅCOLLECTEDÅDATA

 'OÅTOÅSTEPÅ
 3TOP

Å0ARSIM ONIOUSÅ,&&# 

"UILDINGÅAÅPARSIM ONIOUSÅNETWORKÅSTRUCTUREÅONÅTHEÅBASISÅOFÅTHEÅCOLLECTEDÅDATAÅSTEP
Å "ECAUSEÅ LEARNINGÅ HASÅ CONVERGED Å U& Å ISÅ THEÅ BEST
 Å ISÅ DONEÅ INÅ THEÅ FOLLOWINGÅ WAY
POSSIBLEÅ FEED FORWARDÅ SIGNAL Å GIVENÅ THEÅ PRESENTÅ PARSIM ONIOUSÅ NETWORKÅ STRUCTURE
3INCEÅ U# ÅINDICATESÅTHEÅERRORÅINÅ U& ÅWEÅCANÅCONCLUDEÅTHATÅ U& U# ÅRESEM BLESÅTHE
DESIREDÅ FEED FORWARDÅ SIGNAL Å UD Å BETTERÅ THANÅ THEÅ PRESENTÅ ONE Å U& Å ANDÅ WILLÅ THUS
YIELDÅ AÅ SM ALLERÅ TRACKINGÅ ERROR
Å 4HEREFORE Å WEÅ NOWÅ EM PLOYÅ EM PIRICALÅ M ODELLING
TECHNIQUESÅTOÅCREATEÅAÅPARSIM ONIOUSÅNETWORKÅSTRUCTUREÅTHATÅISÅABLEÅTOÅAPPROXIM ATE
U& Å 4HISÅ ISÅ DONEÅ BYÅ SETTINGÅ \ R R 
U#  ^ Å ASÅ THEÅ INPUTSÅ ANDÅ U& U# Å ASÅ THE
TARGETÅFUNCTIONÅFORÅTHEÅEM PIRICALÅM ODELLER
Å.OTEÅTHATÅTHEÅNEWÅPARSIM ONIOUSÅNETWORK
STRUCTUREÅ ISÅ ONLYÅ ABLEÅ TOÅ ACCURATELYÅ APPROXIM ATEÅ U& U# Å WHICHÅ ISÅ INÅ GENERAL
UNEQUALÅ TOÅ UD 
Å !FTERÅ TRAININGÅ THEÅ ,&&#Å WITHÅ THEÅ NEWÅ PARSIM ONIOUSÅ NETWORK
STRUCTURE Å AÅ U# Å WILLÅ REM AINÅ THATÅ INDICATESÅ HOWÅ THEÅ FEED FORWARDÅ SIGNALÅ AND
THEREFOREÅ THEÅ PARSIM ONIOUSÅ NETWORKÅ STRUCTURE Å CANÅ BEÅ FURTHERÅ IM PROVEDÅ 4HE
EM PIRICALÅ M ODELLINGÅ TECHNIQUEÅ SHOULDÅ THUSÅ BEÅ APPLIEDÅ INÅ ANÅ ITERATIVEÅ WAYÅ)NÅ THE
FOLLOWING Å WEÅ WILLÅ BRIEFLYÅ DISCUSSÅ TWOÅ EXAM PLESÅ OFÅ IM PLEM ENTINGÅ STEPÅ Å USINGÅ AN
EM PIRICALÅM ODELLINGÅTECHNIQUE


 %M PIRICALÅ-ODELLINGÅ!3-/$
4HEÅ!DAPTIVEÅ3PLINEÅ-ODELLINGÅOFÅ/BSERVATIONALÅ$ATAÅ!3-/$ ÅALGORITHM Å ;+AVLI
Å +AVLI Å Å +AVLIÅ ANDÅ 7EYER Å =Å CREATESÅ AÅ PARSIM ONIOUSÅ "3.Å M ODELÅ BY
M EANSÅ OFÅ ANÅ ITERATIVEÅ PROCEDUREÅ THATÅ UTILISESÅ REFINEM ENTÅ ANDÅ PRUNING
SIM PLIFICATION ÅM ETHODSÅ4HEÅOUTLINEÅOFÅTHEÅITERATIVEÅPROCEDUREÅISÅGIVENÅBELOW

!LGORITHMÅÅ!3-/$ÅMODELLING

 'ENERATEÅ CANDIDATEÅ MODELS Å )NÅ THISÅ STEP Å AÅ SETÅ OFÅ CANDIDATEÅ M ODELSÅ IS
GENERATEDÅ BYÅ REFININGÅ ANDÅ PRUNINGÅ THEÅ EXISTINGÅ PARSIM ONIOUSÅ "3.Å M ODEL
4HEÅEXISTINGÅPARSIM ONIOUSÅ"3.ÅM ODELÅCANÅEITHERÅBEÅTHEÅINITIALÅM ODEL ÅCHOSEN
INÅSTEPÅ ÅORÅAÅM ODELÅTHATÅHASÅBEENÅOBTAINEDÅBYÅPREVIOUSÅAPPLICATIONÅOFÅTHE
!3-/$ÅALGORITHM  Å0OSSIBLEÅSTEPSÅFORÅREFININGÅANDÅPRUNINGÅWILLÅBEÅDISCUSSED
INÅM OREÅDETAILÅBELOW


 4RAINÅ ANDÅ EVALUATEÅ ALLÅ CANDIDATES
Å 4HEÅ M OSTÅ COM M ONÅ WAYÅ TOÅ EVALUATEÅ THE
CANDIDATEÅ M ODELSÅ ISÅ BYÅ M EANSÅ OFÅ VALIDATION
Å &IRSTLY Å THEÅ COLLECTEDÅ DATA
 .ON 2EPETITIVEÅ-OTIONSÅ0ARSIM ONIOUSÅ,&&#

\R R U& U# ^ ÅISÅSPLITÅINÅAÅTRAININGÅSETÅANDÅANÅEVALUATIONÅSET
Å.EXT ÅTHE
CANDIDATEÅ M ODELSÅ AREÅ TRAINEDÅ WITHÅ THEÅ TRAININGÅ SET
Å 4HEIRÅ PERFORM ANCEÅ IS
EVALUATEDÅBYÅPRESENTINGÅTHEÅINPUTÅVALUESÅOFÅTHEÅEVALUATIONÅSET Å \ R R 
^ ÅTO
THEÅ CANDIDATEÅ M ODELSÅ ANDÅ COM PARINGÅ THEIRÅ OUTPUTSÅ TOÅ THEÅ DESIRED
OUTPUT U& U# 
Å 4HEÅ BESTÅ PERFORM INGÅ M ODELÅ ISÅ THEÅ M ODELÅ THATÅ HASÅ THE
LOWESTÅ-3%ÅAPPROXIM ATIONÅERROR


 )FÅTHEÅ-3%ÅAPPROXIMATIONÅERRORÅFORÅTHEÅEVALUATIONÅSETÅOFÅTHEÅBESTÅPERFORMING
MODELÅISÅLOWERÅ THANÅ THATÅ OFÅ THEÅ CURRENTÅ MODEL Å THENÅ SELECTÅ THISÅ MODELÅ ASÅ THE
CURRENTÅMODELÅANDÅGOÅTOÅÅELSEÅGOÅTOÅ

 3TOP

4HEÅREFINEM ENTÅANDÅPRUNINGÅM ETHODSÅTHATÅ!3-/$ÅM AYÅAPPLYÅINÅSTEPÅÅARE

 !DDINGÅ Å DELETINGÅ AÅ  DIMENSIONALÅ "3. Å %ACHÅ ITERATIONÅ STEP Å ONEÅ 

DIM ENSIONALÅ"3.ÅCANÅEITHERÅBEÅADDEDÅTOÅTHEÅPARSIM ONIOUSÅNETWORKÅSTRUCTURE
ORÅ BEÅ REM OVED
Å )NÅ FIGUREÅ Å ANÅ EXAM PLEÅ ISÅ PRESENTED Å INÅ WHICHÅ AÅ 
DIM ENSIONALÅ"3.ÅWITHÅINPUTÅXÅISÅADDEDÅ ÅREM OVED

UNIVARIATEÅ"3.
ADDITION

X
X Y "3.Å
X
"3.Å
X X Y
"3.Å

UNIVARIATEÅ"3.
DELETION
&IGUREÅ !DDITIONÅÅDELETIONÅOFÅAÅ DIMENSIONALÅ"3.

 3PLITTINGÅ Å COMBININGÅ "3.S

Å 4OÅ ENABLEÅ THEÅ M ODELÅ TOÅ APPROXIM ATEÅ AÅ LARGER
CLASSÅOFÅFUNCTIONS Å!3-/$ÅCANÅCOM BINEÅ"3.S
Å)NÅFIGUREÅ  ÅTWOÅ"3.SÅTHAT
HAVEÅ RESPECTIVELYÅ XÅ ANDÅ XÅ ASÅ INPUTS Å AREÅ COM BINEDÅ INTOÅ ONEÅ "3.Å THATÅ HAS
BOTHÅXÅANDÅXÅASÅINPUTS
Å7HILEÅTHEÅSEPARATEÅ"3.SÅCANÅAPPROXIM ATEÅFUNCTIONS
OFÅTHEÅCLASSÅ F X G X ÅTHEÅSINGLEÅ"3.ÅCANÅAPPROXIM ATEÅFUNCTIONSÅOFÅTHE

Å0ARSIM ONIOUSÅ,&&# 

CLASSÅ F X X  Å WHICHÅ ISÅ AÅ LARGERÅ CLASS

Å &ORÅ REASONSÅ OFÅ PARSIM ONY Å !3-/$
CANÅALSOÅSPLITÅUPÅAÅSINGLEÅ"3.ÅINTOÅTWOÅSEPARATEÅ"3.S

COMBININGÅ"3.S

X
"3.Å X
X
"3.Å
X Y X
"3.Å X Y
"3.Å
X X
"3.Å

SPLITTINGÅAÅ"3.

&IGUREÅ 3PLITTINGÅÅCOMBININGÅ"3.S

 +NOTÅINSERTIONÅÅREMOVAL Å4HEÅACCURACYÅOFÅANÅAPPROXIM ATIONÅDEPENDSÅONÅTHE

SIZEÅ OFÅ THEÅ SUPPORTÅ ANDÅ THEÅ LOCATIONÅ OFÅ THEÅ " SPLINES
Å !3-/$Å SEARCHESÅ FOR
THEÅOPTIM ALÅ" SPLINEÅDISTRIBUTIONÅBYÅADDINGÅAÅNEWÅ" SPLINEÅHALFWAYÅBETWEEN
TWOÅEXISTINGÅ" SPLINESÅORÅBYÅDELETINGÅ" SPLINESÅFROM ÅAÅDISTRIBUTION Å)NÅFIGURE
ÅANÅEXTRAÅ" SPLINEÅISÅADDEDÅONÅTHEÅDOM AINÅOFÅINPUTÅVARIABLEÅX

KNOTÅINSERTION

X X

X X

KNOT REMOVAL
&IGUREÅ +NOTÅINSERTIONÅÅREMOVAL

4HEÅ!3-/$ÅALGORITHM ÅCANÅAPPLYÅSEVERALÅM ETHODSÅFORÅREFINEM ENTÅANDÅPRUNING Å&OR

EXAM PLE Å EACHÅ " SPLINEÅ INÅ THEÅ M ODELÅ CANÅ BEÅ SELECTEDÅ FORÅ COM BININGÅ 4HISÅ LARGE
AM OUNTÅOFÅPOSSIBILITIESÅM AKESÅTHEÅALGORITHM ÅCOM PUTATIONALLYÅEXPENSIVE
 .ON 2EPETITIVEÅ-OTIONSÅ0ARSIM ONIOUSÅ,&&#


 %M PIRICALÅ-ODELLINGÅ&UZZYÅ0RODUCTÅ3PACEÅ#LUSTERING
&UZZYÅ PRODUCTÅ SPACEÅ CLUSTERING Å ALSOÅ CALLEDÅ FUZZYÅ CLUSTERING Å ISÅ ANÅ EM PIRICAL
M ODELLINGÅTECHNIQUEÅTHATÅCANÅBEÅUSEDÅTOÅCONSTRUCTÅTHEÅ" SPLINEÅDISTRIBUTIONÅOFÅTHE
,&&#Å ;*ANGÅETÅAL ÅÅ"ABUÈKA Å B= Å)NÅSHORT ÅFUZZYÅCLUSTERINGÅ ;"EZDEKÅAND
0AL Å =Å ;"ACKER Å =Å GENERATESÅ FUZZYÅ SETSÅ ;:ADEH Å Å ,EE Å =Å APPENDIX
! Å THATÅ DESCRIBEÅ OBSERVEDÅ DATA Å 4HEÅ FUZZYÅ SETSÅ AREÅ GENERATEDÅ INÅ SUCHÅ WAY Å THAT
SIM ILARÅ DATAÅ POINTSÅ BELONGÅ TOÅ THEÅ SAM EÅ FUZZYÅ SETÅ &ORÅ EXAM PLE Å CONSIDERÅ THEÅ 
DIM ENSIONALÅDATAÅSETÅSHOWNÅINÅFIGUREÅ

  

     
          
   
X   
  

 
X

&IGUREÅ $ATAÅFORÅCLUSTERING

!PPLYINGÅ FUZZYÅ CLUSTERINGÅ WOULDÅ YIELDÅ THEÅ FOLLOWINGÅ FUZZYÅ SETS Å & Å &Å ANDÅ & Å IN
WHICHÅTHEÅDATAÅISÅCATEGORISEDÅFIGUREÅ 

&
&  
 
 
    
   
       
X  &
   
  
N   
X

&IGUREÅ $ATAÅANDÅFUZZYÅSETS

-ANYÅFUZZYÅCLUSTERINGÅALGORITHM SÅEXIST Å4HEÅFUZZYÅCLUSTERINGÅALGORITHM ÅTHATÅWEÅUSE

TOÅ OBTAINÅ THEÅ CLUSTERSÅ ISÅ THEÅ 'USTAFSON +ESSELÅ '+ Å ALGORITHM Å ;'USTAFSONÅ AND
+ESSEL Å=Å4HISÅALGORITHM ÅISÅCHOSENÅBECAUSEÅITÅCANÅCREATEÅFUZZYÅSETSÅOFÅDIFFERENT
SHAPESÅANDÅORIENTATIONS

4HEÅ DATAÅ FORÅ FUZZYÅ CLUSTERINGÅ CONSISTSÅ OFÅ \R R 

U& U# ^ 
Å 7EÅ WILLÅ NOWÅ EXPLAIN
HOWÅAÅ" SPLINEÅDISTRIBUTIONÅCANÅBEÅCREATEDÅBYÅGENERATINGÅFUZZYÅSETSÅTHATÅCATEGORISE
THISÅDATA
Å&ORÅREASONSÅOFÅCLARITY ÅWEÅCONSIDERÅANÅ,&&#ÅTHATÅONLYÅHASÅTHEÅREFERENCE
POSITION ÅR ÅASÅANÅINPUT
Å4HEÅDATAÅISÅSHOWNÅINÅFIGUREÅ

Å0ARSIM ONIOUSÅ,&&# 

& T
UÅÅ
# T
UÅÅ

RT Å;M=

&IGUREÅ $ATAÅFORÅCLUSTERINGÅALGORITHMÅINÅCASEÅOFÅ,&&#

.EXT Å THEÅ '+ ALGORITHM Å ISÅ APPLIEDÅ TOÅ CONSTRUCTÅ FUZZYÅ SETSÅ THATÅ DESCRIBEÅ THEÅ DATA
4HEÅFUZZYÅSETSÅTHATÅHAVEÅBEENÅOBTAINEDÅAREÅREPRESENTEDÅBYÅTHEIRÅLEVELÅCURVESÅFIGURE
 

N& 
& T

N&
UÅÅ

N&  N& 
N& 
# T

N&
UÅÅ

RT Å;M=

&IGUREÅ $ATAÅANDÅFUZZYÅSETSÅINÅCASEÅOFÅ,&&#

7EÅHAVEÅNOWÅOBTAINEDÅFUZZYÅSETSÅTHATÅDESCRIBEÅSIM ILARÅDATAÅPOINTSÅINÅTHEÅDATAÅSET
\R U& U# ^ 
Å )NÅ ORDERÅ TOÅ GIVEÅ INSIGHTÅ INÅ HOWÅ " SPLINESÅ CANÅ BEÅ FORM EDÅ FROM Å THE
FUZZYÅ SETS Å WEÅ FIRSTÅ BUILDÅ AÅ 4AKAGI 3UGENOÅ 43 Å FUZZYÅ M ODELÅ ;4AKAGIÅ ANDÅ 3UGENO
=APPENDIXÅ! ÅOFÅTHEÅDATA
Å3UBSEQUENTLY ÅFROM ÅTHEÅ43ÅFUZZYÅM ODEL ÅAÅ" SPLINE
DISTRIBUTIONÅISÅGENERATEDÅ ;"ABUÈKA Å B=
Å!Å43ÅFUZZYÅM ODELÅCONSISTSÅOFÅAÅSETÅOF
RULESÅTHATÅHAVEÅTHEÅFOLLOWINGÅFORM 

)& R IS ! I !.$ " !.$ R N IS !N I

2ULEÅIÅÅÅ 
4(%. U&  A I R " AN I R N BI

7HERE Å! Ib !N IÅAREÅTHEÅFUZZYÅSETSÅDEFINEDÅONÅTHEÅINPUTSÅOFÅTHEÅM ODEL ÅALSOÅKNOWN

Å"OTHÅTHEÅFUZZYÅANTECEDENTÅSETSÅANDÅTHEÅCOEFFICIENTSÅ A I b
ASÅFUZZYÅANTECEDENTÅSETS
AN IÅ ANDÅ B IÅ CANÅ BEÅ DERIVEDÅ FROM Å THEÅ FUZZYÅ SETSÅ OBTAINEDÅ BYÅ FUZZYÅ CLUSTERING
Å 4HE
FUZZYÅANTECEDENTÅSETSÅ!IÅCANÅBEÅOBTAINEDÅBYÅPROJECTINGÅTHEÅFUZZYÅSETS Å& Åb Å& ÅON
THEÅINPUTÅAXIS ÅRÅFIGUREÅ 
 .ON 2EPETITIVEÅ-OTIONSÅ0ARSIM ONIOUSÅ,&&#

N& 

& T
N&

UÅÅ
N&  N& 
# T N& 
N&
UÅÅ


PROJECTION RT Å;M=

N


N! N! N! N! N! N! 




RT Å;M=

&IGUREÅ 0ROJECTIONÅOFÅTHEÅFUZZYÅSETS

4HEÅ PARAM ETERSÅ A I Å b Å AN IÅ ANDÅ B IÅ CANÅ BEÅ DERIVEDÅ FROM Å THEÅ POSITIONÅ ANDÅ THE
ORIENTATIONÅOFÅTHEÅCLUSTERSÅ;"ABUÈKA Å B= Å)NÅFIGUREÅ ÅTHEÅDATAÅOFÅFIGUREÅ
ISÅAPPROXIM ATEDÅBYÅAÅ43ÅFUZZYÅM ODEL ÅUSINGÅTHEÅFUZZYÅANTECEDENTÅSETSÅOBTAINEDÅIN
FIGUREÅ 
Å )TÅ CANÅ BEÅ SEENÅ THATÅ THEÅ APPROXIM ATIONÅ CONSISTSÅ OFÅ LOCALLY LINEAR
APPROXIM ATIONSÅWITHÅSM OOTHÅTRANSITIONS

YAÅXÅ
  B YAÅXÅ
  B YAÅXÅ
  B YAÅXÅ
  B
& T
UÅÅ
# T
UÅÅ

YAÅXÅ
  B YAÅXÅ
  B

RT Å;M=
N


N! N! N! N! N! N! 




RT Å;M=

&IGUREÅ 43 MODELÅAPPROXIMATIONÅOFÅTHEÅDATA

.EXT ÅWEÅUSEÅTHEÅFUZZYÅANTECEDENTÅSETSÅOFÅTHEÅ43ÅFUZZYÅM ODELÅTOÅDESIGNÅAÅ" SPLINE

DISTRIBUTION
Å4OÅEXPLAINÅHOWÅTHISÅCANÅBEÅDONE ÅINÅFIGUREÅ ÅAÅ"3.ÅAPPROXIM ATION
ANDÅAÅ43ÅFUZZYÅM ODELÅAPPROXIM ATIONÅOFÅTHEÅDATAÅOFÅFIGUREÅÅAREÅSHOWN

Å0ARSIM ONIOUSÅ,&&#
& T 

& T
UÅÅ

UÅÅ
# T

# T
UÅÅ

UÅÅ
RT Å;M= RT Å;M=
N N
 

N! N! N! N! N! N!  N N N N N N N



 
RT Å;M= RT Å;M=

&IGUREÅ %QUIVALENCEÅBETWEENÅAÅ43 FUZZYÅMODELÅANDÅAÅ"3.

)TÅ CANÅ BEÅ SEENÅ THATÅ BOTHÅ APPROXIM ATIONSÅ CONSISTÅ OFÅ AÅ NUM BERÅ OFÅ LOCALLY LINEAR
APPROXIM ATIONS Å )NÅ CASEÅ OFÅ THEÅ 43Å FUZZYÅ M ODEL Å THEÅ TRANSITIONSÅ BETWEENÅ LOCALLY
LINEARÅ APPROXIM ATIONSÅ ISÅ SM OOTHÅ3WITCHINGÅ FROM Å ONEÅ LOCALLY LINEARÅ APPROXIM ATION
TOÅ ANOTHERÅ OCCURSÅ ATÅ THOSEÅ POINTSÅ WHEREÅ THEÅ FUZZYÅ ANTECEDENTÅ SETSÅ HAVEÅ THEÅ SAM E
M EM BERSHIP Å )NÅ CASEÅ OFÅ THEÅ "3. Å THEÅ TRANSITIONÅ BETWEENÅ LOCALLY LINEAR
APPROXIM ATIONSÅ ISÅ SHARP Å 4HEÅ TRANSITIONÅ OCCURSÅ WHENÅ AÅ " SPLINEÅ REACHESÅ ITS
M AXIM UM ÅM EM BERSHIP Å.OTEÅTHATÅTHISÅPOINTÅCORRESPONDSÅTOÅTHEÅPOINTÅWHEREÅONEÅ"
SPLINEÅ ENDSÅ ANDÅ THEÅ OTHERÅ BEGINS Å " SPLINESÅ CANÅ THUSÅ BEÅ DERIVEDÅ FROM Å THEÅ FUZZY
ANTECEDENTÅSETS ÅBYÅLOCATINGÅTHEÅ" SPLINEÅKNOTSÅATÅTOÅTHOSEÅPOINTSÅWHEREÅTHEÅFUZZY
ANTECEDENTÅSETSÅHAVEÅEQUALÅM EM BERSHIPSÅFIGUREÅ 
N



" SPLINEÅKNOTS RT Å;M=

&IGUREÅ " SPLINEÅKNOTSÅANDÅFUZZYÅSETS

4HEÅPREVIOUSÅCANÅBEÅSUM M ARISEDÅINÅTHEÅFOLLOWINGÅALGORITHM 

!LGORITHMÅÅ" SPLINEÅDISTRIBUTIONÅBYÅMEANSÅOFÅFUZZYÅCLUSTERING


 %MPLOYÅ '+Å FUZZYÅ CLUSTERINGÅ ;'USTAFSONÅ ANDÅ +ESSEL Å Å "ABUÈKA Å  B=
USINGÅTHEÅDATAÅSETÅ \R R 
U& U# ^ 
 .ON 2EPETITIVEÅ-OTIONSÅ0ARSIM ONIOUSÅ,&&#

 #ONSTRUCTÅAÅ43ÅFUZZYÅMODELÅTHATÅDESCRIBESÅTHEÅRELATIONÅBETWEENÅ \ R R 
 ^ ÅAND
U& U# Å ONÅ THEÅ BASISÅ OFÅ THEÅ FUZZYÅ SETSÅ OBTAINEDÅ INÅ THEÅ PREVIOUSÅ STEP
Å 4HE
FUZZYÅ ANTECEDENTÅ SETSÅ OFÅ THEÅ 43Å FUZZYÅ M ODELÅ AREÅ CREATEDÅ BYÅ PROJECTINGÅ THE
FUZZYÅSETSÅONÅTHEÅINPUTÅDOM AINÅ \ R R 
^ Å4HEÅCOEFFICIENTSÅOFÅTHEÅLOCALLY LINEAR
FUNCTIONSÅ THATÅ DESCRIBEÅ THEÅ OUTPUTÅ FOLLOWÅ FROM Å THEÅ POSITIONÅ ANDÅ THE
ORIENTATIONÅOFÅTHEÅFUZZYÅSETS


 4RANSFORMÅ THEÅ FUZZYÅ ANTECEDENTÅ SETSÅ OFÅ THEÅ 43Å FUZZYÅ MODELÅ INTOÅ " SPLINES
4HEÅ M ODELLINGÅ CAPABILITIESÅ OFÅ AÅ 43Å FUZZYÅ M ODELÅ ANDÅ AÅ "3.Å AREÅ EQUIVALENT
WHENÅ THEÅ " SPLINEÅ KNOTSÅ AREÅ SITUATEDÅ THATÅ THEÅ INTERSECTIONSÅ OFÅ THEÅ FUZZY
ANTECEDENTÅSETS


 4RAININGÅTHEÅ0ARSIM ONIOUSÅ,&&#

5NLIKEÅTRAININGÅOFÅAÅSTANDARDÅ,&&# ÅTRAININGÅAÅPARSIM ONIOUSÅ,&&#ÅISÅNOTÅAÅTRIVIAL

TASK
Å4HISÅISÅCAUSEDÅBYÅTHEÅFACTÅTHATÅONLYÅONEÅCOM M ONÅTRAININGÅSIGNALÅISÅAVAILABLE
FORÅALLÅ"3.SÅINÅTHEÅPARSIM ONIOUSÅ,&&#Å&ORÅTHEÅPARSIM ONIOUSÅ,&&#ÅFORÅTHEÅÅ$/&
ROBOTÅ M ANIPULATOR Å REPRESENTEDÅ INÅ FIGUREÅ  Å THISÅ M EANSÅ THATÅ ONEÅ LEARNINGÅ SIGNAL
EXISTSÅFORÅÅ"3.S Å4HISÅLEARNINGÅSIGNALÅINDICATESÅHOWÅTHEÅTOTALÅINPUT OUTPUTÅRELATION
FROM Å \R R R ^ Å TOÅ U Å HASÅ TOÅ BEÅ ADAPTEDÅ ANDÅ NOTÅ HOWÅ THEÅ SEPARATEÅ NETWORK
D D D &

INPUT OUTPUTÅRELATIONSÅFROM Å RD ÅTOÅ U& Å RD ÅTOÅ U& ÅANDÅ RD ÅTOÅ U& ÅSHOULDÅCHANGE
  

)TÅ M AYÅ THUSÅ OCCURÅ THAT Å EVENÅ THOUGHÅ THEÅ TOTALÅ FEED FORWARDÅ SIGNALÅ ISÅ CORRECTLY
ADAPTED ÅTHEÅWEIGHTSÅOFÅTHEÅSEPARATEÅ"3.SÅAREÅADAPTEDÅINÅTHEÅWRONGÅWAY
Å4HEÅONLY
WAYÅ THEÅ DESIGNERÅ CANÅ INFLUENCEÅ THEÅ TRAININGÅ OFÅ THEÅ "3.SÅ ISÅ BYÅ SELECTINGÅ THE
REFERENCEÅM OTIONSÅANDÅTHEÅLEARNINGÅRATES
Å)NÅTHEÅFOLLOWING ÅWEÅWILLÅEXAM INEÅINÅWHAT
WAYÅ THEÅ TRAININGÅ M OTIONSÅ ANDÅ THEÅ LEARNINGÅ RATESÅ SHOULDÅ BEÅ CHOSENÅ SUCHÅ THATÅ THE
"3.SÅAREÅCORRECTLYÅTRAINEDÅONÅTHEÅBASISÅOFÅONEÅLEARNINGÅSIGNAL

Å4RAININGÅTHEÅ0ARSIM ONIOUSÅ,&&# 


 RD 
RD U&
 "3.Å
RD 
"3.Å


 RD 
RD  "3.Å
RD  U&
"3.Å

RD U&
"3.Å
U&

&IGUREÅ 0ARSIMONIOUSÅ,&&#ÅFORÅAÅROBOTÅMANIPULATOR

#ONSIDER ÅFORÅEXAM PLE ÅTRAININGÅ"3.ÅÅINÅFIGUREÅ  ÅWHICHÅHASÅTOÅCOM PENSATEÅFOR

GRAVITATIONALÅ INFLUENCESÅ ANDÅ HASÅ THEÅ REFERENCEÅ JOINTÅ ANGLESÅ ASÅ INPUTS
Å 4HEÅ LEARNING
SIGNALÅU# ÅINDICATESÅHOWÅTHEÅFEEDÅFORWARDÅSIGNAL Å U& ÅM USTÅBEÅADAPTED ÅSUCHÅTHATÅIT
RESEM BLESÅTHEÅDESIREDÅFEED FORWARDÅSIGNALÅOFÅTHEÅENTIREÅ,&&#Å 

* ¯
¡  RD  DRD  S SGN RD  GML COS RD  RD  GL COS RD  M M °
¡ °
¡ R °
¡ *   °
¡ R D RD  S SGN RD  GLM COS RD  RD  °
¡ °
¡¢ R D  °±


WHILEÅTHEÅTARGETÅFUNCTIONÅOFÅ"3.ÅÅISÅGIVENÅBY

¡GML COS RD  RD  GL COS RD  M M ¯°

¡ ° 
¡ GLM COS RD  RD  °
¡¢ °±

7HENÅ ONLYÅ AÅ FEWÅ TRAININGÅ M OTIONSÅ WOULDÅ BEÅ PERFORM ED Å THEREÅ ISÅ NOÅ WAYÅ OF
GUARANTEEINGÅTHATÅ"3.ÅÅWOULDÅNOTÅLEARNÅPARTÅOFÅTHEÅDESIREDÅFEED FORWARDÅSIGNALSÅOF
THEÅ OTHERÅ "3.S
Å )NÅ OTHERÅ WORDS Å "3.Å Å WOULDÅ LEARNÅ TOÅ COM PENSATEÅ THEÅ FRICTION
FORCESÅANDÅTHEÅINERTIAÅOFÅTHEÅM ANIPULATORÅFORÅTHESEÅPARTICULARÅM OTIONS
Å(OWEVER ÅTHE
INPUTSÅOFÅ"3.ÅÅCONSISTÅOFÅ R ÅWHILEÅTHEÅFRICTIONÅFORCESÅDEPENDÅONÅ R 
D
Å4HISÅM EANS D
 .ON 2EPETITIVEÅ-OTIONSÅ0ARSIM ONIOUSÅ,&&#

THATÅTHEÅ,&&#ÅISÅNOTÅABLEÅTOÅCOM PENSATEÅTHEÅFRICTIONÅFORCESÅFORÅOTHERÅM OTIONSÅTHAN

THEÅTRAININGÅM OTIONS
Å)NÅSHORT ÅTHEÅ,&&#ÅHASÅAÅPOORÅGENERALISINGÅABILITY

4OÅCORRECTLYÅTRAINÅ"3.ÅÅUSINGÅAÅPARTICULARÅSETÅOFÅM OTIONS ÅTHEÅTERM SÅOFÅ 

 ÅTHAT
AREÅNOTÅINÅ
 ÅSHOULDÅCANCELÅOUT
Å4HISÅCANÅBEÅFORM ALISEDÅASÅFOLLOWS
Å#ONSIDERÅA
SETÅ OFÅ .Å TRAININGÅ M OTIONS Å RDI I  \  
. ^ 
Å 4OÅ TRAINÅ "3.Å Å ATÅ THEÅ INPUTÅ VALUES
4
RD  ¡RD  RD  ¯° ÅTHEÅFOLLOWINGÅSHOULDÅBEÅSATISFIED
¢ ±

. * ¬­
œ žžŸžžR
I  


RDI  TI  DRDI  TI  S SGN RDI  TI  ­­­  
®­

. * ¬­
ž  I
œ žžž  RD  TI 
I  Ÿ 
R
DRDI  TI  S  SGN RDI  TI  ­­­  
®­

WHERE Å TI Å ISÅ THEÅ POINTÅ INÅ TIM EÅ WHEREÅ RDI   RD  ANDÅ TI Å THEÅ POINTSÅ INÅ TIM EÅ WHERE

RDI   RD  

TI   ARG RDI  T  RD 

TI   ARG RDI  T  RD 

7EÅWILLÅREFERÅTOÅAÅSETÅOFÅTRAININGÅM OTIONSÅTHATÅSATISFIESÅTHEÅABOVEÅASÅAÅSUFFICIENTLY
RICHÅ SETÅ OFÅ TRAININGÅ M OTIONS
Å /NEÅ WAYÅ TOÅ OBTAINÅ AÅ SUFFICIENTLYÅ RICHÅ SETÅ OFÅ TRAINING
M OTIONSÅISÅTOÅPERFORM ÅAÅLARGEÅAM OUNTÅOFÅDIFFERENTÅREFERENCEÅM OTIONS Å&ORÅTHEÅABOVE
EXAM PLE ÅTHEÅSAM EÅREFERENCEÅANGLESÅWILLÅBEÅREALISEDÅATÅAÅRANGEÅOFÅDIFFERENTÅREFERENCE
ANGULARÅVELOCITIESÅANDÅREFERENCEÅANGULARÅACCELERATIONS Å(OWEVER ÅAÅLARGEÅNUM BERÅOF
TRAININGÅ M OTIONSÅ RESULTSÅ INÅ ANÅ EXTENSIVEÅ TRAININGÅ PERIOD Å WHICHÅ ISÅ UNDESIRED
&URTHERM ORE Å SOM EÅ OFÅ THESEÅ REFERENCEÅ M OTIONSÅ M AYÅ BEÅ HARDÅ TOÅ REALISEÅ DUEÅ TO
HARDWAREÅ LIM ITATIONS Å 4HINK Å FORÅ EXAM PLE Å OFÅ LARGEÅ REFERENCEÅ VELOCITIESÅ NEAR
HARDWAREÅEND STOPS

7EÅPROPOSEÅTOÅGENERATEÅAÅSUFFICIENTLYÅRICHÅSETÅOFÅTRAININGÅM OTIONSÅINÅANOTHERÅWAYÅ!
TRAININGÅM OTIONÅSHOULDÅBEÅCHOSENÅSUCHÅTHATÅTHEÅDESIREDÅOUTPUTÅOFÅONEÅSPECIFICÅ"3.
ISÅTEM PORARILYÅM UCHÅLARGERÅ THANÅTHEÅDESIREDÅOUTPUTSÅOFÅTHEÅOTHERÅ "3.S Å 3INCEÅ THE
DESIREDÅ OUTPUTSÅ OFÅ THEÅ OTHERÅ "3.SÅ CANÅ BEÅ DISREGARDED Å THISÅ TRAININGÅ M OTIONÅ IS
SUFFICIENTLYÅRICHÅWITHÅRESPECTÅTOÅONEÅ"3.Å)NÅTHISÅSITUATION ÅTHEÅDESIREDÅFEED FORWARD
SIGNALÅOFÅTHEÅENTIREÅ,&&#ÅISÅEQUALÅTOÅTHEÅDESIREDÅFEED FORWARDÅSIGNALÅOFÅONEÅOFÅTHE
"3.SÅ INÅ THEÅ ,&&# Å 4HEÅ LEARNINGÅ SIGNALÅ INDICATESÅ HOWÅ THEÅ WEIGHTSÅ OFÅ AÅ SEPARATE

Å4RAININGÅTHEÅ0ARSIM ONIOUSÅ,&&# 

"3.Å M USTÅ BEÅ ADAPTED Å )NSTEADÅ OFÅ TRAININGÅ ALLÅ "3.SÅ SIM ULTANEOUSLY Å ONLYÅ THE
WEIGHTSÅ OFÅ THEÅ "3.Å OFÅ WHICHÅ THEÅ DESIREDÅ OUTPUTÅ ISÅ DOM INANTÅ AREÅ ADAPTEDÅ 4HE
WEIGHTSÅOFÅTHEÅOTHERÅ"3.SÅAREÅKEPTÅCONSTANT Å4OÅTRAINÅALLÅ"3.S ÅWEÅNEEDÅTOÅSELECTÅA
SERIESÅOFÅTRAININGÅM OTIONSÅWHICHÅEACHÅM AKEÅTHEÅDESIREDÅOUTPUTÅOFÅONEÅSPECIFICÅ"3.
DOM INANT Å.OTEÅTHATÅWHENÅCHOOSINGÅAÅTRAININGÅM OTION ÅWEÅONLYÅNEEDÅTOÅCONSIDERÅTHE
UNTRAINEDÅ"3.SÅINÅTHEÅ,&&# Å7EÅASSUM EÅTHATÅTHEÅTRAINEDÅ"3.SÅHAVEÅLEARNEDÅTHEIR
DESIREDÅ INPUT OUTPUTÅ M APPING Å SUCHÅ THATÅ THEÅ LEARNINGÅ SIGNALÅ ONLYÅ CONTAINS
INFORM ATIONÅONÅHOWÅTOÅADAPTÅTHEÅWEIGHTSÅOFÅTHEÅUNTRAINEDÅ"3.S

0ROPOSITIONÅÅ3TRATEGICÅTRAININGÅPROCEDURE Å)NÅAÅPARSIMONIOUSÅ,&&# ÅONEÅ"3.

SHOULDÅBEÅTRAINEDÅATÅAÅTIMEÅ4HEÅTRAININGÅREFERENCEÅMOTIONSÅSHOULDÅBEÅCHOSENÅSUCH
THATÅTHEÅDESIREDÅOUTPUTÅOFÅONEÅOFÅTHEÅUNTRAINEDÅ"3.SÅISÅTEMPORARILYÅDOMINANTÅ/NLY
THEÅ WEIGHTSÅ OFÅ THISÅ "3.Å AREÅ ADAPTEDÅ DURINGÅ THISÅ PERIOD Å THEÅ WEIGHTSÅ OFÅ THEÅ OTHER
"3.SÅAREÅKEPTÅCONSTANTÅ4HISÅYIELDSÅTHEÅFOLLOWINGÅTRAININGÅPROCEDURE

 #HOOSEÅAÅTRAININGÅMOTION ÅSUCHÅTHATÅTHEÅTARGETÅSIGNALÅOFÅONEÅOFÅTHEÅUNTRAINED
"3.SÅINÅTHEÅPARSIMONIOUSÅ,&&#ÅISÅDOMINANT
 4RAINÅ THEÅ CORRESPONDINGÅ "3.Å UNTILÅ ITSÅ WEIGHTSÅ HAVEÅ CONVERGEDÅ $URING
TRAINING ÅTHEÅPREVIOUSLYÅTRAINEDÅ"3.SÅAREÅUSEDÅFORÅCONTROL
 )FÅTHEREÅAREÅANYÅUNTRAINEDÅ"3.SÅLEFT ÅGOÅTOÅ ÅELSE ÅGOÅTOÅ
 3TOP

&ORÅ THEÅ ROBOTÅ M ANIPULATOR Å THEÅ STRATEGICÅ TRAININGÅ PROCEDUREÅ WILLÅ LOOKÅ ASÅ FOLLOWS
;3TEENKUIJL Å=

!LGORITHMÅÅ3TRATEGICÅLEARNINGÅPROCEDUREÅFORÅAÅROBOTÅMANIPULATOR

 4HEÅ FIRSTÅ "3.Å THATÅ ISÅ TRAINEDÅ ISÅ THEÅ "3.Å THATÅ HASÅ TOÅ COM PENSATEÅ THE
GRAVITATIONÅFORCE ÅSEEÅFIGUREÅ 
Å"YÅCHOOSINGÅAÅLOW VELOCITYÅLOW ACCELERATION
REFERENCEÅM OTION ÅTHEÅEFFECTSÅOFÅTHEÅINERTIAÅOFÅTHEÅM ANIPULATORÅANDÅTHEÅFRICTION
INÅTHEÅJOINTSÅCANÅBEÅM ADEÅSM ALL
Å3INCEÅTHEÅDESIREDÅFEED FORWARDÅSIGNALÅ 

CONTAINSÅ THEÅ TERM Å RD  RD  Å THEÅ REFERENCEÅ M OTIONÅ SHOULDÅ CONTAINÅ VARIOUS
COM BINATIONSÅOFÅ \RD  RD  ^ 
Å!FTERÅTRAININGÅTHEÅWEIGHTSÅOFÅTHISÅ"3.ÅAREÅFIXED

 .EXT Å THEÅ "3.Å ISÅ TRAINEDÅ THATÅ COM PENSATESÅ FORÅ THEÅ INERTIAÅ OFÅ THE
M ANIPULATOR
Å4HEÅREFERENCEÅ M OTIONSÅ SHOULDÅ BEÅ CHOSENÅ SUCHÅ THATÅ THEÅ FRICTION
FORCESÅAREÅKEPTÅLOW
Å4HISÅM EANSÅTHATÅTHEÅREFERENCEÅM OTIONÅWILLÅCONSISTSÅOFÅA
 .ON 2EPETITIVEÅ-OTIONSÅ0ARSIM ONIOUSÅ,&&#

RAPIDÅ SEQUENCEÅ OFÅ SHORTÅ ACCELERATIONSÅ ANDÅ DECELERATIONSÅ!FTERÅ TRAINING Å THE

WEIGHTSÅOFÅTHISÅ"3.ÅAREÅALSOÅFIXED

 &INALLY ÅWEÅTRAINÅTHEÅ"3.ÅTHATÅCOM PENSATESÅFORÅTHEÅFRICTIONÅFORCESÅ3INCEÅTHE

OTHERÅ "3.SÅ HAVEÅ ALREADYÅ BEENÅ TRAINED Å NOÅ SPECIFICÅ REFERENCEÅ M OTIONÅ IS
NECESSARY
Å(OWEVER ÅTHEÅREFERENCEÅM OTIONÅSHOULDÅSPANÅALLÅVELOCITIESÅTHATÅWILL
OCCURÅDURINGÅNORM ALÅOPERATION


 $ISCUSSION

7HENÅ USINGÅ THEÅ STRAIGHTFORWARDÅ WAYÅ TOÅ DETERM INEÅ THEÅ INPUTSÅ OFÅ THEÅ ,&&# Å AS
PRESENTEDÅINÅCHAPTERÅ ÅAÅM ULTIDIM ENSIONALÅ"3.ÅWILLÅOFTENÅRESULT Å4HISÅCONFRONTSÅUS
WITHÅ THEÅ PROBLEM SÅ ASSOCIATEDÅ WITHÅ THEÅ CURSEÅ OFÅ DIM ENSIONALITYÅ!SÅ AÅ SOLUTION Å WE
PROPOSEDÅ TOÅ SPLITÅ UPÅ THEÅ SINGLEÅ HIGH DIM ENSIONALÅ "3.Å INTOÅ AÅ NUM BERÅ OFÅ LOW
DIM ENSIONALÅ "3.S Å EACHÅ COM PENSATINGÅ FORÅ ONEÅ SPECIFICÅ DISTURBANCEÅ4HEÅ RESULTÅ IS
KNOWNÅ ASÅ AÅ PARSIM ONIOUSÅ NETWORKÅ STRUCTURE Å 3PLITTINGÅ UPÅ THEÅ SINGLEÅ "3.Å CANÅ BE
PERFORM EDÅINÅTWOÅWAYS

 &IRSTLY Å WEÅ M AKEÅ USEÅ OFÅ PRIORÅ QUALITATIVEÅ KNOWLEDGEÅ OFÅ THEÅ PLANTÅ DYNAM ICS
ANDÅTHEÅREPRODUCIBLEÅDISTURBANCESÅTOÅSPLITÅUPÅTHEÅ"3.
 3ECONDLY ÅWHENÅPRIORÅKNOWLEDGEÅISÅUNAVAILABLEÅORÅINSUFFICIENT ÅWEÅCANÅEM PLOY
EM PIRICALÅ M ODELLINGÅ TECHNIQUESÅ TOÅ OBTAINÅ THEÅ PARSIM ONIOUSÅ NETWORK
STRUCTURE Å4WOÅDIFFERENTÅTECHNIQUESÅHAVEÅBEENÅDISCUSSED Å!3-/$ÅANDÅFUZZY
CLUSTERING Å "OTHÅ TECHNIQUESÅ AREÅ COM PUTATIONALLYÅ INTENSIVE Å !TÅ THEÅ TIM EÅ OF
THISÅ RESEARCH Å GENERATINGÅ AÅ PARSIM ONIOUSÅ NETWORKÅ STRUCTUREÅ FROM Å AÅ HIGHLY
NON LINEAR Å M ULTI DIM ENSIONALÅ DATAÅ SETÅ TOOKÅ EXCESSIVEÅ COM PUTERÅ TIM EÅ 4HIS
M AKESÅTHESEÅSOLUTIONSÅINAPPLICABLEÅINÅPRACTICE ÅUNTILÅTHEÅCOM PUTERÅPOWERÅHAS
INCREASEDÅDRASTICALLY Å4OÅSHOWÅTHAT ÅINÅPRINCIPAL ÅTHESEÅTECHNIQUESÅCANÅCREATE
AÅ PARSIM ONIOUSÅ NETWORKÅ STRUCTURE Å INÅ THEÅ NEXTÅ CHAPTER Å FUZZYÅ CLUSTERINGÅ IS
USEDÅTOÅOPTIM ISEÅTHEÅ" SPLINEÅDISTRIBUTIONÅINÅAÅTIM E INDEXEDÅ,&&#

4RAININGÅ THEÅ "3.SÅ INÅ AÅ PARSIM ONIOUSÅ ,&&#Å ISÅ NOTÅ AÅ TRIVIALÅ TASK
Å 7HENÅ ALLÅ "3.S
AREÅTRAINEDÅSIM ULTANEOUSLY ÅAÅLARGEÅNUM BERÅOFÅTRAININGÅREFERENCEÅM OTIONSÅISÅUSUALLY
NEEDED
Å /THERWISE Å "3.SÅ M AYÅ LEARNÅ PARTÅ OFÅ DESIREDÅ FEED FORWARDÅ SIGNALSÅ OFÅ OTHER
"3.S
Å 4OÅ TRAINÅ AÅ PARSIM ONIOUSÅ ,&&#Å WITHÅ AÅ SM ALLÅ NUM BERÅ OFÅ TRAININGÅ REFERENCE
M OTIONS Å WEÅ PROPOSEDÅ AÅ STRATEGICÅ LEARNINGÅ PROCEDURE
Å )NSTEADÅ OFÅ TRAININGÅ ALLÅ "3.S

Å$ISCUSSION 

SIM ULTANEOUSLY ÅEACHÅ"3.ÅISÅTRAINEDÅINDIVIDUALLY

Å4HEÅTRAININGÅREFERENCEÅM OTIONÅIS
CHOSENÅ SUCHÅ THATÅ THEÅ DESIREDÅ FEED FORWARDÅ SIGNALÅ OFÅ THISÅ "3.Å ISÅ M UCHÅ LARGERÅ THAN
THEÅDESIREDÅFEED FORWARDÅSIGNALSÅOFÅTHEÅOTHERÅUNTRAINEDÅ"3.S

3OM ETIM ESÅITÅM AYÅBEÅDIFFICULTÅORÅEVENÅIM POSSIBLEÅTOÅDESIGNÅAÅSETÅOFÅTRAININGÅM OTIONS

SUITABLEÅ FORÅ STRATEGICÅ TRAINING
Å #ONSIDER Å FORÅ EXAM PLE Å THEÅ CASEÅ WHEREÅ THEÅ #ORIOLIS
ANDÅ CENTRIFUGALÅ EFFECTSÅ INÅ THEÅ ROBOTÅ M ANIPULATORÅ CANNOTÅ BEÅ DISREGARDEDÅ 4O
COM PENSATEÅFORÅTHESEÅEFFECTS ÅTWOÅ"3.SÅSHOULDÅBEÅADDEDÅTOÅTHEÅPARSIM ONIOUSÅ,&&#
THATÅHAVEÅ RESPECTIVELYÅ \R R R ^ Å ANDÅ \R R ^ Å ASÅ INPUTS
    
Å 4HEÅ DESIREDÅ FEED FORWARD
SIGNALSÅARE

"3.ÅÅ UD  LLM SIN R RR  LLM SIN R RR 

"3.ÅÅ UD  LLM SIN R RR 

4HEÅ DESIREDÅ FEED FORWARDÅ SIGNALÅ OFÅ "3.Å Å M AKESÅ PROPERÅ TRAININGÅ OFÅ "3.Å  Å WHICH
HASÅ TOÅ COM PENSATEÅ FORÅ THEÅ FRICTIONÅ INÅ THEÅ SECONDÅ JOINT Å DIFFICULT
Å 4HEÅ DESIREDÅ FEED
FORWARDÅSIGNALÅOFÅ"3.ÅÅISÅ UD   DRD  S SGN RD  
Å4OÅPROPERLYÅTRAINÅ"3.Å ÅA
WIDEÅ RANGEÅ OFÅ VELOCITIESÅ SHOULDÅ BEÅ REALISED
Å (OWEVER Å INÅ THISÅ CASEÅ THEÅ TERM
LLM SIN R RR ÅCANNOTÅBEÅKEPTÅSM ALL
Å4HEÅSOLUTIONÅINÅTHISÅKINDÅOFÅSITUATIONSÅIS
TOÅCOM BINEÅTHEÅTWOÅSEPARATEÅ"3.SÅINÅONEÅ"3.
Å)NÅTHEÅABOVEÅCASE ÅTHISÅM EANSÅTHAT
THEÅCOM PENSATIONÅOFÅTHEÅFRICTION Å UD   DRD  S SGN RD  ÅISÅSTOREDÅINÅAÅ"3.ÅTHAT

HASÅ \R R R ^ ÅASÅINPUTS

Å#ONSEQUENTLY ÅTHEÅNETWORKÅSTRUCTUREÅISÅLESSÅPARSIM ONIOUS
ANDÅM OREÅTRAININGÅSAM PLESÅAREÅNEEDEDÅTOÅCOM PENSATEÅFORÅTHEÅFRICTION ÅBUTÅATÅLEAST
THEÅ"3.ÅCANÅBEÅTRAINEDÅPROPERLY

4HEÅSTRATEGICÅTRAININGÅPROCEDUREÅREM AINSÅRATHERÅHEURISTIC
Å-OREÅRESEARCHÅISÅNEEDED
ONÅTHEÅFOLLOWINGÅTOPICS

 %XISTENCEÅ OFÅ AÅ STRATEGICÅ TRAININGÅ PROCEDUREÅ GIVENÅ AÅ PARSIMONIOUSÅ ,&&# Å !S

DISCUSSEDÅ ABOVE Å ITÅ M AYÅ NOTÅ ALWAYSÅ BEÅ POSSIBLEÅ TOÅ SELECTÅ AÅ SETÅ OFÅ TRAINING
M OTIONSÅTHATÅM AKEÅONLYÅONEÅSPECIFICÅDESIREDÅFEED FORWARDÅSIGNALÅDOM INANT Å)T
 .ON 2EPETITIVEÅ-OTIONSÅ0ARSIM ONIOUSÅ,&&#

WOULDÅBEÅDESIRABLEÅTOÅHAVEÅAÅSYSTEM ATICÅPROCEDUREÅTHATÅINDICATESÅWHETHERÅA
SETÅOFÅTRAININGÅM OTIONSÅEXISTSÅTHATÅISÅSUFFICIENTLYÅRICH
 3YSTEMATICÅPROCEDUREÅTHATÅGIVESÅSUFFICIENTLYÅRICHÅTRAININGÅMOTIONS Å4HEÅWAYÅIN
WHICHÅ THEÅ TRAININGÅ M OTIONSÅ AREÅ SELECTEDÅ ISÅ AD HOC Å 4HISÅ M AYÅ RESULTÅ IN
DESIGNINGÅAÅSETÅOFÅSTRATEGICÅTRAININGÅM OTIONSÅBYÅM EANSÅOFÅTRIALÅANDÅERRORÅ4O
PREVENTÅ THIS Å AÅ SYSTEM ATICÅ PROCEDUREÅ ISÅ NEEDED Å THATÅ DERIVESÅ AÅ SETÅ OF
SUFFICIENTLYÅRICHÅTRAININGÅM OTIONS ÅONÅTHEÅBASISÅOFÅQUALITATIVEÅKNOWLEDGEÅOFÅTHE
PLANTÅDYNAM ICSÅANDÅTHEÅDISTURBANCES
 /THERÅ TYPESÅ OFÅ TRAININGÅ MOTIONSÅ THATÅ AREÅ SUFFICIENTLYÅ RICH
Å 7EÅ PROPOSEDÅ TO
DESIGNÅAÅSETÅOFÅSUFFICIENTLYÅRICHÅTRAININGÅM OTIONS ÅBYÅM AKINGÅTHEÅDESIREDÅFEED
FORWARDÅ SIGNALÅ OFÅ ONEÅ OFÅ THEÅ UNTRAINEDÅ "3.SÅ DOM INANT Å /THERÅ TRAINING
M OTIONSÅ M AYÅ EXIST Å THATÅ AREÅ ALSOÅ SUFFICIENTLYÅ RICHÅ /NEÅ COULDÅ THINK Å FOR
EXAM PLE ÅOFÅADDINGÅNOISEÅTOÅTHEÅREFERENCEÅM OTION
 $ESIGNÅÅ!PPLICATIONS

 )NTRODUCTION

)NÅ THEÅ PREVIOUSÅ CHAPTERS Å SEVERALÅ ASPECTSÅ OFÅ ,&&#Å HAVEÅ BEENÅ DEALTÅ WITHÅ 4HE
OBTAINEDÅ KNOWLEDGEÅ ANDÅ INSIGHTÅ WILLÅ NOWÅ BEÅ USEDÅ TOÅ FORMULATEÅ AÅ PRACTICALÅ DESIGN
PROCEDUREÅ)NÅSHORT ÅTHEÅFOLLOWINGÅDESIGNÅCHOICESÅHAVEÅTOÅBEÅMADE

 &EEDBACKÅ CONTROLLERÅ 4HEÅ FEEDBACKÅ CONTROLLERÅ COMPENSATESÅ FORÅ RANDOM

DISTURBANCESÅ ANDÅ GENERATESÅ AÅ LEARNINGÅ SIGNALÅ FORÅ THEÅ FEED FORWARDÅ PARTÅ )N
CHAPTERÅ ÅITÅHASÅBEENÅSHOWNÅTHATÅTHEÅMINIMUMÅWIDTHÅOFÅTHEÅ" SPLINES ÅAND
THUSÅ THEÅ MAXIMUMÅ ACHIEVABLEÅ ACCURACY Å DEPENDSÅ ONÅ THEÅ FREQUENCYÅ RESPONSE
OFÅ THEÅ CLOSEDÅ LOOPÅ SYSTEMÅ 3INCEÅ THEÅ FREQUENCYÅ RESPONSEÅ OFÅ THEÅ CLOSEDÅ LOOP
SYSTEMÅ DEPENDSÅ ONÅ THEÅ FEEDBACKÅ CONTROLLER Å ITÅ INDIRECTLYÅ DETERMINESÅ THE
MAXIMUMÅACHIEVABLEÅTRACKINGÅPERFORMANCEÅ7HENÅTHEÅMINIMUMÅWIDTHÅOFÅTHE
" SPLINESÅISÅTOOÅLARGEÅTOÅACHIEVEÅANÅACCEPTABLEÅTRACKINGÅERROR ÅREDESIGNINGÅTHE
FEEDBACKÅCONTROLLERÅOFFERSÅAÅSOLUTIONÅ(OWEVER ÅTHISÅREQUIRESÅTHATÅTHEÅFEEDBACK
CONTROLLERÅ HASÅ TOÅ BEÅ DESIGNEDÅ SUCHÅ THATÅ THEÅ BANDWIDTHÅ OFÅ THEÅ CLOSED LOOP
SYSTEMÅ INCREASESÅ SEEÅ CHAPTERÅ  Å ANDÅ ITÅ MEANSÅ THATÅ THEÅ STABILITYÅ ROBUSTNESS
FORÅ VARIATIONSÅ INÅ THEÅ PLANTÅ DYNAMICSÅ DECREASESÅ 7EÅ PROPOSEÅ TOÅ SOLVEÅ THIS
PROBLEMÅINÅANÅALTERNATIVEÅWAYÅ4HEÅFEEDBACKÅCONTROLLERÅISÅDESIGNEDÅSUCHÅTHAT
ITÅFEATURESÅROBUSTÅSTABILITYÅ)FÅTHEÅRESULTINGÅMINIMUMÅWIDTHÅOFÅTHEÅ" SPLINES
DOESÅNOTÅYIELDÅTHEÅDESIREDÅTRACKINGÅPERFORMANCE ÅAÅLEARNINGÅFILTERÅISÅADDEDÅTO
THEÅ ,&&#Å )FÅ THEÅ LEARNINGÅ FILTERÅ ISÅ DESIGNEDÅ ASÅ PROPOSEDÅ INÅ CHAPTERÅ  Å THE
MINIMUMÅALLOWABLEÅWIDTHÅOFÅTHEÅ" SPLINESÅDECREASES
 )NPUTSÅ OFÅ FEED FORWARDÅ PARTÅ 4HEÅ INPUTSÅ OFÅ THEÅ FEED FORWARDÅ PARTÅ DEPENDÅ ON
THEÅTYPEÅOFÅMOTIONÅTHATÅHASÅ TOÅ BEÅ PERFORMEDÅ )NÅ CASEÅ OFÅ REPETITIVEÅ MOTIONS
THEÅ PERIODICÅ MOTIONÅ TIMEÅ ISÅ PREFERREDÅ ASÅ INPUTÅ SEEÅ CHAPTERÅ  Å 7HEN


 $ESIGNÅÅ!PPLICATIONS

PERFORMINGÅ RANDOMÅ MOTIONS Å THEÅ INPUTSÅ SHOULDÅ CONSISTÅ OFÅ THEÅ REFERENCE
POSITIONÅANDÅEVENTUALLYÅDERIVATIVESINTEGRALSÅTHEREOFÅ)NÅCHAPTERÅÅITÅHASÅBEEN
SHOWNÅ HOWÅ THEÅ INPUTSÅ CANÅ BEÅ SELECTEDÅ ONÅ THEÅ BASISÅ OFÅ AÅ STATE SPACE
DESCRIPTIONÅOFÅTHEÅPLANT
 3TRUCTUREÅ OFÅ THEÅ FEED FORWARDÅ PARTÅ )NÅ GENERAL Å THEÅ RESULTÅ OFÅ THEÅ PREVIOUS
DESIGNÅ CHOICEÅ ISÅ THATÅ THEÅ FEED FORWARDÅ PARTÅ SHOULDÅ HAVEÅ MULTIPLEÅ INPUTS
7HENÅIMPLEMENTINGÅTHEÅFEED FORWARDÅPARTÅASÅONEÅMULTI DIMENSIONALÅ"3. ÅWE
AREÅCONFRONTEDÅWITHÅTHEÅPROBLEMSÅASSOCIATEDÅWITHÅTHEÅCURSEÅOFÅDIMENSIONALITY
4HISÅPROBLEMÅCANÅBEÅOVERCOMEÅBYÅREPLACINGÅTHEÅMULTI DIMENSIONALÅ"3.ÅBYÅA
SO CALLEDÅ PARSIMONIOUSÅ NETWORKÅ STRUCTURE Å CONSISTINGÅ OFÅ SEVERALÅ "3.SÅ THAT
HAVEÅAÅLOWERÅDIMENSIONÅ#HAPTERÅÅSHOWSÅTHATÅTHISÅCANÅBEÅDONEÅEITHERÅONÅTHE
BASISÅOFÅPRIORÅKNOWLEDGEÅOFÅTHEÅPLANTÅDYNAMICSÅANDÅTHEÅDISTURBANCES ÅORÅINÅAN
AUTOMATEDÅWAYÅBYÅUSINGÅEMPIRICALÅMODELLINGÅTECHNIQUES
 " SPLINEÅ DISTRIBUTIONÅ #HAPTERÅ Å CLARIFIEDÅ THATÅ AÅ TOOÅ SMALLÅ WIDTHÅ OFÅ THEÅ "
SPLINESÅCAUSESÅLEARNINGÅTOÅDIVERGEÅ&ORÅTHEÅTIME INDEXEDÅ,&&# ÅTHEÅMINIMUM
WIDTHÅ OFÅ THEÅ " SPLINES Å FORÅ WHICHÅ LEARNINGÅ CONVERGES Å CANÅ BEÅ DETERMINEDÅ ON
THEÅBASISÅOFÅTHEÅFREQUENCYÅRESPONSEÅOFÅTHEÅCLOSEDÅLOOPÅSYSTEMÅ)NÅCHAPTERÅ ÅIT
WASÅARGUEDÅTHATÅINÅCASEÅOFÅANÅ,&&# ÅTHEÅWIDTHÅOFÅTHEÅ" SPLINES ÅASÅSEENÅIN
TIME Å SHOULDÅ ALSOÅ BEÅ SUFFICIENTLYÅ WIDE Å INÅ ORDERÅ TOÅ GUARANTEEÅ THATÅ LEARNING
CONVERGESÅ)NÅCASEÅOFÅAÅMULTI DIMENSIONALÅ"3.ÅITÅMAYÅBEÅDIFFICULTÅTOÅDESIGNÅA
" SPLINEÅDISTRIBUTIONÅTHATÅSATISFIESÅTHISÅ)TÅWASÅSHOWNÅTHATÅREGULARISATIONÅMAY
OVERCOMEÅTHISÅPROBLEM
 ,EARNINGÅ RATEÅ 4HEÅ LEARNINGÅ RATEÅ DETERMINESÅ HOWÅ STRONGÅ THEÅ WEIGHTSÅ OFÅ THE
"3.ÅAREÅADAPTEDÅ)NÅCHAPTERÅ ÅTHEÅMAXIMUMÅVALUEÅOFÅTHEÅLEARNINGÅRATE ÅFOR
WHICHÅ LEARNINGÅ CONVERGES Å HASÅ BEENÅ DETERMINEDÅ BYÅ MEANSÅ OFÅ AÅ FREQUENCY
RESPONSEÅOFÅTHEÅCLOSEDÅLOOPÅSYSTEMÅ4HEÅLEARNINGÅRATEÅSHOULDÅBEÅCHOSENÅSMALL
CLOSEÅ TOÅ  Å WHENÅ THEÅ PLANTÅ ISÅ SUBJECTÅ TOÅ CONSIDERABLEÅ NOISEÅ /THERWISE Å A
LARGEÅLEARNINGÅRATEÅCANÅBEÅCHOSEN
 4RAININGÅ MOTIONSÅ 4RAININGÅ AÅ TIME INDEXEDÅ ,&&#Å ANDÅ ANÅ ,&&#Å THAT
COMPRISESÅONLYÅONEÅ"3.ÅCANÅBEÅPERFORMEDÅINÅAÅSTRAIGHTFORWARDÅWAYÅ3PECIAL
CAREÅSHOULDÅBEÅTAKENÅWHENÅTRAININGÅAÅPARSIMONIOUSÅ,&&#Å#HAPTERÅÅSHOWS
THATÅ SIMULTANEOUSLYÅ TRAININGÅ ALLÅ "3.S Å GENERALLYÅ RESULTSÅ INÅ "3.SÅ THATÅ LEARN
FEED FORWARDÅSIGNALSÅOTHERÅTHANÅTHEÅDESIREDÅONESÅ4OÅOVERCOMEÅTHIS ÅTHEÅ"3.S
AREÅTRAINEDÅONEÅATÅAÅTIMEÅ4HEÅREFERENCEÅMOTIONSÅSHOULDÅBEÅCHOSENÅSUCHÅTHAT
THEÅ DESIREDÅ FEED FORWARDÅ SIGNALÅ OFÅ ONEÅ OFÅ THEÅ UNTRAINEDÅ "3.SÅ BECOMES
DOMINANTÅ/NLYÅTHEÅCORRESPONDINGÅ "3.Å ISÅ TRAINED Å THEÅ WEIGHTSÅ OFÅ THEÅ OTHER
"3.SÅAREÅKEPTÅCONSTANT

)NÅ THEÅ FOLLOWING Å DESIGNÅ PROCEDURESÅ FORÅ BOTHÅ AÅ TIME INDEXEDÅ ,&&#Å ANDÅ ANÅ ,&&#
WILLÅBEÅDEALTÅWITHÅINÅMOREÅDETAILÅ4HISÅWILLÅBEÅDONEÅFORÅTWOÅAPPLICATIONSÅ4HEÅFIRST
APPLICATIONÅISÅTHEÅ,I--3Å4HEÅSECONDÅAPPLICATIONÅISÅAÅPARTÅOFÅAÅFLIGHTÅSIMULATOR
Å,I--3 

 ,I--3

 3ET UP
4HEÅ,I--3ÅHASÅBEENÅDESCRIBEDÅINÅCHAPTERÅÅ !NÅ APPROXIMATEÅ MODEL Å USEDÅ INÅ THE
SIMULATIONS ÅISÅSHOWÅINÅFIGUREÅ
 
u  y  y  y
? M, S S
&6
D,

&#
COGGING

&IGUREÅ 3IMULATIONÅMODELÅOFÅTHEÅ,I--3

4HEÅCOGGINGÅWASÅMODELLEDÅAS

&# X   SIN   X 

%XPERIMENTSÅSHOWEDÅTHATÅ ÅISÅONLYÅAÅROUGHÅAPPROXIMATIONÅOFÅTHEÅACTUALÅCOGGING
CHARACTERISTICÅ4HISÅISÅCAUSEDÅBYÅTHEÅFACTÅTHATÅRELATIVELYÅLOW COSTÅMAGNETSÅHAVEÅBEEN
USEDÅ WITHÅ CONSIDERABLEÅ MAGNETICÅ TOLERANCESÅ ANDÅ THATÅ THEÅ MAGNETSÅ AREÅ NOTÅ PLACED
WITHÅTHEÅHIGHESTÅPOSSIBLEÅACCURACYÅ4HEÅCOGGINGÅCHARACTERISTICÅTHATÅRESULTSÅISÅAÅSINE
SHAPEDÅFUNCTIONÅOFÅWHICHÅBOTHÅTHEÅPERIODÅANDÅTHEÅAMPLITUDEÅDEPENDÅONÅTHEÅPOSITION
OFÅ THEÅ TRANSLATORÅ ,I--3Å &URTHERMORE Å THEÅ COGGINGÅ CHARACTERISTICÅ SHOWEDÅ TOÅ BE
DEPENDENTÅONÅTHEÅMOTIONÅDIRECTIONÅ)NÅTHEÅSIMULATIONÅMODEL ÅONLYÅVISCOUSÅFRICTIONÅIS
CONSIDEREDÅ)TÅISÅASSUMEDÅTHATÅINÅTHEÅREALÅSET UPÅTHEÅFRICTIONÅCHARACTERISTICSÅCANÅBE
DESCRIBEDÅ BYÅ THEÅ 3TRIBECKÅ CURVEÅ 7EÅ CONCLUDEÅ THATÅ THEÅ ,&&#Å HASÅ TOÅ COMPENSATE
FOR

 4HEÅINERTIAÅOFÅTHEÅ,I--3
 .ON LINEARÅFRICTION
 4HEÅCOGGINGÅFORCES
 $ESIGNÅÅ!PPLICATIONS

 $ESIGNÅ0ROCEDUREÅFORÅAÅ4IME )NDEXEDÅ,&&#

)NÅSOMEÅAPPLICATIONSÅTHEÅ,I--3ÅHASÅTOÅPERFORMÅREPETITIVEÅMOTIONSÅ4HEREFORE ÅWE
FIRSTLYÅ CONSIDERÅ AÅ TIME INDEXEDÅ ,&&#Å 4HEÅ DESIGNÅ PROCEDUREÅ FORÅ AÅ TIME INDEXED
,&&#ÅISÅGIVENÅBELOW

3TEPÅÅ$ESIGNÅTHEÅFEEDBACKÅCONTROLLER
)NÅ THESEÅ EXPERIMENTS Å THEÅ FEEDBACKÅ CONTROLLERÅ WASÅ OBTAINEDÅ BYÅ MEANSÅ OFÅ ANÅ AUTO
TUNINGÅMECHANISMÅPRESENTÅINÅTHEÅ,I--3ÅSET UPÅ4HEÅFEEDBACKÅCONTROLLERÅISÅOFÅTHE
0$ TYPE ÅWHICHÅISÅPUTÅINÅSERIESÅWITHÅAÅLOW PASSÅFILTER

Q 
Å # S  S  
Å 
S QS Q

3TEPÅ Å $ETERMINEÅ THEÅ MINIMUMÅ WIDTHÅ OFÅ THEÅ SUPPORTÅ OFÅ THEÅ " SPLINESÅ ANDÅ THE
MAXIMUMÅLEARNINGÅRATE

)NÅ ORDERÅ TOÅ DETERMINEÅ THEÅ MINIMUMÅ WIDTHÅ OFÅ THEÅ " SPLINESÅ FORÅ WHICHÅ LEARNING
CONVERGES Å AÅ "ODEÅ PLOTÅ OFÅ THEÅ NEGATIVEÅ COMPLEMENTARYÅ SENSITIVITYÅ FUNCTIONÅ IS
REQUIREDÅ4HISÅ"ODEÅPLOTÅOFÅFIGUREÅ ÅHASÅBEENÅOBTAINEDÅBYÅMEANSÅOFÅEXPERIMENTAL
FREQUENCYÅANALYSIS

4HEÅ PEAKÅ INÅ THEÅ AMPLITUDEÅ ATÅ APPROXIMATELYÅ Å (ZÅ ISÅ CAUSEDÅ BYÅ AÅ MEASUREMENT
ERRORÅANDÅSHOULDÅBEÅDISREGARDEDÅ4OÅOBTAINÅTHEÅMINIMUMÅ" SPLINEÅWIDTH ÅWEÅNEED
TOÅDETERMINEÅSEEÅCHAPTERÅ 

 ­­¬
žžž 4 J X d
K  ARCCOS žž ­­­ 
žž MIN 4  J X ­­­
žŸ \X ‰ \ COS K b^ ­®

#LOSEÅINSPECTIONÅOFÅFIGUREÅÅGIVES

4 JX d    D" 

MIN 4  J X    D" 

\X ‰ \ COS K b^

5SINGÅ ÅANDÅ Å ÅYIELDS

K  ARCCOS   Q 

Å,I--3 

 \4\d
MAGÅ;D"=





 10 
FREQUENCYÅLOG(Z
Q
PHASEÅ;RAD

Q

Q
Q
Q
10
 (Z 10
FREQUENCYÅLOG(Z

&IGUREÅ "ODEÅPLOTÅOFÅ4

4HEÅFREQUENCYÅATÅWHICHÅTHEÅPHASEÅSHIFTÅISÅEQUALÅTOÅnQÅIS

Å X   ¸ Q ¡ RAD S ¯°   Q ¡RAD S ¯° Å 

¢ ± ¢ ±

4HISÅ GIVESÅ THEÅ FOLLOWINGÅ MINIMUMÅ WIDTHÅ OFÅ THEÅ SUPPORTÅ OFÅ THEÅ " SPLINESÅ SEE
CHAPTERÅ 

Q
DMIN  < S >   < S > 
Q

.EXT ÅTHEÅMAXIMUMÅLEARNINGÅRATEÅISÅDETERMINEDÅ)NÅORDERÅFORÅLEARNINGÅTOÅCONVERGE
THEÅLEARNINGÅRATEÅSHOULDÅSATISFY


Hb 
4 J X d

5SINGÅ ÅTHISÅGIVES
 $ESIGNÅÅ!PPLICATIONS

 
Hb    
4 J X d 

3TEPÅÅ#HOOSEÅTHEÅ" SPLINEÅDISTRIBUTION
4HEÅ " SPLINEÅ DISTRIBUTIONÅ SHOULDÅ BEÅ CHOSENÅ SUCHÅ THATÅ THEÅ WIDTHÅ OFÅ THEÅ SUPPORTÅ OF
THEÅ" SPLINESÅISÅLARGERÅTHANÅDMIN

3TEPÅÅ3ELECTÅAÅLEARNINGÅRATE

!SÅDISCUSSEDÅBEFORE ÅHÅSHOULDÅBEÅCHOSENÅSMALLÅCLOSEÅTOÅ ÅWHENÅTHEÅPLANTÅISÅSUBJECT

TOÅCONSIDERABLEÅNOISEÅ)FÅTHISÅISÅNOTÅTHEÅCASE Å AÅ LARGERÅ VALUEÅ OFÅ HÅ ISÅ ALLOWEDÅ 7HEN

bH b Å THEÅ TRACKINGÅ ERRORÅ WILLÅ DECREASEÅ GRADUALLYÅ SEEÅ CHAPTERÅ 
4 J X d
 
WHILEÅ bHb Å CAUSESÅ THEÅ TRACKINGÅ ERRORÅ TOÅ DECREASEÅ INÅ AN
4 J X d 4 J X d
OSCILLATORYÅ WAYÅ 3INCEÅ WEÅ CONSIDERÅ THEÅ LATTERÅ LEARNINGÅ BEHAVIOURÅ UNDESIRED Å WE

RECOMMENDÅ H x   
4 J X d

3TEPÅÅ4RAINÅTHEÅTIME INDEXEDÅ,&&#
4RAININGÅAÅTIME INDEXEDÅISÅSTRAIGHTFORWARD

 6ALIDATIONÅ%XPERIMENTSÅOFÅTHEÅ4IME )NDEXEDÅ,&&#

)NÅTHEÅFOLLOWING ÅTWOÅSERIESÅOFÅEXPERIMENTSÅWILLÅBEÅPERFORMEDÅ4HEÅGOALÅOFÅTHEÅFIRST
SERIESÅ OFÅ EXPERIMENTSÅ ISÅ TOÅ VALIDATEÅ THEÅ MINIMUMÅ WIDTHÅ OFÅ THEÅ SUPPORTÅ OFÅ THEÅ "
SPLINESÅ ANDÅ THEÅ MAXIMUMÅ LEARNINGÅ RATEÅ .EXT Å THEÅ ABILITYÅ OFÅ FUZZYÅ CLUSTERINGÅ TO
DETERMINEÅAÅ" SPLINEÅDISTRIBUTIONÅWILLÅBEÅEXAMINED

)NÅ ORDERÅ TOÅ VALIDATEÅ THEÅ MINIMUMÅ WIDTHÅ OFÅ THEÅ SUPPORTÅ OFÅ THEÅ " SPLINEÅ ANDÅ THE
MAXIMUMÅLEARNINGÅRATE ÅTHESEÅVALUESÅWILLÅBEÅDETERMINEDÅBYÅMEANSÅOFÅEXPERIMENTS
4HEÅREFERENCEÅPOSITIONÅTHATÅTHEÅ,I--3ÅHASÅTOÅTRACKÅISÅGIVENÅINÅFIGUREÅ
Å,I--3 

RÅ;M=






0 0 .4 0 .8
TÅ;S=

&IGUREÅ 2EFERENCEÅPOSITION

%XPERIMENTÅÅ7IDTHÅANDÅLEARNINGÅRATEÅCONFORMÅTHEÅRULES
)NÅTHEÅFIRSTÅEXPERIMENT ÅTHEÅSUPPORTÅOFÅTHEÅ" SPLINESÅISÅCHOSENÅSLIGHTLYÅLARGERÅ THAN
THEÅ MINIMUMÅ SUPPORT Å NAMELYÅ DÅ ;S=Å )NÅ ORDERÅ TOÅ BEÅ SUREÅ THATÅ EVENTUAL
OCCURRENCEÅOFÅUNSTABLEÅBEHAVIOURÅISÅCAUSEDÅBYÅAÅTOOÅSMALLÅWIDTHÅOFÅTHEÅSUPPORTÅOF
THEÅ" SPLINESÅANDÅNOTÅBYÅAÅTOOÅLARGEÅLEARNINGÅRATE ÅTHEÅVALUEÅOFÅTHEÅLEARNINGÅRATEÅIS
CHOSENÅSIGNIFICANTLYÅSMALLERÅTHANÅTHEÅMAXIMUMÅVALUE ÅNAMELYÅJÅÅ4HESEÅVALUES
SHOULDÅYIELDÅAÅSTABLEÅANDÅWELL PERFORMINGÅ,&&#Å4HEÅTRACKINGÅERRORÅBEFOREÅLEARNING
ISÅGIVENÅINÅFIGUREÅ


EÅÅÅÅ;M=







  
TÅ;S=

&IGUREÅ 4RACKINGÅERRORÅWITHOUTÅLEARNING

7ITHINÅÅREPETITIONSÅ THEÅTIME INDEXEDÅ,&&#ÅHASÅCONVERGEDÅ)NÅORDERÅTOÅ EXAMINE

WHETHERÅTHEÅ,&&#ÅREMAINSÅSTABLE ÅLEARNINGÅISÅCONTINUEDÅ)NÅFIGUREÅ  ÅTHEÅTRACKING
ERRORÅ AFTERÅ Å RUNSÅ ISÅ PRESENTEDÅ "YÅ LEARNINGÅ THEÅ TRACKINGÅ ERRORÅ HASÅ DECREASED
DRASTICALLYÅ 4HEÅ CONTROLLERÅ REMAINSÅ STABLEÅ ANDÅ THEÅ LEARNINGÅ MECHANISMÅ HAS
CONVERGED ÅWHICHÅMEANSÅTHATÅTHEÅTRACKINGÅERRORÅDOESÅNOTÅDECREASEÅANYÅFURTHER
 $ESIGNÅÅ!PPLICATIONS

EÅÅÅÅ;M=












  
TÅ;S=

&IGUREÅ %XPERIMENTSÅWITHÅD DMIN ANDÅJDJD MAX

%XPERIMENTÅÅ7IDTHÅNOTÅCONFORMÅTHEÅRULES
)NÅTHEÅSECONDÅEXPERIMENTÅTHEÅSUPPORTÅOFÅTHEÅ" SPLINESÅISÅCHOSENÅSOMEWHATÅSMALLER
THANÅDMIN ÅDÅ;S=Å!GAIN ÅTHEÅLEARNINGÅRATEÅISÅCHOSENÅJÅ7HENÅTHESEÅVALUES
AREÅ USEDÅ THEÅ ,&&#Å SHOULDÅ BECOMEÅ UNSTABLEÅ )NÅ FIGUREÅ Å THEÅ TRACKINGÅ ERRORÅ AFTER
Å RUNSÅ ISÅ GIVENÅ !FTERÅ THEÅ ERRORÅ HADÅ DECREASEDÅ INÅ THEÅ FIRSTÅ NUMBERÅ OFÅ RUNS Å IT
STARTEDÅTOÅINCREASEÅASÅLEARNINGÅCONTINUED


EÅÅÅÅ;M=













  
TÅ;S=

&IGUREÅ %XPERIMENTSÅWITHÅD DMIN ÅANDÅJDJD MAX

5SINGÅ THISÅ RESULTÅ ANDÅ THEÅ RESULTÅ OFÅ EXPERIMENTÅ  Å ITÅ CANÅ BEÅ CONCLUDEDÅ THATÅ THE
VALUEÅOFÅDMINÅISÅNOTÅCONSERVATIVEÅ7HENÅTHEÅSUPPORTÅOFÅTHEÅ" SPLINESÅISÅCHOSENÅONLY
SLIGHTLYÅSMALLERÅTHANÅDMINÅANÅUNSTABLEÅ,&&#ÅRESULTS
Å,I--3 

%XPERIMENTÅÅ$ETERMINATIONÅOFÅTHEÅMAXIMUMÅLEARNINGÅRATE
.EXT ÅTHEÅMAXIMUMÅVALUEÅOFÅJ ÅASÅOBTAINEDÅINÅ ÅISÅVALIDATEDÅ4HISÅISÅDONEÅBY
SEARCHINGÅFORÅTHEÅMAXIMUMÅEXPERIMENTALÅVALUEÅOFÅJÅINÅANÅITERATIVEÅWAYÅ4HEÅWIDTH
OFÅ THEÅ SUPPORTÅ OFÅ THEÅ " SPLINESÅ ISÅ CHOSENÅ DÅ ;S=Å 4HEÅ RESULTÅ OFÅ THESE
EXPERIMENTSÅISÅTHATÅTHEÅMAXIMUMÅVALUEÅOFÅ JÅISÅEQUALÅTOÅÅ4HISÅCANÅBEÅSEENÅINÅTHE
FOLLOWINGÅTWOÅEXPERIMENTSÅ&IRST ÅTHEÅLEARNINGÅRATEÅISÅCHOSENÅ JÅÅ)NÅFIGUREÅ
THEÅTRACKINGÅERRORÅINÅTHEÅFIRST ÅTHEÅ THÅANDÅTHEÅTHÅRUNÅISÅGIVENÅ4HEÅTRACKINGÅERROR
SLOWLYÅCONVERGESÅANDÅREMAINSÅSMALLÅASÅLEARNINGÅCONTINUES


EÅÅÅÅ;M=





 RUNÅ




RUNÅ
 RUN


  
TÅ;S=

&IGUREÅ ,EARNINGÅRATEÅEXPERIMENTS ÅD DMIN ÅANDÅJÅ

.EXT ÅTHEÅLEARNINGÅRATEÅISÅCHOSENÅJÅ&IGUREÅÅSHOWSÅTHEÅTRACKINGÅERRORÅINÅTHE
FIRSTÅANDÅTHÅRUNÅ)TÅCANÅBEÅSEENÅTHATÅTHEÅTRACKINGÅERRORÅHASÅINCREASED


EÅÅÅÅ;M=









 RUNÅ

 RUNÅ

  
TÅ;S=

&IGUREÅ ,EARNINGÅRATEÅEXPERIMENTS ÅDDMINÅANDÅJÅ

 $ESIGNÅÅ!PPLICATIONS

!SÅ LEARNINGÅ CONTINUES Å ITÅ WILLÅ INCREASEÅ EVENÅ FURTHERÅ 4HEÅ MAXIMUMÅ VALUEÅ OFÅ JÅ AS
DETERMINEDÅINÅ ÅISÅTHUSÅAÅSOMEWHATÅCONSERVATIVEÅVALUE

.EXT ÅFUZZYÅCLUSTERINGÅWILLÅBEÅUSEDÅTOÅCONSTRUCTÅAÅ" SPLINEÅDISTRIBUTIONÅFORÅAÅTIME

INDEXEDÅ,&&#Å)NÅCHAPTERÅ ÅITÅWASÅPROPOSEDÅTOÅUSEÅFUZZYÅCLUSTERINGÅTOÅOBTAINÅAÅ"
SPLINEÅ DISTRIBUTIONÅ FORÅ ANÅ ,&&#Å (OWEVER Å SUCHÅ ANÅ ,&&#Å INVOLVESÅ LARGEÅ MULTI
DIMENSIONALÅ DATAÅ SETSÅ 4HEÅ COMPUTATIONALÅ COMPLEXITYÅ OFÅ FUZZYÅ CLUSTERINGÅ WOULD
CAUSEÅ EXCESSIVEÅ COMPUTATIONÅ TIMEÅ 4HEREFORE Å WEÅ CHOOSEÅ TOÅ DEMONSTRATEÅ FUZZY
CLUSTERINGÅWITHÅAÅTIME INDEXEDÅ,&&#Å4HEÅREFERENCEÅPOSITIONÅTHATÅTHEÅ,I--3ÅHAS
TOÅTRACKÅREPEATEDLYÅISÅSHOWNÅINÅFIGUREÅ


RÅ;M=




  
TÅ;S=

&IGUREÅ 2EFERENCEÅPOSITIONÅFORÅFUZZYÅCLUSTERINGÅEXPERIMENT

%XPERIMENTÅÅ&IRSTÅSTEPÅOFÅTHEÅCLUSTERINGÅALGORITHM
4HEÅBASICÅIDEAÅOFÅAPPLYINGÅEMPIRICALÅMODELLINGÅTECHNIQUESÅINÅ,&&#ÅISÅTHEÅFOLLOWING
!FTERÅLEARNINGÅHASÅCONVERGED ÅAÅTRACKINGÅERRORÅANDÅ U# ÅREMAINSÅ!PPARENTLY ÅUSING
THEÅ CURRENTÅ " SPLINEÅ DISTRIBUTION Å THEÅ "3.Å ISÅ UNABLEÅ TOÅ APPROXIMATEÅ THEÅ DESIRED
FEED FORWARDÅ SIGNALÅ BETTERÅ )NÅ OTHERÅ WORDS Å ITÅ ISÅ UNABLEÅ TOÅ APPROXIMATEÅ U& U#Å 4O
OVERCOMEÅ THIS Å EMPIRICALÅ MODELLINGÅ TECHNIQUESÅ AREÅ USEDÅ TOÅ FINDÅ AÅ " SPLINE
DISTRIBUTIONÅ THATÅ ISÅ BETTERÅ ABLEÅ TOÅ APPROXIMATEÅ U& U#Å 3INCEÅ ATÅ THEÅ STARTÅ OFÅ THE
ALGORITHMÅU& ÅTHEÅINITIALÅ" SPLINEÅDISTRIBUTIONÅISÅTHUSÅBASEDÅONÅ U#Å4HEÅINITIALÅ"
SPLINEÅDISTRIBUTIONÅCANÅBEÅEITHERÅCONSTRUCTEDÅBYÅFUZZYÅCLUSTERINGÅORÅBYÅHANDÅAFTER
WHICHÅ FUZZYÅ CLUSTERINGÅ OPTIMISESÅ THISÅ " SPLINEÅ DISTRIBUTION Å 4HEÅ OUTPUTÅ OFÅ THE
FEEDBACKÅ CONTROLLERÅ ANDÅ THEÅ RESULTINGÅ TRACKINGÅ ERRORÅ AREÅ GIVENÅ INÅ FIGUREÅ Å AND

Å,I--3 


U#


  
TÅ;S=

&IGUREÅ /UTPUTÅOFÅTHEÅFEEDBACKÅCONTROLLER


EÅÅÅÅ;M=









    
TÅ;S=

&IGUREÅ 4RACKINGÅERRORÅOFÅTHEÅFEEDBACKÅCONTROLLER

!Å" SPLINEÅDISTRIBUTIONÅISÅCHOSENÅTHATÅHASÅAÅSMALLÅNUMBERÅOFÅ" SPLINESÅ)NÅTHISÅWAY

THEÅ POSITIONSÅ OFÅ THEÅ " SPLINESÅ STRONGLYÅ DETERMINEÅ THEÅ ABILITYÅ OFÅ THEÅ ,&&#Å TO
ACCURATELYÅCOMPENSATEÅFORÅDISTURBANCESÅSUCHÅASÅCOGGINGÅ)NÅTHISÅRESEARCH ÅWEÅCHOOSE
TOÅSELECTÅTHEÅINITIALÅ" SPLINEÅDISTRIBUTIONÅBYÅHAND ÅBASEDÅONÅTHEÅSHAPEÅOFÅ U#ÅFIGURE
 Å 4HEÅ "3.Å APPROXIMATESÅ U#Å BYÅ PIECEWISEÅ FIRST ORDERÅ POLYNOMIALÅ FUNCTIONS
!PPROXIMATELYÅÅPIECEWISEÅFIRST ORDERÅPOLYNOMIALÅFUNCTIONSÅAREÅREQUIREDÅTOÅMAKEÅA
ROUGHÅ APPROXIMATIONÅ OFÅ U#Å 4HEREFORE Å AÅ TOTALÅ NUMBERÅ OFÅ Å " SPLINESÅ ISÅ CHOSEN
4HEÅ LEARNINGÅ RATEÅ ISÅ CHOSENÅ SMALL Å JÅ 4HEÅ TRACKINGÅ ERRORÅ THATÅ REMAINSÅ AFTER
LEARNINGÅCANÅBEÅSEENÅINÅFIGUREÅÅ.OTEÅTHEÅDIFFERENCEÅINÅSCALEÅCOMPAREDÅTOÅFIGURE
 
 $ESIGNÅÅ!PPLICATIONS



EÅÅÅÅ;M=






0 1 t [s] 2

&IGUREÅ 4RACKINGÅERRORÅUSINGÅINITIALÅ" SPLINEÅDISTRIBUTION

4HEÅREFERENCEÅPATHÅHADÅTOÅBEÅPRESENTEDÅÅTIMESÅBEFOREÅLEARNINGÅHADÅCONVERGEDÅAND
NOÅFURTHERÅIMPROVEMENTÅCOULDÅBEÅOBTAINEDÅ4HEÅTRACKINGÅERRORÅHASÅBEENÅREDUCEDÅBY
AÅFACTORÅÅCOMPAREDÅTOÅTHEÅTRACKINGÅERRORÅOFÅTHEÅFEEDBACKÅCONTROLLER

%XPERIMENTÅÅ2ESULTÅOFÅTHEÅCLUSTERINGÅALGORITHM
4OÅOBTAINÅANÅEVENÅHIGHERÅPERFORMANCE ÅFUZZYÅCLUSTERINGÅISÅUSEDÅTOÅOPTIMISEÅTHEÅ"
SPLINEÅDISTRIBUTIONÅ!FTERÅTHEÅFUZZYÅCLUSTERINGÅALGORITHMÅASÅDESCRIBEDÅINÅCHAPTERÅ
HASÅ BEENÅ PERFORMEDÅ TWICE Å NOÅ FURTHERÅ IMPROVEMENTÅ OFÅ THEÅ TRACKINGÅ ERRORÅ COULDÅ BE
OBTAINEDÅ )NÅ FIGUREÅ  Å THEÅ TRACKINGÅ ERRORÅ THATÅ RESULTEDÅ AFTERÅ OPTIMISATIONÅ IS
SHOWN


EÅÅÅÅ;M=







0 1 2
t [s]

&IGUREÅ 4RACKINGÅERRORÅUSINGÅIMPROVEDÅDISTRIBUTION

)TÅCANÅBEÅSEENÅTHATÅFUZZYÅCLUSTERINGÅHASÅBEENÅABLEÅTOÅOBTAINÅAÅ" SPLINEÅDISTRIBUTION
THATÅ GIVESÅ AÅ SMALLERÅ TRACKINGÅ ERRORÅ THANÅ COULDÅ BEÅ OBTAINEDÅ BYÅ THEÅ INITIALÅ " SPLINE
DISTRIBUTION
Å,I--3 

 $ESIGNÅOFÅAÅ0ARSIMONIOUSÅ,&&#
$ESIGNÅ3TEPÅÅ$ESIGNÅTHEÅFEEDBACKÅCONTROLLER
4HEÅSAMEÅFEEDBACKÅCONTROLLERÅISÅUSEDÅASÅINÅCASEÅOFÅTHEÅTIME INDEXEDÅ,&&#

Q 
Å # S  S  
Å 
S QS Q

3TEPÅÅ$ETERMINEÅTHEÅINPUTSÅOFÅTHEÅFEED FORWARDÅPART
4HEÅ REQUIREDÅ INPUTSÅ OFÅ THEÅ FEED FORWARDÅ PARTÅ CANÅ BEÅ OBTAINEDÅ BYÅ EXPRESSINGÅ THE
PLANTÅDYNAMICSÅINÅTHEÅFORMÅPRESENTEDÅINÅCHAPTERÅÅ&ORÅTHEÅ,I--3 ÅTHISÅYIELDSÅTHE
FOLLOWINGÅSTATE SPACEÅDESCRIPTIONÅSEEÅCHAPTERÅ 

  ¯  ¯  ¯
X ¯ ¡ ° X¯ ¡ ° ¡ °
¡ °¡ °¡ ° ¡ &F X ° ¡  °U
¡X° ¡   D, ° ¡X ° ¡ &# X X ° ¡ °
¡¢ ±° ¡ °¡ ° ¡  ° ¡M °
¡¢ M, °± ¢ ± ¡¢ M, M, °± ¢¡ , ±° 
X¯
Y  ¡ ¯° ¡¡ °°
¢ ± ¡X °
¢ ±

7HEREÅ &F X ÅREPRESENTSÅTHEÅ#OULOMBÅFRICTIONÅANDÅTHEÅSTICTIONÅNOTEÅTHATÅTHISÅTERM

ISÅNOTÅPRESENTÅINÅTHEÅMODELÅUSEDÅINÅCHAPTERÅ Å &# X ÅREPRESENTSÅTHEÅCOGGINGÅFORCE
ANDÅD,ÅISÅTHEÅVISCOUSÅFRICTIONÅ)NÅSECTIONÅÅITÅWASÅDERIVEDÅTHATÅTHEÅ,I--3Å 
BELONGSÅ TOÅ THEÅ CLASSÅ OFÅ PLANTSÅ THATÅ CANÅ BEÅ CONTROLLEDÅ BYÅ MEANSÅ OFÅ ,&&#Å &ROM
 ÅWEÅCANÅDERIVEÅTHEÅFOLLOWINGÅDESIREDÅFEEDÅFORWARDÅSIGNAL

D &# R R &F R ¬­
UD  M, žžž , R R­­
žŸ M, M, M, ­­ 
®
 D, R &# R R &F R M, R

4HEÅFEED FORWARDÅPARTÅSHOULDÅTHUSÅHAVEÅTHEÅFOLLOWINGÅINPUTS \R R R^ 

3TEPÅÅ#HOOSEÅTHEÅSTRUCTUREÅOFÅTHEÅFEED FORWARDÅPART
)NÅ ÅITÅCANÅBEÅCLEARLYÅSEENÅTHATÅTHEÅUDÅCONSISTSÅOFÅÅINDEPENDENTÅPARTS
 $ESIGNÅÅ!PPLICATIONS

 &RICTIONÅ COMPENSATIONÅ D, R &F R Å WHICHÅ REQUIRESÅ AÅ "3.Å THATÅ HASÅ R Å AS

INPUT

 #OGGINGÅ COMPENSATIONÅ &COG R R Å )NÅ THEÅ FIRSTÅ PARTÅ OFÅ THISÅ SECTION Å ITÅ WAS
ARGUEDÅ THATÅ THEÅ COGGINGÅ CHARACTERISTICÅ DIFFERSÅ FORÅ POSITIVEÅ ANDÅ NEGATIVE
VELOCITIESÅ 7EÅ COULDÅ COMPENSATEÅ COGGINGÅ USINGÅ AÅ "3.Å THATÅ HASÅ RÅ ANDÅ R Å AS
INPUTSÅ 3INCEÅ THEÅ COGGINGÅ CHARACTERISTICÅ ONLYÅ DEPENDSÅ ONÅ THEÅ MOTION
DIRECTION ÅITÅISÅALSOÅPOSSIBLEÅTOÅCOMPENSATEÅCOGGINGÅBYÅÅ"3.S ÅONEÅFORÅEACH
MOTIONÅ DIRECTIONÅ &ROMÅ AÅ PARSIMONIOUSÅ POINTÅ OFÅ VIEW Å THEÅ LATTERÅ OPTIONÅ IS
ATTRACTIVE

 Å#OMPENSATIONÅOFÅTHEÅINERTIAÅ M,R ÅREQUIRINGÅAÅ"3.ÅTHATÅHASÅ R ÅASÅINPUT

"YÅCREATINGÅONEÅ"3.ÅFORÅEACHÅTERM ÅTHEÅFOLLOWINGÅPARSIMONIOUSÅ,&&#ÅRESULTS


R "3.

R "3.

"3.
U&
R E U# Y
# 0

&IGUREÅ 0ARSIMONIOUSÅ,&&#ÅFORÅTHEÅ,I--3

3TEPÅÅ#HOOSEÅTHEÅ" 3PLINEÅDISTRIBUTION
/NCEÅ AÅ NETWORKÅ STRUCTUREÅ HASÅ BEENÅ CREATED Å THEÅ " 3PLINEÅ DISTRIBUTIONÅ SHOULDÅ BE
SELECTEDÅ 4HEÅ " SPLINESÅ THATÅ AREÅ DEFINEDÅ ONÅ THEÅ REFERENCEÅ MOTION Å NEEDÅ TOÅ BE
SUFFICIENTLYÅWIDEÅWHENÅSEENÅINÅTIMEÅSEEÅCHAPTERÅ Å4HEREFORE ÅTHEÅANALYSISÅTHATÅIS
PERFORMEDÅINÅSTEPÅÅOFÅ THEÅ DESIGNÅ PROCEDUREÅ FORÅ AÅ TIME INDEXEDÅ ,&&#Å SHOULDÅ ALSO
BEÅ CARRIEDÅ OUTÅ FORÅ THEÅ ,&&#Å &ROMÅ THEÅ PREVIOUSÅ DESIGNÅ PROCEDURE Å WEÅ KNOWÅ THAT
THEÅ" SPLINESÅNEEDÅTOÅBEÅATÅLEASTÅÅ;S=ÅWIDEÅ7ITHÅTHISÅINÅMIND ÅWEÅDESIGNÅAÅ"
SPLINEÅ DISTRIBUTIONÅ ONÅ THEÅ BASISÅ OFÅ PRIORÅ KNOWLEDGEÅ OFÅ THEÅ PLANTÅ DYNAMICSÅ ANDÅ THE
DISTURBANCES
Å,I--3 

 #OGGINGÅ"3.SÅ4HEÅPERIODÅOFÅTHEÅCOGGINGÅISÅKNOWNÅTOÅBEÅÅ;CM=Å)NÅORDERÅTO
BEÅABLEÅTOÅACCURATELYÅAPPROXIMATEÅTHEÅDESIREDÅFEED FORWARDÅSIGNAL ÅWHICHÅCAN
ROUGHLYÅBEÅDESCRIBEDÅBYÅ  SIN   R ÅWEÅCHOOSEÅTOÅDEFINEÅÅ" SPLINES

ONÅTHEÅINPUTÅDOMAIN Å;Å;M= ÅÅ;M==Å4HISÅMEANSÅTHATÅÅ" SPLINESÅARE

DEFINEDÅ ONÅ Å COGGINGÅ PERIODÅ 4HEÅ WIDTHÅ OFÅ THEÅ " SPLINESÅ ISÅ Å ;M=Å )N
FIGUREÅ Å AÅ PARTÅ OFÅ THEÅ " SPLINEÅ DISTRIBUTIONÅ ANDÅ THEÅ DESIREDÅ FEED FORWARD
SIGNALÅBASEDÅONÅTHEÅCOGGINGÅINÅTHEÅSIMULATIONÅMODEL ÅAREÅSHOWNÅ4HEÅWIDTH
OFÅ THEÅ " SPLINESÅ ISÅ SUFFICIENTLYÅ SMALLÅ TOÅ ACCURATELYÅ APPROXIMATEÅ THEÅ DESIRED
FEED FORWARDÅSIGNAL

UD Å;CM=

COGGING


R

R
Å;CM=

&IGUREÅ " SPLINEÅDISTRIBUTIONÅOFÅTHEÅFRICTIONÅ"3.

)NÅORDERÅTOÅGUARANTEEÅTHAT ÅSEENÅINÅTIME ÅTHEÅ" SPLINESÅAREÅATÅLEASTÅÅ;S=

WIDE Å THISÅ "3.Å MUSTÅ BEÅ TRAINEDÅ ATÅ AÅ REFERENCEÅ VELOCITYÅ THATÅ SATISFIESÅ THE
FOLLOWINGÅCONDITION

 ;M=
R T    ;MS  = 
 ;S=

 &RICTIONÅ"3.Å"ECAUSEÅTHEÅFRICTIONÅCHARACTERISTICÅISÅNON LINEAR ÅWEÅCHOOSEÅTO

DEFINEÅÅ" SPLINESÅONÅTHEÅINPUTÅDOMAIN ¡ < MS >  < MS >¯° Å.OTEÅTHATÅTHIS
¢ ±
" SPLINEÅDISTRIBUTIONÅISÅNOTÅDENSEÅENOUGHÅTOÅCOMPENSATEÅFORÅSTICTION
 $ESIGNÅÅ!PPLICATIONS

N



   

RÅ;MSÅÅ=

&IGUREÅ " SPLINEÅDISTRIBUTIONÅOFÅTHEÅFRICTIONÅ"3.

4HEÅ WIDTHÅ OFÅ THEÅ " SPLINESÅ ISÅ  < MS > Å 4HEREFORE Å THISÅ "3.Å MUSTÅ BE
TRAINEDÅATÅAÅREFERENCEÅACCELERATIONÅTHATÅSATISFIES

 ;MS  =
R T    ;MS  = 
 ;S=

 )NERTIAÅ"3.Å4HISÅ"3.ÅHASÅTOÅLEARNÅAÅSIMPLEÅLINEARÅFUNCTION ÅNAMELYÅ M,R 

4HISÅFEED FORWARDÅSIGNALÅCANÅBEÅGENERATEDÅUSINGÅONLYÅÅ" SPLINESÅDEFINEDÅON
 < MS >  < MS >¯° 
¢¡ ±

N



   
&IGUREÅ " SPLINEÅDISTRIBUTIONÅOFÅTHEÅINERTIAÅ"3.

3TEPÅÅ#HOOSEÅTHEÅLEARNINGÅRATE

)NÅTHEÅEXPERIMENTSÅTHEÅLEARNINGÅRATEÅISÅCHOSENÅRELATIVELYÅSMALL ÅIEÅ

3TEPÅÅ4RAINÅTHEÅ,&&#
"ECAUSEÅTHEÅ,&&#ÅCONSISTSÅOFÅMULTIPLEÅ"3.S ÅAÅSERIESÅOFÅTRAININGÅEXPERIMENTSÅNEEDS
TOÅBEÅCHOSENÅINÅWHICHÅEACHÅ"3.ÅISÅTRAINEDÅSEPARATELYÅ4HEÅREFERENCEÅMOTIONSÅMUST
BEÅ CHOSENÅ SUCHÅ THATÅ THEÅ DESIREDÅ FEED FORWARDÅ SIGNALÅ OFÅ ONEÅ OFÅ THEÅ UNTRAINEDÅ "3.S
ANDÅTHUSÅONEÅPHYSICALÅPHENOMENON ÅBECOMESÅDOMINANTÅ)NÅCASEÅOFÅTHEÅ,I--3 ÅTHE
FIRSTÅ"3.ÅTHATÅISÅTRAINEDÅISÅTHEÅCOGGINGÅ"3.Å"YÅCHOOSINGÅAÅREFERENCEÅMOTIONÅTHAT
HASÅ AÅ LOWÅ VELOCITYÅ ANDÅ AÅ LOWÅ ACCELERATION Å THEÅ EFFECTSÅ OFÅ VISCOUSÅ FRICTIONÅ ANDÅ THE
INERTIAÅCANÅBEÅMADEÅSMALLÅ&ORÅTHISÅREFERENCEÅMOTION ÅTHEÅDOMINANTÅPHYSICALÅEFFECTS
Å,I--3 

AREÅCOGGING Å#OULOMBÅFRICTIONÅANDÅSTICTIONÅ 3INCEÅ TWOÅ COGGINGÅ "3.SÅ EXIST Å ONEÅ FOR

POSITIVEÅANDÅONEÅFORÅNEGATIVEÅVELOCITIES ÅTHESEÅAREÅABLEÅTOÅLEARNÅTOÅCOMPENSATEÅ THE
#OULOMBÅFRICTIONÅASÅWELL


RÅ;M=   
RÅ;MSÅÅ=
 

 
     
TÅ;S= TÅ;S=

 
RÅ;MSÅÅ=



  
TÅ;S=

&IGUREÅ 4RAININGÅMOTIONÅFORÅTHEÅCOGGINGÅ"3.S

!FTERÅ APPLYINGÅ THEÅ ABOVEÅ TRAININGÅ EXPERIMENTS Å THEÅ FOLLOWINGÅ INPUT OUTPUT
MAPPINGSÅ OFÅ THEÅ SEPARATEÅ "3.SÅ RESULTSÅ FIGUREÅ  Å )TÅ CANÅ BEÅ CLEARLYÅ SEENÅ THAT
THESEÅCONTAINÅANÅSINE SHAPEDÅCOMPONENT ÅTOÅCOMPENSATEÅFORÅCOGGING ÅANDÅANÅOFFSET
TOÅ COMPENSATEÅ FORÅ #OULOMBÅ FRICTIONÅ &ROMÅ THEÅ FACTÅ THATÅ THEÅ SINE SHAPEDÅ PARTSÅ OF
THEÅ FEED FORWARDÅ SIGNALSÅ DIFFER Å WEÅ MAYÅ CONCLUDEÅ THATÅ THEÅ COGGINGÅ CHARACTERISTIC
INDEEDÅDEPENDSÅONÅTHEÅMOTIONÅDIRECTION

 
U& U&

 

 
         
RÅ;M= RÅ;M=
A B

&IGUREÅÅA Å)/ MAPPINGÅOFÅTHEÅCOGGINGÅ"3.ÅFORÅPOSITIVEÅVELOCITIES

B Å)/ MAPPINGÅOFÅTHEÅCOGGINGÅ"3.ÅFORÅNEGATIVEÅVELOCITIES

.EXT Å THEÅ ACCELERATIONÅ "3.Å ITÅ TRAINEDÅ 3INCEÅ COGGINGÅ ANDÅ #OULOMBÅ FRICTIONÅ ARE
COMPENSATEDÅ BYÅ THEÅ COGGINGÅ "3.S Å THEÅ REFERENCEÅ MOTIONÅ SHOULDÅ BEÅ CHOSENÅ SUCH
THATÅ THEÅ EFFECTSÅ OFÅ THEÅ VISCOUSÅ FRICTIONÅ AREÅ SMALLÅ 4HISÅ CANÅ BEÅ DONEÅ BYÅ SELECTINGÅ A
 $ESIGNÅÅ!PPLICATIONS

REFERENCEÅ MOTIONÅ WHICHÅ CONSISTÅ OFÅ AÅ RAPIDÅ SEQUENCEÅ OFÅ POSITIVEÅ ANDÅ NEGATIVE
ACCELERATIONSÅSEEÅFIGUREÅ 

 
  
RÅ;ÅÅM= RÅ;MSÅÅ=
 

 
     
TÅ;S= TÅ;S=

 
RÅ;MSÅÅ=



  
TÅ;S=

&IGUREÅ 4RAININGÅMOTIONÅFORÅTHEÅINERTIAÅ"3.

&IGUREÅ ÅTHEÅ)/ RELATIONÅOFÅTHEÅ"3.ÅTHATÅRESULTSÅISÅSHOWNÅ)TÅEQUALSÅTHEÅINPUT

OUTPUTÅRELATIONÅTHATÅWASÅTOÅBEÅEXPECTED ÅIEÅAÅLINEARÅFUNCTIONÅPASSINGÅTHROUGHÅTHE
ORIGIN


U&


    

RÅ;MSÅÅ=


&IGUREÅ )/ MAPPINGÅOFÅTHEÅINERTIAÅ"3.

&INALLY Å THEÅ FRICTIONÅ "3.Å ISÅ TRAINEDÅ 3INCEÅ ALLÅ OTHERÅ PHENOMENONSÅ HAVEÅ BEEN
COMPENSATEDÅ FORÅ ANYÅ TYPEÅ OFÅ REFERENCEÅ MOTIONÅ CANÅ BEÅ APPLIEDÅ )NÅ ORDERÅ TO
ACCURATELYÅCOMPENSATEÅFRICTION ÅWEÅCHOOSEÅTOÅTRAINÅTHEÅFRICTIONÅ"3.ÅINÅTWOÅSTAGES
4HEÅREFERENCEÅMOTIONÅINÅTHEÅFIRSTÅEXPERIMENTÅCONTAINSÅAÅWIDEÅRANGEÅOFÅVELOCITIES ÅSEE
FIGUREÅ
Å,I--3 

 
 
RÅ;M= RÅ;MSÅÅ=
 

 
     
TÅ;S= TÅ;S=

 
RÅ;MSÅÅ=



  
TÅ;S=

&IGUREÅ &IRSTÅTRAININGÅMOTIONÅFORÅTHEÅVELOCITYÅ"3.

)NÅTHEÅABOVEÅREFERENCEÅMOTION ÅTHEÅREFERENCEÅVELOCITYÅONLYÅHASÅAÅSMALLÅVELOCITYÅFORÅA
SHORTÅTIMEÅ4HEÅ,&&#ÅMAYÅNOTÅHAVEÅLEARNEDÅTOÅACCURATELYÅCOMPENSATEÅFRICTIONÅAT
LOWÅ VELOCITIESÅ 4HEREFORE Å AÅ SECONDÅ REFERENCEÅ MOTIONÅ ISÅ APPLIEDÅ INÅ WHICHÅ THE
REFERENCEÅVELOCITYÅISÅSMALL

 
 
RÅ;M= RÅ;MSÅÅ=
 

 
     
TÅ;S= TÅ;S=

 
RÅ;MSÅÅ=



  
TÅ;S=

&IGUREÅ 4RAININGÅOFÅTHEÅVELOCITYÅ"3.Å

7HENÅ LOOKINGÅ ATÅ THEÅ INPUT OUTPUTÅ MAPPINGÅ OFÅ THEÅ FRICTIONÅ "3.Å FIGUREÅ A Å IT
CANÅ BEÅ SEENÅ THATÅ ITÅ DIDÅ NOTÅ LEARNÅ TOÅ ACCURATELYÅ COMPENSATEÅ FRICTIONÅ ATÅ HIGH
VELOCITIESÅ )NÅ THEÅ INTERMEDIATEÅ VELOCITIESÅ THEÅ VISCOUSÅ FRICTIONÅ APPEARSÅ TOÅ BEÅ LINEAR
&IGUREÅBÅSHOWSÅTHEÅINPUT OUTPUTÅMAPPINGÅOFÅTHEÅINERTIAÅ"3.
 $ESIGNÅÅ!PPLICATIONS


U&


    

RÅ;MSÅÅ=


&IGUREÅ )/ MAPPINGÅOFÅTHEÅFRICTIONÅ"3.

 %VALUATIONÅ%XPERIMENTS
)NÅ THISÅ SECTION Å THEÅ PERFORMANCEÅ OFÅ THEÅ PARSIMONIOUSÅ ,&&#Å ISÅ EVALUATEDÅ 4HISÅ IS
DONEÅBYÅPRESENTINGÅÅREFERENCEÅMOTIONS ÅFORÅWHICHÅTHEÅPARSIMONIOUSÅ,&&#ÅHASÅNOT
BEENÅTRAINEDÅ7EÅWILLÅCOMPAREÅTHEÅTRACKINGÅPERFORMANCEÅ OFÅ AÅ PARSIMONIOUSÅ ,&&#
WITHÅTHEÅTRACKINGÅPERFORMANCEÅOFÅTHEÅFEEDBACKÅCONTROLLERÅANDÅAÅTIME INDEXEDÅ,&&#

%XPERIMENTÅÅ%VALUATIONÅMOTIONÅ)
4HEÅFIRSTÅEVALUATIONÅMOTIONÅISÅAÅLOW VELOCITYÅMOTIONÅFIGUREÅ 


RÅ;M=   
RÅ;MSÅÅ=
 

 
     
TÅ;S= TÅ;S=

 
RÅ;MSÅÅ=



  
TÅ;S=

&IGUREÅ %VALUATIONÅMOTIONÅ)ÅSLOW

4HISÅEVALUATIONÅMOTIONÅHASÅBEENÅPERFORMEDÅBYÅAÅTIME INDEXEDÅ,&&#ÅINÅWHICHÅTHE
WIDTHÅ OFÅ " SPLINESÅ EQUALSÅ Å ;S=Å )NÅ FIGUREÅ Å THEÅ TRACKINGÅ PERFORMANCEÅ OFÅ THE
CONTROLLERSÅISÅPRESENTEDÅNOTEÅTHEÅDIFFERENTÅSCALES 
Å,I--3 

   
EÅ;ÅÅÅM= EÅ;ÅÅÅM=
 

 
     
TÅ;S= TÅ;S=
A B

 
EÅ;ÅÅÅM=



  
TÅ;S=
C

&IGUREÅÅA Å4RACKINGÅERRORÅOFÅTHEÅFEEDBACKÅONLY
B Å4RACKINGÅERRORÅOFÅTHEÅPARSIMONIOUSÅ,&&#
C Å4RACKINGÅERRORÅOFÅTHEÅTIME INDEXEDÅ,&&#ÅD;S=

4HEÅ PARSIMONIOUSÅ ,&&#Å OBTAINSÅ AÅ TRACKINGÅ ERRORÅ THATÅ ISÅ AÅ FACTORÅ Å SMALLERÅ THAN
THEÅ TRACKINGÅ ERRORÅ OFÅ THEÅ FEEDBACKÅ CONTROLLERÅ &IGUREÅ BÅ SHOWSÅ ANÅ OFFSETÅ INÅ THE
TRACKINGÅERRORÅTHATÅHASÅTHEÅSAMEÅSHAPEÅASÅTHEÅREFERENCEÅVELOCITYÅ4HISÅISÅPROBABLY
CAUSEDÅ BYÅ FRICTIONÅ !PPARENTLY Å THEÅ FRICTIONÅ "3.Å ISÅ UNABLEÅ TOÅ COMPLETELY
COMPENSATEÅ FORÅ FRICTIONÅ &URTHERMORE Å AÅ SINEÅ SHAPEDÅ COMPONENTÅ APPEARSÅ INÅ THE
TRACKINGÅ ERRORÅ )TÅ MAYÅ BEÅ EITHERÅ SOÅ THATÅ THEÅ COGGINGÅ "3.Å HASÅ NOTÅ BEENÅ TRAINED
PROPERLYÅ ORÅ THATÅ ANOTHERÅ PHENOMENONÅ ISÅ PRESENT Å PROBABLYÅ ERRORSÅ INÅ THE
COMMUTATION ÅTHATÅCAUSESÅAÅSIMILARÅTRACKINGÅERROR

4HEÅ TIME INDEXEDÅ ,&&#Å SHOWSÅ AÅ MUCHÅ SMALLERÅ TRACKINGÅ ERRORÅ THANÅ THE
PARSIMONIOUSÅ,&&#Å"ECAUSEÅTHEÅFEED FORWARDÅSIGNALÅOFÅTHEÅTIME INDEXEDÅ,&&#ÅHAS
CONVERGED Å WEÅ ASSUMEÅ THATÅ THEÅ PHENOMENONSÅ THATÅ AREÅ COMPENSATEDÅ FORÅ ARE
REPRODUCIBLEÅ 7EÅ CONCLUDEÅ THATÅ EITHERÅ THEÅ "3.SÅ OFÅ THEÅ PARSIMONIOUSÅ ,&&#Å HAVE
NOTÅ BEENÅ TRAINEDÅ ACCURATELYÅ ENOUGHÅ ORÅ THATÅ AÅ PHENOMENONÅ EXISTSÅ THATÅ CANNOTÅ BE
COMPENSATEDÅ BYÅ THISÅ SETÅ OFÅ "3.SÅ "ECAUSEÅ THEÅ TRACKINGÅ ERRORÅ THATÅ REMAINEDÅ AFTER
TRAININGÅTHEÅCOGGINGÅ"3.ÅAÅFIGUREÅOFÅTHISÅISÅNOTÅPRESENTEDÅINÅTHISÅTHESIS ÅWASÅMUCH
SMALLERÅTHANÅTHEÅAMPLITUDEÅOFÅTHEÅSINE SHAPEDÅPARTÅOFÅTHEÅTRACKINGÅERROR ÅTHEÅLATTER
CONCLUSIONÅISÅMOSTÅLIKELY

%XPERIMENTÅÅ%VALUATIONÅMOTIONÅ))
4HEÅREFERENCEÅPOSITION ÅVELOCITYÅANDÅACCELERATIONÅOFÅTHEÅSECONDÅREFERENCEÅMOTIONÅARE
GIVENÅINÅFIGUREÅ
 $ESIGNÅÅ!PPLICATIONS

 
RÅ;M=  
RÅ;MSÅÅ=
 

 
     
TÅ;S= TÅ;S=

 
RÅ;MSÅÅ=



  
TÅ;S=

&IGUREÅ %VALUATIONÅMOTIONÅ))ÅINTERMEDIATE

4HEÅRESULTINGÅTRACKINGÅERRORSÅAREÅSHOWNÅBELOW

   
EÅ;ÅÅÅM= EÅ;ÅÅÅM=
 

 
     
TÅ;S= TÅ;S=
A B

 
EÅ;ÅÅÅM=



  
TÅ;S=
C

&IGUREÅÅA Å4RACKINGÅERRORÅOFÅTHEÅFEEDBACKÅONLY
B Å4RACKINGÅERRORÅOFÅTHEÅPARSIMONIOUSÅ,&&#
C Å4RACKINGÅERRORÅOFÅTHEÅTIME INDEXEDÅ,&&#ÅD;S=

!GAIN ÅTHEÅTRACKINGÅERRORÅOFÅTHEÅPARSIMONIOUSÅ,&&#ÅISÅAÅFACTORÅÅSMALLERÅTHANÅTHE
TRACKINGÅERRORÅOFÅTHEÅFEEDBACKÅCONTROLLERÅ4HEÅCONCLUSIONÅTHATÅAÅPHENOMENONÅOTHER
THANÅ COGGINGÅ CAUSESÅ THEÅ RIPPLEÅ INÅ THEÅ TRACKINGÅ ERRORÅ ISÅ CONFIRMEDÅ BYÅ FIGUREÅ B
4HEÅ AVERAGEÅ AMPLITUDEÅ OFÅ THEÅ RIPPLEÅ INÅ THEÅ TRACKINGÅ ERRORÅ HASÅ INCREASED Å IEÅ THE
Å,I--3 

DISTURBANCEÅDEPENDSÅONÅTHEÅVELOCITYÅOFÅTHEÅ,I--3Å4HEÅSMALLESTÅTRACKINGÅERRORÅWAS
OBTAINEDÅBYÅTHEÅTIME INDEXEDÅ,&&#

%XPERIMENTÅÅ%VALUATIONÅMOTIONÅ)))
4HEÅLASTÅEVALUATIONÅMOTIONÅISÅPRESENTEDÅINÅFIGUREÅ

 
RÅ;M=  
RÅ;MSÅÅ=
 

 
     
TÅ;S= TÅ;S=

 
RÅ;MSÅÅ=



  
TÅ;S=

&IGUREÅ %VALUATIONÅMOTIONÅ)))ÅFAST

&IGUREÅÅPRESENTSÅTHEÅRESULTINGÅTRACKINGÅERRORS

   
EÅ;ÅÅÅM= EÅ;ÅÅÅM=
 

 
     
TÅ;S= TÅ;S=
A B

 
EÅ;ÅÅÅM=



  
TÅ;S=
C

&IGUREÅÅA Å4RACKINGÅERRORÅOFÅTHEÅFEEDBACKÅONLY
B Å4RACKINGÅERRORÅOFÅTHEÅPARSIMONIOUSÅ,&&#
C Å4RACKINGÅERRORÅOFÅTHEÅTIME INDEXEDÅ,&&#ÅD;S=
 $ESIGNÅÅ!PPLICATIONS

&IGUREÅBÅSHOWSÅAÅRELATIVELYÅLARGEÅTRACKINGÅERRORÅATÅTHEÅPOINTSÅINÅTIMEÅWHEREÅTHE
REFERENCEÅVELOCITYÅEQUALSÅÅ7EÅCONCLUDEÅTHATÅTHEÅPARSIMONIOUSÅ,&&#ÅISÅUNABLEÅTO
COMPENSATEÅ FORÅ STICTION Å WHICHÅ ISÅ TOÅ BEÅ EXPECTEDÅ ONÅ THEÅ BASISÅ OFÅ THEÅ INPUT OUTPUT
RELATIONÅ OFÅ THEÅ VELOCITYÅ "3.Å  Å !SÅ BEFORE Å THEÅ TRACKINGÅ OFÅ THEÅ TIME INDEXED
,&&#ÅISÅTHEÅSMALLEST

 $ISCUSSION
%XPERIMENTSÅ USINGÅ AÅ TIME INDEXEDÅ ,&&#Å WEREÅ PERFORMEDÅ TOÅ VALIDATEÅ THEÅ STABILITY
CONDITIONSÅ DERIVEDÅ INÅ CHAPTERÅ Å 4HEÅ RESULTSÅ OFÅ THEÅ EXPERIMENTSÅ AREÅ SIMILARÅ TOÅ THE
RESULTSÅ OFÅ SIMULATIONS Å IEÅ THEÅ VALUEÅ OFÅ THEÅ DMINÅ ISÅ ACCURATEÅ WHILEÅ THEÅ MAXIMUM
LEARNINGÅRATEÅHASÅAÅRATHERÅCONSERVATIVEÅVALUEÅ)NÅSPITEÅOFÅTHEÅCONSERVATIVEÅVALUEÅOF
THEÅ MAXIMUMÅ LEARNINGÅ RATE Å LEARNINGÅ CONVERGEDÅ INÅ AÅ LIMITEDÅ NUMBERÅ OFÅ RUNS
TYPICALLYÅÅTOÅ 

!Å PARSIMONIOUSÅ ,&&#Å HASÅ BEENÅ DESIGNEDÅ FORÅ THEÅ ,I--3Å 4OÅ TRAINÅ THE
PARSIMONIOUSÅ ,&&#Å AÅ NUMBERÅ OFÅ TRAININGÅ EXPERIMENTSÅ WEREÅ SELECTEDÅ %XPERIMENTS
THATÅ AREÅ NOTÅ DISCUSSEDÅ INÅ THISÅ THESISÅ SHOWÅ THATÅ THISÅ NEEDSÅ TOÅ BEÅ DONEÅ CAREFULLY
3ELECTINGÅANÅUNFITÅTRAININGÅMOTIONÅCAUSESÅTHEÅ"3.ÅTOÅAPPROXIMATEÅTHEÅWRONGÅFEED
FORWARDÅ SIGNALÅ !LLÅ "3.SÅ THATÅ AREÅ TRAINEDÅ SUBSEQUENTLYÅ ALSOÅ APPROXIMATEÅ AN
ERRONEOUSÅFEED FORWARDÅSIGNALÅ!FTERÅTRAINING ÅTHEÅINPUT OUTPUTÅRELATIONÅOFÅTHEÅ"3.
SHOULDÅ BEÅ INSPECTEDÅ TOÅ ENSUREÅ THATÅ ITÅ HASÅ NOTÅ APPROXIMATEDÅ PARTSÅ OF Å AÅ DESIRED
FEED FORWARDÅ SIGNALÅ OFÅ ANOTHERÅ "3.Å INÅ THEÅ PARSIMONIOUSÅ ,&&#Å 4HEÅ TRAINING
MOTIONSÅ PROPOSEDÅ INÅ THISÅ CHAPTERÅ YIELDEDÅ AÅ PARSIMONIOUSÅ ,&&#Å THATÅ WASÅ ABLEÅ TO
OBTAINÅ AÅ Å TIMESÅ SMALLERÅ TRACKINGÅ ERRORÅ THANÅ THEÅ FEEDBACKÅ CONTROLLERÅ 4HEÅ TIME
INDEXEDÅ,&&#ÅSHOWEDÅANÅEVENÅSMALLERÅTRACKINGÅERRORÅTHANÅTHEÅPARSIMONIOUSÅ,&&#
4HISÅ ISÅ PROBABLYÅ CAUSEDÅ BYÅ AÅ PHENOMENONÅ OTHERÅ THANÅ THEÅ ONESÅ CONSIDEREDÅ INÅ THE
SELECTIONÅOFÅTHEÅ"3.ÅSTRUCTURE

 #ONTROLÅ,OADINGÅ3YSTEM

 )NTRODUCTION
)NÅTHISÅSECTION ÅWEÅWILLÅAPPLYÅ,&&#ÅTOÅAÅPARTÅOFÅAÅFLIGHTÅSIMULATORÅSET UPÅ!ÅFLIGHT
SIMULATORÅ ISÅ AÅ COST EFFECTIVEÅ ANDÅ SAFEÅ WAYÅ TOÅ TRAINÅ AÅ PILOTÅ INÅ HANDLINGÅ ANÅ AIRCRAFT
4HEÅSIMULATORÅENABLESÅTHEÅPILOTÅTOÅ EXPERIENCEÅ ALLÅ SORTSÅ OFÅ FLIGHTÅ SITUATIONSÅ WITHOUT
RUNNINGÅINTOÅTHEÅRISKSÅINVOLVEDÅWHENÅUSINGÅAÅREALÅAIRCRAFTÅ!NÅIMPORTANTÅPARTÅOFÅA
FLIGHTÅ SIMULATORÅ ISÅ THEÅ SO CALLEDÅ #ONTROLÅ ,OADINGÅ 3YSTEMÅ #,3 Å 4HISÅ SYSTEM
COMPRISESÅ THEÅ COMMANDÅ STICKÅ OFÅ THEÅ SIMULATORÅ ANDÅ THEÅ HARD Å ANDÅ SOFTWARE
Å#ONTROLÅ,OADINGÅ3YSTEM 

CONNECTEDÅTOÅTHISÅSTICKÅTHATÅEMULATEÅTHEÅBEHAVIOURÅOFÅANÅAIRCRAFTÅASÅEXPERIENCEDÅBY
THEÅPILOTÅTHROUGHÅTHEÅSTICKÅ(ERE ÅWEÅCONSIDERÅAÅSPECIFICÅREALISATIONÅOFÅSUCHÅAÅCONTROL
LOADINGÅSYSTEMÅ4HEÅPLANTÅPARTÅOFÅTHEÅSET UPÅISÅPRESENTEDÅINÅFIGUREÅ

3TICK

RS
4ACHOMETER
&RAME %NCODER
&IXEDÅ7ORLD
0OTENTIOMETER *OINT

-OTOR
&ORCE
3ENSOR
RM
P
"ALL SCREW SPINDLE

&IGUREÅ 0LANTÅPARTÅOFÅTHEÅSET UP

)TÅCONSISTSÅOFÅTHEÅFOLLOWINGÅCOMPONENTS

 4HEÅ STICKÅ 4HEÅ STICKÅ HASÅ ONEÅ ROTATIONALÅ DEGREEÅ OFÅ FREEDOMÅ )TSÅ ANGULAR
POSITION Å RS ;RAD= ÅISÅMEASUREDÅBYÅAÅPOTENTIOMETER

 !Å SPINDLEÅ ANDÅ AÅ BALL SCREWÅ 4OGETHERÅ THESEÅ FORMÅ THEÅ TRANSMISSIONÅ BETWEEN
MOTORÅ ANDÅ STICKÅ 4HEÅ TRANSMISSIONÅ BETWEENÅ THEÅ MOTORÅ ANDÅ THEÅ STICKÅ IS
CONSIDEREDÅ STIFFÅ 4HISÅ MEANSÅ THATÅ THEÅ ANGULARÅ VELOCITYÅ OFÅ THEÅ STICK
RS ;RAD S  = Å DEPENDSÅ ONÅ THEÅ ANGULARÅ VELOCITYÅ OFÅ THEÅ MOTOR Å RM ;RAD S  = Å INÅ A
LINEARÅWAY

RS  N RM ;RAD S  = Å 

)NÅTHISÅSET UP ÅTHEÅTRANSMISSIONÅCOEFFICIENTÅN

 !NÅELECTRICÅMOTORÅ!ÅTACHOMETERÅANDÅANÅENCODERÅAREÅMOUNTEDÅONÅTHEÅMOTOR
TOÅ MEASUREÅ RESPECTIVELYÅ THEÅ ANGULARÅ VELOCITYÅ ANDÅ THEÅ ANGULARÅ POSITION
RM ‰ ; RAD Q RAD= 

 !NÅELECTRICÅPOWERÅAMPLIFIERÅNOTÅSHOWNÅINÅFIGUREÅ 
 $ESIGNÅÅ!PPLICATIONS

 !ÅFORCEÅSENSORÅ4HEÅFORCEÅSENSORÅMEASURESÅTHEÅFORCE Å &EXTÅ;.= ÅAPPLIEDÅONÅTHE

STICKÅBYÅTHEÅPILOT

"YÅ CONTROLLINGÅ THEÅ PLANTÅ APPROPRIATELY Å THEÅ iMECHANICALÅ IMPEDANCEjÅ THEÅ PILOT
EXPERIENCESÅATÅTHEÅSTICKÅCANÅBEÅCONTROLLEDÅ4HISÅISÅDONEÅASÅSHOWNÅINÅFIGUREÅ Å4HE
MOTORÅ ISÅ CONTAINEDÅ INÅ AÅ VELOCITYÅ LOOPÅ WITHÅ AÅ 0) CONTROLLERÅ THATÅ ISÅ INCORPORATEDÅ IN
THEÅ OFF THE SHELFÅ AMPLIFIERÅ 4HISÅ LOOPÅ ISÅ CALLEDÅ THEÅ INNERÅ LOOPÅ 4HEÅ COMMANDED
MOTORÅANGULARÅVELOCITY Å R ;RAD S  = ÅFORÅTHEÅINNERÅLOOPÅISÅCALCULATEDÅBYÅAÅMODELÅOF
MD

THEÅ AIRCRAFTÅ CONTROLSÅ )NPUTSÅ TOÅ THISÅ MODELÅ AREÅ THEÅ FORCE Å &EXTÅ ;.= Å ANDÅ THEÅ ANGULAR
POSITIONÅOFÅTHEÅSIMULATORÅSTICK Å RSÅ;RAD=Å4HISÅFORMSÅAÅSECONDARYÅ-)3/ÅLOOP ÅCALLED
THEÅOUTERÅLOOP

OUTERÅLOOP
&EXT
 INNERÅLOOP
AIRCRAFT RMD +
CONTROLS  # 0
MODEL RM
RS

&IGUREÅ #ONTROLÅ,OADINGÅ3YSTEMÅSET UP

4OÅMAKEÅTHEÅSIMULATIONÅASÅREALISTICÅASÅPOSSIBLE ÅTHEÅIMPEDANCEÅTHATÅONEÅFEELSÅWHEN
MANIPULATINGÅ THEÅ STICK Å SHOULDÅ BEÅ DETERMINEDÅ COMPLETELYÅ BYÅ THEÅ MODELÅ OFÅ THE
AIRCRAFTÅ CONTROLSÅ 4OÅ ACHIEVEÅ THIS Å THEÅ CONTROLLER Å # Å INÅ THEÅ INNERÅ LOOPÅ HASÅ TO
COMPENSATEÅFORÅALLÅDYNAMICÅPROPERTIESÅOFÅTHEÅPLANT Å 0ÅONLYÅSOMEÅSMALL ÅROTATIONAL
INERTIAÅISÅ ACCEPTABLE Å ASÅ ANYÅ AIRCRAFTÅ STICKÅ WILLÅ FEATUREÅ THISÅ PHENOMENONÅ (OWEVER
INÅ THEÅ SET UPÅ USEDÅ INÅ THISÅ RESEARCH Å THEÅ INNERÅ LOOPÅ ISÅ UNABLEÅ TOÅ FULLYÅ REALISEÅ THIS
7HENÅTHEÅUSERÅMOVESÅTHEÅSTICK ÅSMALLÅIRREGULARITIESÅCANÅBEÅFELTÅ)NÅTHEÅFOLLOWING ÅWE
WILLÅDISCUSSÅPOSSIBLEÅ CAUSESÅ OFÅ THESEÅ IRREGULARITIESÅ ANDÅ EXAMINEÅ WHETHERÅ ,&&#Å CAN
OVERCOMEÅTHISÅPROBLEM

 -OTIVATIONÅFORÅ,&&#
4HEÅMOSTÅIMPORTANTÅDYNAMICÅPROPERTIESÅOFÅTHEÅPLANTÅTHATÅTHEÅINNERÅLOOPÅHASÅTOÅDEAL
WITHÅARE

 #OGGINGÅ FORCEÅ 4HEÅ COGGINGÅ FORCEÅ ISÅ THEÅ MAGNETICÅ FORCEÅ BETWEENÅ THE
PERMANENTÅMAGNETSÅANDÅTHEÅIRONÅINÅTHEÅMOTORÅ4HEÅMAGNITUDEÅOFÅTHEÅCOGGING
Å#ONTROLÅ,OADINGÅ3YSTEM 

FORCEÅ DEPENDSÅ ONÅ THEÅ ANGULARÅ POSITIONÅ OFÅ THEÅ MOTORÅ )TÅ ISÅ KNOWNÅ THATÅ THERE
AREÅÅPOLESÅINÅTHEÅMOTORÅANDÅTHEREFOREÅWEÅEXPECTÅÅCOGGINGÅPERIODSÅPERÅ Q
;RAD=ÅMOTORÅROTATION
 &RICTIONÅ INÅ THEÅ MOTORÅ ANDÅ THEÅ BALL SCREWÅ )TÅ ISÅ ASSUMEDÅ THATÅ THEÅ FRICTION
CHARACTERISTICÅCANÅBEÅAPPROXIMATEDÅBYÅAÅ3TRIBECKÅCURVEÅ;!RMSTRONG (ELOUVRY
ETÅ AL Å =Å 4HEÅ #OULOMBÅ FRICTIONÅ ANDÅ THEÅ STICTIONÅ CAUSEÅ THEÅ SO CALLED
REVERSALÅBUMPÅ4HEÅREVERSALÅBUMPÅISÅTHEÅTRACKINGÅERRORÅTHATÅOCCURSÅWHENÅTHE
MOTIONÅDIRECTIONÅCHANGESÅTHEÅFEEDBACKÅCONTROLLERÅISÅUNABLEÅTOÅCOMPENSATEÅFOR
THEÅABRUPTLYÅCHANGEÅINÅTHEÅ#OULOMBÅFRICTIONÅFORCEÅANDÅTHEÅSTICTIONÅ7HENÅTHE
REVERSALÅ BUMPÅ ISÅ SIGNIFICANT Å THEÅ PILOTÅ LOOSESÅ THEÅ ILLUSIONÅ OFÅ HANDLINGÅ AÅ REAL
SYSTEM
 )NERTIAÅ OFÅ THEÅ MOTOR Å THEÅ TRANSMISSIONÅ ANDÅ THEÅ STICKÅ "ECAUSEÅ OFÅ THEÅ SMALL
TRANSMISSIONÅCOEFFICIENTÅN ÅTHISÅPHENOMENONÅISÅSMALLÅCOMPAREDÅTOÅTHE
FRICTIONÅFORCE
 -EASUREMENTÅNOISE

/FÅ THESEÅ PHENOMENONSÅ ONLYÅ MEASUREMENTÅ NOISEÅ ISÅ STOCHASTICÅ INÅ NATUREÅ ALLÅ OTHERS
AREÅ REPRODUCIBLEÅ ANDÅ STATIC Å THEIRÅ MOMENTARYÅ VALUEÅ ISÅ RELATEDÅ TOÅ THEÅ MOMENTARY
STATEÅ OFÅ THEÅ PLANTÅ 4HEREFORE Å WEÅ PROPOSEÅ TOÅ COMPENSATEÅ THEÅ DISTURBANCESÅ BYÅ AN
,&&#Å;6ELTHUISÅETÅAL ÅÅ6RIELINK ÅÅ"OUWHUIS Å=Å)NÅTHEÅFOLLOWING ÅTHE
SEPARATEÅ DESIGNÅ STEPSÅ WILLÅ BEÅ PRESENTEDÅ "ECAUSEÅ INÅ NORMALÅ OPERATIONÅ THEÅ CONTROL
LOADINGÅ SYSTEMÅ DOESÅ NOTÅ PERFORMÅ REPETITIVEÅ MOTIONS Å ONLYÅ THEÅ DESIGNÅ OFÅ A
PARSIMONIOUSÅ,&&#ÅISÅCONSIDERED

 $ESIGNÅ0ROCEDUREÅFORÅAÅ0ARSIMONIOUSÅ,&&#
3TEPÅÅ$ESIGNÅTHEÅFEEDBACKÅCONTROLLER
!SÅAÅFEEDBACKÅCONTROLLERÅWEÅUSEÅTHEÅSTANDARDÅ0)ÅCONTROLLERÅTHATÅWASÅPRESENTÅINÅTHE
SET UPÅ 

  ­¬
# S   žž ­Å 
Ÿ S ­®

3TEPÅÅ#HOOSEÅTHEÅINPUTSÅOFÅTHEÅFEED FORWARDÅPART
)NÅORDERÅTOÅSELECTÅTHEÅINPUTSÅOFÅTHEÅFEED FORWARDÅPART ÅWEÅWILLÅEXPRESSÅTHEÅDYNAMICS
INÅ THEÅ FORMÅ THATÅ WASÅ PROPOSEDÅ INÅ CHAPTERÅ Å 4HISÅ RESULTSÅ INÅ THEÅ FOLLOWINGÅ STATE
SPACEÅDESCRIPTION
 $ESIGNÅÅ!PPLICATIONS

 ¯   ¯ R ¯  ¯ ¯
¡ °
¡RM ° ¡¡ °¡ M° ¡ ° ¡ °
¡  °  ¡ D °° ¡  ° ¡ &C RM  &F RM ° ¡°U
¡R °  ¡RM ° ¡ ° ¡ °
¢¡ M ±° ¡¢ * °± ¢ ± ¡¢ * °± ¡¢ * °±
Å 
RM ¯
RM  ¡  ¯° ¡¡ °°
¢ ± ¡RM °
¢ ±

7ITH

* ÅTHEÅINERTIAÅOFÅTHEÅMOTOR ÅTHEÅTRANSMISSIONÅANDÅTHEÅSTICK
D THEÅVISCOUSÅFRICTIONÅINÅTHEÅTRANSMISSION
&C RM  THEÅCOGGINGÅFORCE
&F RM  THEÅ#OULOMBÅFRICTIONÅANDÅTHEÅSTICTION

.EXT ÅWEÅCHECKÅWHETHERÅTHEÅCONTROLÅLOADINGÅSYSTEMÅCANÅBEÅCONTROLLEDÅBYÅMEANSÅOF
,&&#

 #Å MAYÅ CONTAINÅ ONLYÅ ONEÅ ELEMENT Å # J Å THATÅ ISÅ UNEQUALÅ TOÅ ZEROÅ )NÅ 

#  ¡ ¯° ÅWHICHÅMEANSÅTHATÅTHISÅCONDITIONÅISÅSATISFIED
¢ ±

 # J Å MUSTÅ BEÅ INVERTIBLEÅ 3INCEÅ #    Å ITÅ ISÅ INVERTIBLEÅ 4HISÅ CONDITIONÅ ISÅ ALSO
SATISFIED


 "N ÅMUSTÅBEÅINVERTIBLEÅ)NÅÅ "  ÅWHICHÅISÅINVERTIBLEÅIFÅ *   Å3INCEÅ*
*
THEÅLASTÅCONDITIONÅISÅALSOÅSATISFIED

7EÅ CANÅ CONCLUDEÅ THATÅ THEÅ CONTROLÅ LOADINGÅ SYSTEMÅ CANÅ BEÅ CONTROLLEDÅ BYÅ MEANSÅ OF
,&&#Å4HEÅDESIREDÅFEED FORWARDÅSIGNALÅISÅGIVENÅBY

UD  D RM D &C RM D &F RM D * RM D

Å 
x D RM D &C RM D &F RM D

7ITH

RM D  THEÅREFERENCEÅMOTORÅANGULARÅPOSITION

RM D  THEÅREFERENCEÅMOTORÅANGULARÅVELOCITY
Å#ONTROLÅ,OADINGÅ3YSTEM 

RM D  THEÅREFERENCEÅMOTORÅANGULARÅACCELERATION

$UEÅTOÅTHEÅSMALLÅTRANSMISSIONÅCOEFFICIENT ÅTHEÅTERMÅ * RM D ÅISÅMUCHÅSMALLERÅTHANÅTHE

RESTÅOFÅTHEÅTERMSÅANDÅCANÅBEÅDISREGARDEDÅ4HISÅMEANSÅTHAT ÅINÅORDERÅTOÅBEÅABLEÅTO
GENERATEÅTHEÅDESIREDÅFEED FORWARDÅSIGNALÅ Å R ÅANDÅ R ÅSHOULDÅBEÅSELECTEDÅAS
MD MD

INPUTSÅOFÅTHEÅFEED FORWARDÅPART

3TEPÅÅ#HOOSEÅTHEÅSTRUCTUREÅOFÅTHEÅFEED FORWARDÅPART

"ECAUSEÅNONEÅOFÅTHEÅTERMSÅINÅ  ÅDEPENDSÅONÅ RM D ÅASÅWELLÅASÅ RM D ÅFRICTIONÅAND

COGGINGÅCANÅBEÅCOMPENSATEDÅBYÅSEPARATEÅ"3.SÅ4HEÅ,&&#ÅTHATÅRESULTSÅISÅDEPICTED
INÅFIGUREÅ

RM D
"3.Å

"3.Å
U& 

RM D E U# RM
# 0

&IGUREÅ ,&&#ÅSTRUCTUREÅFORÅTHEÅ#,3

%XPERIMENTSÅSHOWEDÅTHATÅTHEÅ,&&#ÅWASÅABLEÅTOÅCOMPENSATEÅTHEÅUNKNOWNÅFRICTION
BUTÅNOTÅTHEÅCOGGINGÅFORCEÅ4HEÅFACTÅTHATÅ"3.ÅÅCOULDÅNOTÅBEÅTRAINEDÅPROPERLYÅCAN
BEÅ UNDERSTOODÅ ASÅ FOLLOWSÅ )NÅ THEÅ CONTROLÅ LOADINGÅ SYSTEM Å THEÅ REFERENCEÅ ANGULAR
VELOCITYÅOFÅTHEÅSIMULATORÅSTICKÅISÅTRACKEDÅACCURATELYÅATÅTHEÅEXPENSEÅOFÅERRORSÅINÅTHE
ANGULARÅPOSITIONÅ4HISÅWASÅCHOSENÅBECAUSEÅTHEÅPILOTÅDOESÅNOTÅINTERPRETÅSMALLÅERRORS
INÅTHEÅANGULARÅPOSITIONÅOFÅTHEÅSIMULATORÅSTICKÅASÅUNREALISTICÅ(OWEVER ÅERRORSÅINÅTHE
ANGULARÅVELOCITYÅOFÅTHEÅSTICKÅAREÅINTERPRETEDÅASÅUNREALISTICÅ)NÅORDERÅTOÅPREVENTÅTOO
LARGEÅERRORSÅINÅTHEÅANGULARÅPOSITIONÅOFÅTHEÅMOTORÅANDÅTHUSÅOFÅTHEÅSTICK ÅTHESEÅARE
COMPENSATEDÅBYÅTHEÅOUTERÅLOOPÅFIGUREÅ Å4HEÅAIRCRAFTÅCONTROLSÅMODELÅCONSISTSÅOF
AÅMODELÅOFÅTHEÅPLANTÅTHATÅISÅTOÅBEÅSIMULATEDÅANDÅAÅCORRECTIONÅTERMÅFORÅERRORSÅINÅTHE
ANGULARÅPOSITIONÅOFÅTHEÅMOTORÅ"ECAUSEÅAÅCORRECTÅANGULARÅVELOCITYÅOFÅTHEÅSTICKÅISÅTHE
MOSTÅIMPORTANT Å+ÅISÅCHOSENÅSMALL
 $ESIGNÅÅ!PPLICATIONS

AIRCRAFTÅCONTROLSÅMODEL

&EXT SIMULATION + RM D
MODEL
+
RS D +
+ RS


&IGUREÅ !IRCRAFTÅCONTROLSÅMODEL

-OTORÅANGULARÅPOSITIONÅERRORSÅOFÅAPPROXIMATELYÅÅ;RAD=ÅOCCURÅFREQUENTLY ÅWHILEÅIN
OURÅSET UPÅTHEÅPERIODÅOFÅTHEÅCOGGINGÅFORCEÅISÅÅ;RAD=Å3OÅTHEÅERRORÅINÅTHEÅANGULAR
POSITIONÅOFÅTHEÅMOTORÅISÅOFÅTHEÅSAMEÅORDERÅOFÅMAGNITUDEÅASÅTHEÅPERIODÅOFÅTHEÅCOGGING
FORCEÅ .OTEÅ THATÅ "3.Å  Å WHICHÅ COMPENSATESÅ FORÅ FRICTIONÅ FORCES Å CANNOTÅ PREVENT
POSITIONALÅERRORSÅ&IRSTLY ÅITÅISÅUNABLEÅTOÅEXACTLYÅCOMPENSATEÅTHEÅFRICTIONÅFORCE ÅSUCH
THATÅSMALLÅERRORSÅINÅTHEÅANGULARÅVELOCITYÅANDÅTHUSÅINÅTHEÅANGULARÅPOSITION ÅREMAIN
&URTHERMORE ÅRANDOMÅDISTURBANCESÅCAUSEÅERRORSÅINÅTHEÅANGULARÅVELOCITYÅ"ECAUSEÅ +
ISÅ CHOSENÅ SMALL Å ANDÅ CONSEQUENTLYÅ ERRORSÅ INÅ THEÅ ANGULARÅ POSITIONÅ OFÅ THEÅ MOTORÅ ARE
HARDLYÅCOMPENSATED ÅTHEÅERRORSÅINÅTHEÅANGULARÅVELOCITYÅMAYÅRESULTÅINÅAÅLARGEÅERROR
INÅTHEÅANGULARÅPOSITIONÅOFÅTHEÅMOTOR

7HENÅ THISÅ ISÅ THEÅ CASE Å COMPENSATINGÅ THEÅ COGGINGÅ FORCEÅ USINGÅ AÅ FEED FORWARD
CONTROLLERÅISÅNOTÅPOSSIBLEÅ4HISÅISÅILLUSTRATEDÅINÅFIGUREÅ  ÅWHEREÅTHEÅMAGNITUDEÅOF
THEÅCOGGINGÅFORCEÅISÅSHOWNÅASÅAÅFUNCTIONÅOFÅTHEÅPOSITIONÅOFÅTHEÅSTICK

MD T
R




Å;RAD=
&Å;.=
C

&C R
M
T
R M ;RAD=

R

M T
Å;RAD=

&IGUREÅ #OGGINGÅFORCEÅASÅAÅFUNCTIONÅOFÅTHEÅMOTORÅANGLE

!TÅAÅCERTAINÅPOINTÅINÅTIME Å T ÅTHEÅREFERENCEÅANGLEÅISÅ RM D T Å4HEÅEXPECTEDÅCOGGING

FORCEÅ ATÅ RM D T Å ISÅ &C RM D T Å (OWEVER Å DUEÅ TOÅ FACTÅ THATÅ THEÅ REFERENCEÅ ANGULAR
VELOCITYÅISÅTRACKEDÅINSTEADÅOFÅTHEÅREFERENCEÅANGULARÅPOSITION ÅTHEÅACTUALÅVALUEÅOFÅTHE
MOTORÅANGLEÅISÅ RM T ‰ ¡RM D T   RM D T ¯° ;RAD= Å)TÅCANÅBEÅSEENÅTHATÅTHERE
¢ ±
Å#ONTROLÅ,OADINGÅ3YSTEM 

ISÅNOÅDIRECTÅRELATIONÅBETWEENÅTHEÅACTUALÅCOGGINGÅFORCE Å &C RM T ÅANDÅTHEÅEXPECTED

COGGINGÅFORCE Å &C RM D T 

)NÅFIGUREÅ ÅANÅEXAMPLEÅOFÅTHISÅISÅSHOWNÅINÅTHEÅTIME DOMAINÅ4HEÅUPPERÅPARTÅOF

THEÅFIGUREÅSHOWSÅ &C RM D T ÅWHEREASÅTHEÅLOWERÅPARTÅSHOWSÅ &C RM T Å.OÅRELATION

BETWEENÅ &C RM D T ÅANDÅ &C RM T ÅEXISTS

&ÅÅÅÅÅÅÅÅÅ
MD T
C R





&Å;.=
C

T TÅ;S=

M TÅÅ
R

  R





M D TÅÅ


&Å;.=
C

T TÅ;S=
&ÅÅÅÅÅÅÅ
M T
C R

&IGUREÅ %XPECTEDÅANDÅACTUALÅCOGGINGÅFORCE

4HISÅ MEANSÅ THATÅ THEÅ COGGINGÅ FORCEÅ CANNOTÅ BEÅ COMPENSATEDÅ INÅ FEED FORWARDÅ 4O
OVERCOMEÅTHIS ÅTHEÅMEASUREDÅANGULARÅPOSITIONÅOFÅTHEÅMOTORÅCANÅBEÅUSEDÅASÅINPUTÅOF
THEÅ "3.Å INSTEADÅ OFÅ THEÅ REFERENCEÅ ANGULARÅ POSITIONÅ ;'OMIÅ ANDÅ +AWATO Å =Å )N
OTHERÅ WORDS Å ASÅ FARÅ ASÅ POSITION RELATEDÅ EFFECTSÅ AREÅ CONCERNED Å ANÅ INVERSEÅ MODELÅ IS
CONTAINEDÅ INÅ AÅ FEEDBACKÅ LOOPÅ INSTEADÅ OFÅ AÅ FEED FORWARDÅ PATHÅ 4HISÅ RESULTSÅ INÅ THE
SYSTEMÅSHOWNÅINÅFIGUREÅ

"3.Å

"3.Å
U&

RM D E U# R M
# 0 RM

&IGUREÅ ,EARNINGÅFEED FORWARDÅÅFEEDBACKÅCONTROLLER

 $ESIGNÅÅ!PPLICATIONS

3TEPÅÅ#HOOSEÅTHEÅ" 3PLINEÅDISTRIBUTION
4HEÅ DISTRIBUTIONÅ OFÅ THEÅ " SPLINESÅ ISÅ CHOSENÅ BYÅ RULEÅ OFÅ THUMB Å BASEDÅ ONÅ THE
CHARACTERISTICSÅOFÅTHEÅDISTURBANCESÅTHEÅ"3.SÅHAVEÅTOÅCOMPENSATE

 &ORÅTHEÅ"3.ÅTHATÅHASÅ RM D ÅASÅANÅINPUT ÅWEÅKNOWÅTHATÅITÅHASÅTOÅCOMPENSATE

THEÅUNKNOWNÅFRICTION ÅWHICHÅCANÅBEÅAPPROXIMATEDÅBYÅTHEÅ3TRIBECKÅCURVEÅ4O
TOÅBEÅABLEÅTOÅACCURATELYÅCOMPENSATEÅFORÅFRICTIONÅESPECIALLYÅATÅLOWÅVELOCITIES
WEÅDEFINEÅÅ" SPLINESÅONÅTHEÅINPUTÅDOMAINÅOFÅ R Å; Å=Å;RADS=
MD

 "ASEDÅ ONÅ THEÅ CONFIGURATIONÅ OFÅ THEÅ MOTOR Å WEÅ KNOWÅ THATÅ Å COGGINGÅ PERIODS
EXISTÅ PERÅ MOTORÅ ROTATIONÅ 7EÅ CHOOSEÅ TOÅ DEFINEÅ Å " SPLINESÅ ONÅ THEÅ INPUT
DOMAINÅOFÅ RM D Å; ÅQ=Å;RAD=Å4HISÅMEANSÅTHATÅEACHÅCOGGINGÅPERIODÅISÅMAPPED
BYÅAPPROXIMATELYÅÅ" SPLINES

3TEPÅÅ#HOOSEÅTHEÅLEARNINGÅRATE
4HEÅLEARNINGÅRATEÅOFÅBOTHÅ"3.jSÅISÅCHOSENÅEQUALÅTOÅ

3TEPÅÅ4RAINÅTHEÅ,&&#
!SÅ BEFORE Å THEÅ TWOÅ "3.SÅ HAVEÅ TOÅ BEÅ TRAINEDÅ SEPARATELYÅ &IRSTÅ THEÅ FRICTIONÅ "3.Å IS
TRAINEDÅ ANDÅ THENÅ THEÅ COGGINGÅ "3.Å 4HISÅ ISÅ MOTIVATEDÅ BYÅ THEÅ FACTÅ THATÅ DUEÅ TO
FRICTION ÅTHEÅEXISTINGÅ0)ÅCONTROLLERÅISÅUNABLEÅ TOÅSMOOTHLYÅCONTROLÅ THEÅ MOTORÅ ATÅ LOW
VELOCITIES Å WHICHÅ AREÅ THEÅ VELOCITIESÅ THATÅ WEÅ WISHÅ TOÅ USEÅ FORÅ TRAININGÅ THEÅ COGGING
"3.Å4HEÅREFERENCEÅMOTIONÅTHATÅISÅUSEDÅTOÅTRAINÅTHEÅFRICTIONÅ"3. ÅCONTAINSÅAÅWIDE
RANGEÅ OFÅ REFERENCEÅ VELOCITIESÅ 4HEÅ REFERENCEÅ ANGULARÅ VELOCITYÅ ANDÅ THEÅ REFERENCE
ANGULARÅPOSITIONÅAREÅPRESENTEDÅINÅFIGUREÅÅANDÅ


R M D ;RADSÅÅ=






   
TÅ;S=

&IGUREÅ 2EFERENCEÅANGULARÅVELOCITYÅUSEDÅTOÅTRAINÅTHEÅFRICTIONÅ"3.
Å#ONTROLÅ,OADINGÅ3YSTEM 



R M D ;RAD=


   
TÅ;S=

&IGUREÅ 2EFERENCEÅANGULARÅPOSITIONÅUSEDÅTOÅTRAINÅTHEÅFRICTIONÅ"3.

)NÅ FIGUREÅ  Å THEÅ INPUT OUTPUTÅ MAPPINGÅ OFÅ THEÅ FRICTIONÅ "3.Å AFTERÅ LEARNINGÅ IS
PRESENTEDÅ 4HEÅ EXPECTEDÅ FEED FORWARDÅ SIGNALÅ CONSISTSÅ OFÅ AÅ LINEARÅ COMPONENT
COMPENSATINGÅ THEÅ VISCOUSÅ FRICTIONÅ ANDÅ OFÅ AÅ CONSTANTÅ COMPONENT Å OFÅ WHICHÅ THE
AMPLITUDEÅ DEPENDSÅ ONÅ THEÅ SIGNÅ OFÅ THEÅ REFERENCEÅ VELOCITY Å WHICHÅ COMPENSATESÅ THE
#OULOMBÅFRICTIONÅ4HEÅACTUALÅFEED FORWARDÅINDEEDÅRESEMBLESÅTHEÅDESIREDÅONE ÅEXCEPT
FORÅTHEÅPARTSÅWHEREÅTHEÅVELOCITYÅISÅHIGH

U& 









   
R M ;RADSÅÅ=

&IGUREÅ )/ MAPPINGÅOFÅTHEÅFRICTIONÅ"3.

.EXT Å THEÅ COGGINGÅ "3.Å ISÅ TRAINEDÅ 4HEÅ ISÅ DONEÅ BYÅ PRESENTINGÅ AÅ LOW VELOCITY
REFERENCEÅ MOTION Å R   < RADS > Å 4HEÅ INPUT OUTPUTÅ MAPPINGÅ OFÅ THEÅ COGGING
MD

"3.ÅAFTERÅLEARNINGÅHASÅCONVERGED ÅISÅPRESENTEDÅINÅFIGUREÅ
 $ESIGNÅÅ!PPLICATIONS

UÅÅXÅÅ


&


 Q Q
RÅÅ;RAD=

&IGUREÅ )/ MAPPINGÅOFÅTHEÅCOGGINGÅ"3.

"ASEDÅONÅTHEÅCONFIGURATIONÅOFÅTHEÅMOTORÅWEÅEXPECTEDÅÅCOGGINGÅPERIODSÅPERÅMOTOR
ROTATIONÅ &IGUREÅ Å SHOWSÅ THATÅ THEÅ SINE SHAPEDÅ PARTÅ OFÅ THEÅ FEED FORWARDÅ SIGNAL
CONTAINSÅÅPERIODS ÅINÅACCORDANCEÅTOÅWHATÅWEÅEXPECTED

 %VALUATIONÅ%XPERIMENTS
4OÅEVALUATEÅWHETHERÅTHEÅPARSIMONIOUSÅ,&&#ÅISÅABLEÅTOÅCOMPENSATEÅFORÅFRICTIONÅAND
COGGING ÅWEÅPRESENTÅREFERENCEÅMOTIONSÅFORÅWHICHÅTHEÅ,&&#ÅHASÅNOTÅBEENÅTRAINED

%XPERIMENTÅÅ#OGGINGÅVALIDATION ÅNOÅ,&&#
4HEÅGOALÅOFÅTHEÅFIRSTÅEXPERIMENTÅISÅTOÅSHOWÅTHATÅTHEÅFEEDBACKÅCONTROLLERÅISÅUNABLEÅTO
COMPENSATEÅ FORÅ COGGINGÅ 4HEÅ REFERENCEÅ ANGULARÅ VELOCITYÅ ANDÅ POSITIONÅ OFÅ THEÅ MOTOR
THATÅAREÅPRESENTEDÅINÅFIGUREÅÅANDÅ


R M D ;RADSÅÅ=






  
TÅ;S=

&IGUREÅ 2EFERENCEÅANGULARÅVELOCITY
Å#ONTROLÅ,OADINGÅ3YSTEM 



R M D ;RAD=



  
TÅ;S=

&IGUREÅ 2EFERENCEÅANGULARÅPOSITION

4OÅ CHECKÅ WHETHERÅ THEÅ EFFECTSÅ OFÅ COGGINGÅ CANÅ BEÅ FELTÅ BYÅ THEÅ USER Å AÅ FREQUENCY
ANALYSISÅ OFÅ THEÅ MOTORÅ ANGULARÅ VELOCITYÅ ISÅ PERFORMEDÅ &IGUREÅ Å SHOWSÅ THEÅ POWER
SPECTRALÅDENSITYÅOFÅ R Å!TÅ R x  < RADS  > ÅAÅPEAKÅEXISTSÅ&ROMÅTHEÅNUMBERÅOFÅPOLES
M

OFÅ THEÅ ELECTRO MOTORÅ ANDÅ THEÅ LONGÅ PERIODÅ OFÅ CONSTANTÅ ANGULARÅ VELOCITYÅ ITÅ CANÅ BE
DERIVEDÅ THATÅ THISÅ PEAKÅ ISÅ CAUSEDÅ BYÅ COGGINGÅ FORCESÅ )TÅ ISÅ KNOWNÅ THATÅ THEREÅ AREÅ 
COGGINGÅPERIODSÅPERÅQÅ;RAD=ÅMOTORÅROTATIONÅ4HEÅREFERENCEÅANGULARÅVELOCITYÅISÅEQUAL
TOÅ R   < RADS  > ÅWHICHÅSHOULDÅRESULTÅINÅANÅFREQUENCYÅOFÅTHEÅCOGGINGÅFORCEÅOF
MD

 ¸  < RADS  >   < RADS  > Å 4HISÅ FREQUENCYÅ CORRESPONDSÅ TOÅ THEÅ ANGULARÅ VELOCITY
OFÅ THEÅ PEAKÅ INÅ FIGUREÅ Å 4HEREFORE Å WEÅ CONCLUDEÅ THATÅ THEÅ FEEDBACKÅ CONTROLLERÅ IS
UNABLEÅTOÅCOMPENSATEÅFORÅCOGGING
0OWERÅSPECTRALÅDENSITY










     


&IGUREÅ 0OWERÅSPECTRALÅDENSITYÅOFÅE Å0) CONTROL

 $ESIGNÅÅ!PPLICATIONS

%XPERIMENTÅÅ#OGGINGÅVALIDATION Å,&&#

.EXT Å THEÅ PARSIMONIOUSÅ ,&&#Å ISÅ USEDÅ TOÅ CONTROLÅ THEÅ SET UPÅ !GAIN Å AÅ FREQUENCY
ANALYSISÅOFÅTHEÅRESULTINGÅ R ÅISÅPERFORMED ÅSEEÅFIGUREÅÅ&ROMÅTHEÅABSENCEÅOFÅTHE
M

PEAK ÅWEÅCONCLUDEÅTHATÅ,&&#ÅHASÅBEENÅABLEÅTOÅPROPERLYÅCOMPENSATEÅCOGGING


0OWERÅSPECTRALÅDENSITY








     
X ;RADÅSÅÅ=


&IGUREÅ 0OWERÅSPECTRALÅDENSITYÅOFÅE ÅLEARNINGÅCONTROL

%XPERIMENTÅÅ&RICTIONÅVALIDATION ÅFEEDBACKÅONLY
4OÅ EXAMINEÅ WHETHERÅ THEÅ ,&&#Å ISÅ ABLEÅ TOÅ COMPENSATEÅ FRICTION Å WEÅ COMPAREÅ ITS
TRACKINGÅ ERRORÅ TOÅ THEÅ TRACKINGÅ ERRORÅ OFÅ AÅ FEEDBACKÅ CONTROLLERÅ 4HISÅ ISÅ DONEÅ BY
PERFORMINGÅTHEÅFOLLOWINGÅREFERENCEÅMOTION


R M D ;RADS  =





  
TÅ;S=

&IGUREÅ 2EFERENCEÅANGULARÅMOTORÅVELOCITYÅTOÅEVALUATEÅFRICTIONÅCOMPENSATION

4HEÅ ERRORÅ INÅ THEÅ ANGULARÅ VELOCITYÅ OFÅ THEÅ MOTOR Å THATÅ RESULTSÅ WHENÅ USINGÅ ONLYÅ THE
FEEDBACKÅCONTROLLER ÅISÅPRESENTEDÅINÅFIGUREÅÅ&RICTIONÅCAUSESÅLARGEÅTRACKINGÅERRORS
WHENÅTHEÅREFERENCEÅMOTIONÅCHANGESÅSIGN
Å#ONTROLÅ,OADINGÅ3YSTEM 


R M D  R M ;RADS  =






  
TÅ;S=

&IGUREÅ %RRORÅINÅTHEÅANGULARÅVELOCITYÅOFÅTHEÅMOTOR ÅFEEDBACKÅCONTROLÅONLY

%XPERIMENTÅÅ&RICTIONÅVALIDATION Å,&&#
.EXT Å THEÅ PARSIMONIOUSÅ ,&&#Å ISÅ USEDÅ FORÅ CONTROLÅ &IGUREÅ Å SHOWSÅ THATÅ THE
TRACKINGÅERRORÅTHEÅ,&&#ÅISÅABLEÅTOÅOBTAINÅ)TÅCANÅCLEARLYÅBEÅSEENÅTHATÅTHEÅ,&&#ÅHAS
NOTÅ BEENÅ ABLEÅ TOÅ FULLYÅ COMPENSATEÅ FORÅ THEÅ FRICTIONÅ 3TILLÅ SIGNIFICANTÅ TRACKINGÅ ERRORS
OCCURÅ WHENÅ THEÅ REFERENCEÅ MOTIONÅ CHANGESÅ SIGNÅ !LTHOUGH Å THEÅ MAGNITUDEÅ OFÅ THE
TRACKINGÅ ERRORÅ ISÅ ONLYÅ SLIGHTLYÅ SMALLERÅ THANÅ THEÅ MAGNITUDEÅ INÅ THEÅ PREVIOUS
EXPERIMENT ÅTHEÅREDUCTIONÅOFÅTHEÅPEAKSÅOFÅAÅFACTORÅÅGIVESÅALREADYÅAÅMUCHÅBETTER
FEELING


R M D  R M ;RADS  =






  
T Å;S=

&IGUREÅ %RRORÅINÅTHEÅANGULARÅVELOCITYÅOFÅTHEÅMOTOR Å,&&#

 $ISCUSSION
!Å PARSIMONIOUSÅ ,&&#Å HASÅ BEENÅ DESIGNEDÅ FORÅ THEÅ #,3Å %XPERIMENTSÅ SHOWEDÅ THAT
THEÅ COGGINGÅ FORCEÅ COULDÅ NOTÅ BEÅ COMPENSATEDÅ INÅ FEED FORWARDÅ 4HISÅ WASÅ CAUSEDÅ BY
THEÅ FACTÅ THATÅ THEÅ POSITIONALÅ TRACKINGÅ ERRORÅ ISÅ MUCHÅ LARGERÅ THANÅ THEÅ PERIODÅ OFÅ THE
COGGINGÅFORCEÅ4HEREFORE ÅITÅWASÅPROPOSEDÅTOÅUSEÅTHEÅ"3.ÅINÅAÅFEEDBACKÅLOOPÅINSTEAD
 $ESIGNÅÅ!PPLICATIONS

OFÅ INÅ FEED FORWARDÅ 4HEÅ ,EARNINGÅ &EED"ACKÅ #ONTROLLERÅ ,&"# Å WASÅ ABLEÅ TO
COMPENSATEÅ FORÅ COGGINGÅ 4HEÅ LEARNINGÅ BEHAVIOURÅ OFÅ THEÅ ,&"#Å WASÅ SUCHÅ THAT
LEARNINGÅ CONVERGEDÅ (OWEVER Å MOREÅ RESEARCHÅ ISÅ DESIRABLEÅ TOÅ ANSWERÅ THEÅ FOLLOWING
QUESTIONS

 )SÅTHEREÅAÅMINIMUMÅWIDTHÅOFÅTHEÅ" SPLINESÅINÅ,&"#
 7HATÅISÅTHEÅMAXIMUMÅLEARNINGÅRATE

4HEÅFRICTIONÅWASÅCOMPENSATEDÅBYÅMEANSÅOFÅANÅ,&&#Å&ORÅTHEÅ#,3ÅITÅISÅIMPORTANT
THATÅTHEÅERRORÅINÅTHEÅANGULARÅVELOCITYÅISÅSMALLÅWHENÅTHEÅMOTIONÅDIRECTIONÅCHANGES
4HISÅ TRACKINGÅ ERRORÅ ISÅ CALLEDÅ THEÅ REVERSALÅ BUMPÅ %XPERIMENTSÅ SHOWEDÅ THATÅ THE
,&&#Å WASÅ ABLEÅ TOÅ OBTAINÅ AÅ SOMEWHATÅ SMALLERÅ REVERSALÅ BUMPÅ THANÅ AÅ FEEDBACK
CONTROLLERÅ !PPARENTLY Å THEÅ ,&&#Å WASÅ UNABLEÅ TOÅ ACCURATELYÅ COMPENSATEÅ STICTION
(OWEVER Å INÅ OURÅ OPINIONÅ ,&&#Å ISÅ ANÅ ATTRACTIVEÅ OPTIONÅ FORÅ FRICTIONÅ COMPENSATION
ANDÅMOREÅRESEARCHÅONÅTHISÅTOPICÅSHOULDÅBEÅPERFORMEDÅ;3PREEUWERS Å=
 $ISCUSSION

 2EVIEW

)NÅ CHAPTERÅ  Å WEÅ HAVEÅ INTRODUCEDÅ THEÅ CONCEPTÅ OFÅ ,&&# Å BEINGÅ AÅ &EEDBACK %RROR
,EARNINGÅ &%, Å CONTROLLERÅ WHEREÅ THEÅ FEED FORWARDÅ PARTÅ ISÅ AÅ " 3PLINEÅ .ETWORK
"3. Å )TÅ ISÅ IMPORTANTÅ TOÅ DESIGNÅ THEÅ FEED FORWARDÅ PARTÅ OFÅ THEÅ ,&&#Å INÅ SUCHÅ WAY
THATÅLEARNINGÅCONVERGESÅANDÅTHATÅTHEÅPROBLEMSÅTHATÅAREÅASSOCIATEDÅWITHÅTHEÅCURSEÅOF
DIMENSIONALITYÅAREÅKEPTÅTOÅAÅMINIMUMÅ4HESEÅTWOÅSUBJECTSÅAREÅTHEÅMAINÅCONCERNSÅOF
THISÅWORK

)NÅ CHAPTERÅ  Å WEÅ CONSIDEREDÅ TIME INDEXEDÅ ,&&# Å IE Å THEÅ CASEÅ THATÅ THEÅ PERIODIC
MOTIONÅTIMEÅISÅTHEÅONLYÅINPUTÅOFÅTHEÅ"3.Å)NÅTHISÅCASE Å,&&#ÅISÅSIMILARÅTOÅ)TERATIVE
,EARNINGÅ #ONTROLÅ ),# Å ANDÅ 2EPETITIVEÅ #ONTROLÅ 2# Å 4HEREFORE Å WEÅ PURSUEDÅ THE
IDEAÅTOÅUSEÅTHEÅCONVERGENCEÅRESULTSÅOFÅ),#ÅANDÅ2#ÅINÅTHEÅSETTINGÅOFÅ,&&#

)NÅ),#ÅANDÅ2#ÅTHEÅFEED FORWARDÅPARTÅISÅIMPLEMENTEDÅASÅAÅMEMORYÅLOOPÅ)NSTEADÅOF
TRAININGÅTHEÅFEED FORWARDÅPARTÅBYÅTHEÅOUTPUTÅOFÅTHEÅFEEDBACKÅCONTROLLER ÅTHEÅLEARNING
SIGNALÅISÅOBTAINEDÅBYÅFILTERINGÅTHEÅTRACKINGÅERRORÅUSINGÅAÅLEARNINGÅFILTERÅ4HEÅLEARNING
FILTERÅISÅDESIGNEDÅONÅTHEÅBASISÅOFÅAÅROUGHÅMODELÅOFÅTHEÅCONTROLLEDÅPLANTÅ!ÅSTABILITY
ANALYSISÅ SHOWSÅ THATÅ UNMODELLEDÅ HIGHÅ FREQUENCYÅ DYNAMICSÅ MAYÅ CAUSEÅ THEÅ FEED
FORWARDÅ SIGNALÅ OFÅ THEÅ ),#Å ANDÅ 2#Å TOÅ DIVERGEÅ #ONVERGENCEÅ CANÅ BEÅ OBTAINEDÅ BY
ADAPTINGÅTHEÅMEMORYÅLOOPÅINÅSUCHÅAÅWAYÅTHATÅTHEÅFREQUENCYÅCONTENTSÅFORÅWHICHÅTHE
MODELÅ OFÅ THEÅ CONTROLLEDÅ PLANTÅ ANDÅ THUSÅ THEÅ LEARNINGÅ FILTER Å ISÅ INACCURATEÅ ARE
REMOVED

4IME INDEXEDÅ,&&#ÅCANÅBEÅCONSIDEREDÅASÅAÅTYPEÅOFÅ),#ÅÅ2# ÅINÅWHICHÅLEARNINGÅIS

STABILISEDÅ BYÅ REPLACINGÅ THEÅ MEMORYÅ LOOPÅ BYÅ AÅ "3.Å ANDÅ INÅ WHICHÅ THEÅ FEEDBACK
CONTROLLERÅ ISÅ USEDÅ ASÅ AÅ LEARNINGÅ FILTERÅ 4HEÅ FREQUENCYÅ CONTENTSÅ OFÅ THEÅ INPUT OUTPUT


 $ISCUSSION

RELATIONÅOFÅAÅ"3.ÅDEPENDÅONÅTHEÅWIDTHÅOFÅTHEÅSUPPORTÅOFÅTHEÅ" SPLINESÅ#HOOSINGÅA
LARGEÅ WIDTHÅ RESULTSÅ INÅ AÅ LOW FREQUENCYÅ FEED FORWARDÅ SIGNAL Å WHILEÅ AÅ SMALLÅ WIDTH
YIELDSÅ AÅ HIGH FREQUENCYÅ FEED FORWARDÅ SIGNALÅ (ENCE Å THEÅ RESULTSÅ FROMÅ ),#Å ANDÅ 2#
TELLÅUSÅTHATÅLEARNINGÅCANÅBEÅSTABILISEDÅBYÅCHOOSINGÅTHEÅWIDTHÅOFÅTHEÅSUPPORTÅOFÅTHE
" SPLINESÅINÅSUCHÅWAY Å THATÅ THEÅ"3.ÅISÅUNABLEÅTOÅAPPROXIMATEÅTHEÅHIGH FREQUENCY
CONTENTSÅOFÅTHEÅLEARNINGÅSIGNALÅ5NDERÅRATHERÅRESTRICTIVEÅASSUMPTIONSÅONEÅOFÅWHICH
ISÅTHATÅTHEÅPLANTÅISÅ3)3/Å,4) ÅWEÅHAVEÅBEENÅABLEÅTOÅEXPRESSÅTHISÅQUANTITATIVELYÅWE
DERIVEDÅSTABILITYÅCONDITIONSÅFORÅTHEÅMINIMUMÅWIDTHÅOFÅTHEÅSUPPORTÅOFÅTHEÅ" SPLINES
DMIN Å ANDÅ FORÅ THEÅ MAXIMUMÅ LEARNINGÅ RATEÅ 4HEÅ STABILITYÅ CRITERIAÅ WEREÅ VALIDATEDÅ BY
MEANSÅOFÅSIMULATIONSÅ4HEÅTIME INDEXEDÅ,&&#ÅWASÅAPPLIEDÅTOÅTWOÅPLANTS

 -ASS 3PRING -ASSÅ -3- Å PLANTÅ 4HEÅ -3-Å PLANTÅ SATISFIESÅ THEÅ ASSUMPTIONS
THATÅWEREÅMADEÅINÅTHEÅSTABILITYÅANALYSISÅ3IMULATIONSÅSHOWEDÅTHATÅTHEÅVALUE
OFÅDMINÅISÅACCURATE ÅWHILEÅTHEÅMAXIMUMÅLEARNINGÅRATEÅMAYÅBEÅCONSERVATIVE
 ,I--3Å "ECAUSEÅ THEÅ ,I--3Å ISÅ AÅ NON LINEARÅ PLANT Å ITÅ DOESÅ NOTÅ SATISFYÅ THE
ASSUMPTIONSÅ THATÅ WEREÅ MADEÅ INÅ THEÅ STABILITYÅ ANALYSISÅ )NÅ SPITEÅ OFÅ THIS Å THE
RESULTSÅOFÅTHEÅSIMULATIONSÅAREÅEQUIVALENTÅTOÅTHEÅRESULTSÅOFÅTHEÅSIMULATIONSÅOF
THEÅ-3-ÅPLANT

)NÅ CASEÅ OFÅ RANDOMÅ REFERENCEÅ MOTIONS Å TIME INDEXEDÅ ,&&#Å ISÅ NOTÅ APPLICABLEÅ 4HEN
PATH INDEXEDÅ ,&&#Å CANÅ BEÅ APPLIED Å IE Å THEÅ REFERENCEÅ SIGNALÅ ANDÅ DERIVATIVESÅ 
INTEGRALSÅ THEREOFÅ SHOULDÅ BEÅ USEDÅ ASÅ INPUTSÅ FORÅ THEÅ FEED FORWARDÅ PARTÅ 4HISÅ TYPEÅ OF
,&&#ÅWASÅCONSIDEREDÅINÅCHAPTERSÅÅANDÅ

7EÅHAVEÅNOTÅBEENÅABLEÅTOÅDERIVEÅCONVERGENCEÅCONDITIONSÅFORÅTHEÅDESIGNÅPARAMETERS
OFÅ AÅ "3.Å INÅ CASEÅ OFÅ PATH INDEXEDÅ ,&&#Å )TÅ WASÅ ARGUEDÅ THATÅ INÅ SOMEÅ CASESÅ EG
WHENÅ THEÅ REFERENCEÅ VELOCITYÅ ISÅ CONSTANT Å THEÅ STABILITYÅ CONDITIONSÅ OFÅ THEÅ TIME
INDEXEDÅ,&&#ÅCANÅBEÅTRANSFORMEDÅINTOÅSTABILITYÅCONDITIONSÅOFÅPATH INDEXEDÅ,&&#
BASICALLYÅBYÅSAYINGÅTHATÅTHEÅSUPPORTSÅOFÅTHEÅMULTI DIMENSIONAL Å" SPLINESÅHAVEÅTO
COVERÅATÅLEASTÅDMINÅ;S=ÅOFÅTHEÅREFERENCEÅMOTIONÅ$ESIGNINGÅAÅ" SPLINEÅDISTRIBUTIONÅTHAT
SATISFIESÅ THISÅ ISÅ DIFFICULTÅ ANDÅ MAYÅ LEADÅ TOÅ VERYÅ LARGEÅ " SPLINEÅ WIDTHS Å WHICHÅ IS
UNATTRACTIVE

4HEREFORE Å ANOTHERÅ APPROACHÅ WASÅ CONSIDEREDÅ 7EÅ PROPOSEDÅ TOÅ SELECTÅ AÅ " SPLINE
DISTRIBUTIONÅWITHOUTÅREGARDINGÅSTABILITYÅCONDITIONSÅANDÅADDÅAÅSTABILISINGÅMEASUREÅTO
THEÅ,&&#ÅTOÅMAKEÅLEARNINGÅCONVERGEÅ/NEÅOPTIONÅTOÅDOÅSOÅWOULDÅBEÅTOÅCHANGEÅTHE
COST FUNCTIONÅ THATÅ ISÅ MINIMISEDÅ BYÅ THEÅ LEARNINGÅ MECHANISMÅ 4HISÅ ISÅ AÅ WELL KNOWN
TECHNIQUEÅINÅNEURO FUZZYÅMODELLINGÅANDÅISÅCALLEDÅREGULARISATIONÅ(OWEVER ÅITÅPROVED
TOÅBEÅDIFFICULTÅTOÅSELECTÅTHEÅPARAMETERSÅOFÅTHEÅREGULARISATIONÅMECHANISMÅINÅSUCHÅWAY
THATÅ LEARNINGÅ INÅ ,&&#Å CONVERGESÅ 4HEREFORE Å ANÅ ALTERNATIVEÅ OPTIONÅ WASÅ PURSUED
AGAINÅINSPIREDÅBYÅ),#Å2EGULARISATIONÅISÅPERFORMEDÅBYÅFILTERINGÅTHEÅLEARNINGÅSIGNAL
OFÅ THEÅ ,&&#Å INSTEADÅ OFÅ CHANGINGÅ THEÅ LEARNINGÅ MECHANISMÅ 4HEÅ MAINÅ IDEAÅ ISÅ THAT
LEARNINGÅ CONVERGESÅ WHENÅ THEÅ LEARNINGÅ SIGNALÅ ISÅ SUCHÅ THATÅ ALLÅ FREQUENCYÅ CONTENTS
ABOVEÅ DMINÅ ;(Z=Å ISÅ REMOVEDÅ 4HISÅ CAN Å FORÅ EXAMPLE Å BEÅ ACHIEVEDÅ BYÅ FILTERINGÅ WITH
Å2EVIEW 

ANÅ APPROPRIATEÅ TIME INDEXEDÅ "3.Å 3IMULATIONSÅ CONFIRMEDÅ THATÅ BYÅ ADDINGÅ SUCHÅ A
FILTER Å CONVERGENCEÅ OFÅ PATH INDEXEDÅ ,&&#Å ISÅ OBTAINEDÅ (OWEVER Å AÅ FORMALÅ ANALYSIS
THATÅEXPLAINSÅTHEÅOBSERVEDÅRESULTSÅISÅSTILLÅLACKING

7HICHÅ SPECIFICÅ INPUTSÅ SHOULDÅ BEÅ SELECTEDÅ INÅ CASEÅ OFÅ PATH INDEXEDÅ ,&&#Å WAS
DETERMINEDÅONÅTHEÅBASISÅOFÅAÅSTRUCTURALLYÅCORRECT ÅSTATE SPACEÅREPRESENTATIONÅOFÅTHE
PLANTÅDYNAMICSÅ7EÅSHOWEDÅTHATÅAÅPLANTÅCANÅONLYÅBEÅCONTROLLEDÅBYÅMEANSÅOFÅPATH
INDEXEDÅ,&&#ÅWHENÅ THEÅSTATEÅSPACEÅREPRESENTATIONÅFULFILSÅ AÅ NUMBERÅ OFÅ CONDITIONS
(ENCE ÅOFÅTHEÅPLANTSÅMENTIONEDÅABOVE ÅONLYÅTHEÅ,I--3ÅCANÅBEÅCONTROLLEDÅBYÅMEANS
OFÅPATH INDEXEDÅ,&&#

7HENÅ THEÅ INPUTSÅ OFÅ THEÅ "3.Å AREÅ CHOSENÅ STRAIGHTFORWARDLYÅ ONÅ BASISÅ OFÅ THEÅ PLANT
MODEL ÅAÅMULTI DIMENSIONALÅ"3.ÅRESULTSÅ4HISÅCONFRONTSÅUSÅWITHÅPROBLEMSÅTHATÅARE
ASSOCIATEDÅ WITHÅ THEÅ CURSEÅ OFÅ DIMENSIONALITYÅ )NÅ NEURO FUZZYÅ MODELLING Å ITÅ HASÅ BEEN
SHOWNÅ THATÅ THESEÅ PROBLEMSÅ CANÅ BEÅ OVERCOMEÅ BYÅ SPLITTINGÅ THEÅ MULTI DIMENSIONAL
"3.Å INTOÅ SEVERALÅ "3.SÅ THATÅ HAVEÅ AÅ LOWERÅ INPUT DIMENSIONÅ 4HISÅ ISÅ DONEÅ ONÅ THE
BASISÅ OFÅ THEÅ SO CALLEDÅ ANALYSIS OF VARIANCEÅ !./6! Å REPRESENTATIONÅ OFÅ AÅ FUNCTION
4HEÅRESULTINGÅCOLLECTIONÅOFÅ"3.SÅISÅKNOWNÅASÅAÅPARSIMONIOUSÅNETWORKÅSTRUCTUREÅ)N
LINEÅ WITHÅ THIS Å AÅ PATH INDEXEDÅ ,&&#Å ISÅ CALLEDÅ PARSIMONIOUSÅ WHENÅ ITÅ CONSISTSÅ OF
MULTIPLEÅFEED FORWARDÅPARTSÅINSTEADÅOFÅONEÅ!ÅSECONDÅLESSÅEFFECTIVE ÅWAYÅTOÅKEEPÅTHE
PROBLEMSÅASSOCIATEDÅWITHÅTHEÅCURSEÅOFÅDIMENSIONALITYÅTOÅAÅMINIMUM ÅISÅTOÅCHOOSEÅA
" SPLINEÅ DISTRIBUTIONÅ WITHÅ ASÅ FEWÅ " SPLINESÅ ASÅ POSSIBLEÅ 3EVERALÅ METHODSÅ WERE
CONSIDEREDÅFORÅDESIGNINGÅAÅPARSIMONIOUSÅ,&&#

4RAININGÅAÅPARSIMONIOUSÅ,&&#ÅISÅNOTÅSTRAIGHTFORWARDÅ7HENÅALLÅ"3.SÅAREÅTRAINED
SIMULTANEOUSLY ÅITÅISÅNOTÅGUARANTEEDÅTHATÅEACHÅ"3.ÅLEARNSÅTHEÅFEED FORWARDÅSIGNALÅIT
ISÅ INTENDEDÅ TOÅ LEARNÅ 4HEREFORE Å WEÅ PROPOSEDÅ TOÅ TRAINÅ SUCHÅ ANÅ ,&&#Å SUCCESSIVELY
IE Å BYÅ SELECTINGÅ AÅ SERIESÅ OFÅ TRAININGÅ MOTIONSÅ BYÅ WHICHÅ THEÅ "3.SÅ AREÅ TRAINED
CONSECUTIVELYÅ(OWEVER ÅTHISÅSO CALLEDÅSTRATEGICÅTRAININGÅAPPROACHÅISÅRATHERÅHEURISTIC
INÅNATURE

)NÅ CHAPTERÅ  Å DESIGNÅ PROCEDURESÅ FORÅ ,&&#Å WEREÅ FORMULATEDÅ ANDÅ APPLIEDÅ INÅ REAL
WORLDÅEXPERIMENTSÅTOÅTWOÅPLANTS

 ,I--3Å4HEÅ,I--3ÅWASÅCONTROLLEDÅBYÅAÅTIME INDEXEDÅ,&&#ÅASÅWELLÅASÅBY
ANÅ ,&&#Å )NÅ THEÅ FIRSTÅ SERIESÅ OFÅ EXPERIMENTSÅ USINGÅ THEÅ TIME INDEXEDÅ ,&&#
THEÅ STABILITYÅ CRITERIAÅ WEREÅ VALIDATEDÅ 4HEÅ RESULTSÅ OFÅ THEÅ EXPERIMENTSÅ WERE
SIMILARÅ TOÅ THEÅ RESULTSÅ OFÅ THEÅ SIMULATIONS Å IEÅ THEÅ VALUEÅ OFÅ DMINÅ ISÅ ACCURATE
WHILEÅ THEÅ MAXIMUMÅ LEARNINGÅ RATEÅ ISÅ CONSERVATIVEÅ .EXT Å THEÅ " SPLINE
DISTRIBUTIONÅ OFÅ THEÅ TIME INDEXEDÅ ,&&#Å WASÅ OPTIMISEDÅ &INALLY Å A
PARSIMONIOUSÅ ,&&#Å WASÅ DESIGNEDÅ ANDÅ EVALUATEDÅ 4HEÅ FEED FORWARDÅ PART
CONSISTEDÅ OFÅ Å "3.S Å COMPENSATINGÅ RESPECTIVELYÅ THEÅ INERTIA Å THEÅ FRICTIONÅ AND
THEÅ COGGINGÅ !FTERÅ PERFORMINGÅ STRATEGICÅ TRAININGÅ EXPERIMENTS Å THE
PARSIMONIOUSÅ ,&&#Å OBTAINEDÅ AÅ SMALLÅ TRACKINGÅ ERRORÅ FORÅ AÅ WIDEÅ RANGEÅ OF
 $ISCUSSION

REFERENCEÅ MOTIONSÅ (OWEVER Å FORÅ REPETITIVEÅ MOTIONSÅ THEÅ TIME INDEXEDÅ ,&&#
STILLÅOUTPERFORMEDÅTHEÅ,&&#
 #ONTROLÅ,OADINGÅ3YSTEMÅ#,3 Å)NÅTHEÅ#,3 ÅTHEÅ,&&#ÅHASÅTOÅCOMPENSATEÅFOR
FRICTIONÅANDÅCOGGINGÅ"ECAUSEÅTHEÅREFERENCEÅVELOCITYÅISÅACCURATELYÅTRACKEDÅ AT
THEÅ EXPENSEÅ OFÅ RELATIVELYÅ LARGEÅ POSITIONALÅ ERRORS Å COGGINGÅ COULDÅ NOTÅ BE
COMPENSATEDÅ BYÅ AÅ FEED FORWARDÅ CONTROLLERÅ 4HEREFORE Å WEÅ COMPENSATED
COGGINGÅ BYÅ MEANSÅ OFÅ AÅ ,EARNINGÅ &EED"ACKÅ #ONTROLLERÅ ,&"# Å FRICTIONÅ WAS
COMPENSATEDÅ WITHÅ AÅ STANDARDÅ PATH INDEXEDÅ FEED FORWARDÅ "3.Å !FTER
PERFORMINGÅSTRATEGICÅTRAININGÅMOTIONS ÅTHEÅ,&&#ÅÅ,&"#ÅSHOWEDÅTOÅBEÅABLE
TOÅCOMPENSATEÅFORÅCOGGINGÅANDÅPARTLYÅFORÅFRICTION

 #ONCLUSIONS

4HEÅFEED FORWARDÅPARTÅOFÅTHEÅ,&&#ÅHASÅBEENÅIMPLEMENTEDÅASÅAÅ"3.Å%XPERIMENTS
ANDÅSIMULATIONSÅSHOWÅTHATÅTHEÅ"3.ÅOFFERS

 ,OWÅCOMPUTATIONALÅCOSTSÅ#ALCULATINGÅTHEÅOUTPUTÅOFÅAÅ"3.ÅANDÅADAPTINGÅTHE
WEIGHTSÅ AREÅ PERFORMEDÅ INÅ AÅ SMALLÅ NUMBERÅ OFÅ CALCULATIONSÅ )NÅ CASEÅ OFÅ THE
,I--3 Å THEÅ ,&&#Å WASÅ IMPLEMENTEDÅ ONÅ AÅ $30Å 4HEÅ ,&&#Å CONSISTEDÅ OFÅ 
"3.SÅ THATÅ WEREÅ TRAINEDÅ DURINGÅ CONTROLÅ )NÅ SPITEÅ OFÅ THIS Å THEÅ CONTROLÅ LOOP
COULDÅBEÅCALCULATEDÅATÅAÅFREQUENCYÅOFÅÅ;(Z=
 &ASTÅ CONVERGENCEÅ ,EARNINGÅ GENERALLYÅ CONVERGESÅ AFTERÅ PERFORMINGÅ THE
REFERENCEÅMOTIONSÅLESSÅTHANÅÅTIMES
 'OODÅGENERALISINGÅABILITYÅ"OTHÅTHEÅPARSIMONIOUSÅ,&&#ÅFORÅTHEÅ,I--3ÅAND
THEÅ#,3ÅCHAPTERÅ ÅWEREÅABLEÅTOÅOBTAINÅAÅHIGHÅTRACKINGÅACCURACYÅFORÅAÅRANGE
OFÅMOTIONSÅTHEÅ,&&#ÅWASÅNOTÅTRAINEDÅFORÅ4HEÅ,&&#ÅCANÅTHUSÅBEÅTRAINEDÅBY
PRESENTINGÅAÅSMALLÅNUMBERÅOFÅTRAININGÅMOTIONSÅTHATÅAREÅCHARACTERISTICÅFORÅTHE
REFERENCEÅMOTIONSÅWHICHÅAREÅTOÅBEÅTRACKED

/NÅTHEÅOTHERÅHANDÅTHEÅ"3.ÅHASÅAÅNUMBERÅOFÅDISADVANTAGES

 0ROBLEMSÅASSOCIATEDÅWITHÅTHEÅCURSEÅOFÅDIMENSIONALITYÅ4HEÅNUMBERÅOFÅWEIGHTS
INÅ AÅ "3.Å DEPENDSÅ ONÅ THEÅ DIMENSIONÅ OFÅ THEÅ INPUTÅ INÅ ANÅ EXPONENTIALÅ WAYÅ !
LARGEÅ NUMBERÅ OFÅ WEIGHTSÅ REQUIRESÅ AÅ LARGEÅ AMOUNTÅ OFÅ COMPUTERÅ MEMORYÅ AND
CAUSESÅAÅPOORÅLEARNINGÅBEHAVIOURÅ)TÅISÅTHEREFOREÅIMPORTANTÅTOÅKEEPÅTHEÅINPUT
DIMENSIONÅOFÅTHEÅ"3.S ÅINÅANÅ,&&#ÅLOW
Å#ONCLUSIONS 

 "ASISÅ FUNCTIONSÅ AREÅ PLACEDÅ INÅ AÅ LATTICEÅ STRUCTUREÅ "ECAUSEÅ MULTI DIMENSIONAL
" SPLINESÅ AREÅ FORMEDÅ BYÅ THEÅ TENSORÅ PRODUCTÅ OFÅ  DIMENSIONALÅ " SPLINES Å THE
DENSITYÅ OFÅ THEÅ MULTI DIMENSIONALÅ SPLINESÅ ISÅ THEÅ SAMEÅ OVERÅ THEÅ WHOLEÅ INPUT
SPACEÅ 4HISÅ IMPLIESÅ THATÅ SPECIALÅ MEASURESÅ AREÅ NEEDEDÅ TOÅ GUARANTEE
CONVERGENCEÅ OFÅ THEÅ LEARNINGÅ PROCESSÅ ANDÅ ATÅ THEÅ SAMEÅ TIMEÅ AVOIDÅ AÅ SPARSE
LATTICE ÅWHICHÅISÅUNATTRACTIVEÅFROMÅAÅFUNCTIONÅAPPROXIMATIONÅPERSPECTIVE

&ROMÅTHEÅABOVEÅWEÅMAYÅCONCLUDEÅTHATÅ"3.SÅAREÅSUITEDÅFORÅREAL TIMEÅCONTROLÅWHEN
THEÅINPUTÅDIMENSIONSÅAREÅKEPTÅLOW

4HEÅ INPUTSÅ OFÅ THEÅ FEED FORWARDÅ PARTÅ DEPENDÅ ONÅ THEÅ TYPEÅ OFÅ REFERENCEÅ MOTIONÅ THAT
HASÅ TOÅ BEÅ PERFORMEDÅ )NÅ CASEÅ OFÅ REPETITIVEÅ REFERENCEÅ MOTIONS Å THEÅ PERIODICÅ MOTION
TIMEÅ SHOULDÅ PREFERABLYÅ BEÅ USEDÅ ASÅ ANÅ INPUT Å IE Å TIME INDEXEDÅ ,&&#Å SHOULDÅ BE
APPLIEDÅ4HEÅTIME INDEXEDÅ,&&#ÅCANÅBEÅSEENÅASÅAÅVARIANTÅOFÅ),#ÅÅ2# ÅINÅWHICH
THEÅFEEDBACKÅCONTROLLERÅISÅUSEDÅASÅAÅLEARNINGÅFILTERÅANDÅTHATÅISÅSTABILISEDÅBYÅREPLACING
THEÅMEMORYÅLOOPÅBYÅAÅ"3.Å4HEÅFREQUENCYÅCONTENTSÅOFÅTHEÅFEED FORWARDÅSIGNALÅTHAT
ISÅSTOREDÅINÅTHEÅ"3. ÅAREÅDETERMINEDÅBYÅTHEÅWIDTHÅOFÅTHEÅ" SPLINESÅ!ÅCONVERGENCE
ANALYSISÅ OFÅ TIME INDEXEDÅ ,&&#Å APPLIEDÅ TOÅ AÅ 3)3/Å ,4)Å PLANTÅ SHOWSÅ THATÅ LEARNING
CONVERGESÅIF

 4HEÅWIDTHÅOFÅTHEÅSUPPORTÅOFÅTHEÅ" SPLINESÅISÅLARGERÅTHANÅDMINÅ4HEÅVALUEÅOFÅDMIA
ISÅGIVENÅBY

Q
DMIN  ;RAD S = 
X

INÅ WHICHÅ X Å ISÅ THEÅ FREQUENCYÅ ATÅ WHICHÅ THEÅ PHASEÅ K Å OFÅ THEÅ NEGATIVE
COMPLEMENTARYÅSENSITIVITYÅFUNCTION Å 4 ÅISÅASÅFOLLOWS

 ­¬
žžž 4 J X d ­­­
K  ARCCOS žž ­ 
žž MIN 4  J X ­­­
žŸ \X ‰ \ COS K b^ ­®

 4HEÅLEARNINGÅRATEÅSATISFIES


Hb 
4 J X d

4HEÅ ABOVEÅ CONDITIONSÅ DOÅ NOTÅ REQUIREÅ EXACTÅ KNOWLEDGEÅ OFÅ THEÅ HIGHÅ FREQUENCY
DYNAMICSÅOFÅTHEÅCONTROLLEDÅPLANTÅ4HEREFORE ÅEITHERÅ AÅ PROCESSÅ MODELÅ THATÅ DESCRIBES
THEÅLOW FREQUENCYÅDYNAMICSÅWELLÅORÅAÅMEASUREDÅFREQUENCYÅ RESPONSEÅ ISÅ SUFFICIENTÅ TO
 $ISCUSSION

DESIGNÅ AÅ STABLEÅ TIME INDEXEDÅ ,&&#Å 4HEÅ STABILITYÅ CONDITIONSÅ WEREÅ VALIDATEDÅ BY
MEANSÅOFÅEXPERIMENTSÅANDÅSIMULATIONS ÅBOTHÅYIELDINGÅTHEÅSAMEÅRESULTÅTHEÅVALUEÅOF
DMINÅ ISÅ ACCURATEÅ ALSOÅ FORÅ AÅ NON LINEARÅ PLANT Å WHILEÅ THEÅ MAXIMUMÅ LEARNINGÅ RATEÅ IS
CONSERVATIVEÅ(OWEVER ÅTHEÅCONSERVATIVEÅVALUEÅOFÅTHEÅLEARNINGÅRATEÅDOESÅNOTÅLEADÅTO
EXTENSIVEÅTRAININGÅPERIODSÅ,EARNINGÅCONVERGESÅAFTERÅPERFORMINGÅAÅREFERENCEÅMOTION
AÅLIMITEDÅNUMBERÅOFÅTIMESÅTYPICALLYÅÅTOÅ 

)NÅ CASEÅ OFÅ RANDOMÅ REFERENCEÅ MOTIONS Å PATH INDEXEDÅ ,&&#Å SHOULDÅ BEÅ APPLIED Å IE
THEÅREFERENCEÅSIGNALÅANDÅDERIVATIVESÅÅINTEGRALSÅTHEREOFÅSHOULDÅBEÅSELECTEDÅASÅINPUTS
FORÅTHEÅFEED FORWARDÅPARTÅ7HETHERÅORÅNOTÅAÅPLANTÅISÅCONTROLLABLEÅBYÅMEANSÅOFÅ,&&#
CANÅBEÅDETERMINEDÅBYÅEXPRESSINGÅTHEÅPLANTÅDYNAMICSÅINÅAÅSTATEÅSPACEÅREPRESENTATION
OFÅTHEÅFORM

 ¯
)
! X  ¡¡ °
¡¢! X ! X "!N X °°
±
4
" X  ¡ "  " N X °¯ Å 
¢ ±
#  ¡#  " # N ¯°
¢ ±

!Å PLANTÅ CANÅ BEÅ CONTROLLEDÅ BYÅ MEANSÅ OFÅ ,&&# Å WHENÅ # Å ANDÅ " N X Å FULFILÅ THE
FOLLOWINGÅCONDITIONS

 # ÅMAYÅCONTAINÅONLYÅONEÅSUBMATRIX Å # J ÅTHATÅISÅUNEQUALÅTOÅZERO

 # J ÅMUSTÅBEÅINVERTIBLE

 " N X ÅMUSTÅBEÅINVERTIBLE

7HICHÅDERIVATIVESÅÅINTEGRALSÅSHOULDÅBEÅCHOSEN ÅCANÅBEÅDETERMINEDÅONÅTHEÅBASISÅOF
THEÅ ABOVEÅ STATEÅ SPACEÅ REPRESENTATIONÅ OFÅ THEÅ PLANTÅ DYNAMICSÅ ANDÅ THEÅ DISTURBANCES
&ORÅTHEÅSTATEÅSPACEÅREPRESENTATION ÅQUALITATIVE ÅSTRUCTURALÅKNOWLEDGEÅOFÅTHEÅPLANT
ANDÅTHEÅDISTURBANCESÅSUFFICESÅNOÅNUMERICALÅVALUESÅOFÅPARAMETERSÅAREÅREQUIRED

7EÅPROPOSEÅTOÅSTABILISEÅPATH INDEXEDÅ,&&#ÅBYÅFILTERINGÅTHEÅLEARNINGÅSIGNALÅINÅSUCH
WAYÅTHATÅSIGNALSÅTHATÅHAVEÅAÅFREQUENCYÅCONTENTÅLARGERÅTHANÅDMINÅ;(Z=ÅAREÅREMOVED
4HEÅFILTERÅCANÅBEÅIMPLEMENTEDÅASÅAÅTIME INDEXEDÅ"3.ÅTHATÅHASÅ" SPLINESÅOFÅWHICH
THEÅSUPPORTÅISÅDMINÅ;S=Å3IMULATIONSÅSHOWÅTHATÅLEARNINGÅCONVERGESÅWHENÅTHISÅTYPEÅOF
REGULARISATIONÅ ISÅ ADDEDÅ TOÅ AÅ "3.Å THATÅ HASÅ AÅ " SPLINEÅ DISTRIBUTIONÅ THATÅ OTHERWISE
CAUSESÅLEARNINGÅTOÅDIVERGE
Å#ONCLUSIONS 

4HEÅFEED FORWARDÅPARTÅOFÅAÅPATH INDEXEDÅ,&&#ÅSHOULDÅBEÅIMPLEMENTEDÅASÅMULTIPLE

ADDITIVEÅ "3.SÅ THATÅ EACHÅ HAVEÅ AÅ LOWÅ INPUTÅ DIMENSIONÅ 4HISÅ IMPLEMENTATIONÅ IS
KNOWNÅASÅAÅPARSIMONIOUSÅ,&&#ÅANDÅKEEPSÅTHEÅPROBLEMSÅASSOCIATEDÅWITHÅTHEÅCURSE
OFÅ DIMENSIONALITYÅ TOÅ AÅ MINIMUMÅ 4HEÅ FEED FORWARDÅ PARTSÅ ANDÅ THEÅ " SPLINE
DISTRIBUTIONSÅOFÅAÅPARSIMONIOUSÅ,&&#ÅCANÅBEÅDETERMINEDÅINÅTHEÅFOLLOWINGÅWAYS

 5SINGÅPRIORÅKNOWLEDGEÅOFÅTHEÅPLANTÅDYNAMICSÅANDÅTHEÅDISTURBANCESÅ"YÅWRITING
THEÅ PLANTÅ DYNAMICSÅ ANDÅ THEÅ DISTURBANCESÅ INÅ AÅ STATEÅ SPACEÅ FORM Å THEÅ FEED
FORWARDÅPARTSÅANDÅTHEIRÅINPUTSÅFOLLOWÅINÅAÅSTRAIGHTFORWARDÅWAYÅ4HEÅ" SPLINE
DISTRIBUTIONÅFOLLOWSÅFROMÅTHEÅEXPECTEDÅSHAPEÅOFÅTHEÅTERMSÅINÅTHEÅSTATEÅSPACE
MODEL
 )TERATIVEÅ USEÅ OFÅ EMPIRICALÅ MODELLINGÅ TECHNIQUESÅ %MPIRICALÅ MODELLING
TECHNIQUESÅAREÅABLEÅTOÅCONSTRUCTÅAÅMODELÅOFÅAÅPLANT ÅONÅTHEÅBASISÅOFÅOBSERVED
INPUT OUTPUTÅDATA ÅWITHOUTÅUTILISINGÅANYÅPRIORÅKNOWLEDGEÅOFÅTHEÅDYNAMICSÅOF
THEÅ PLANTÅ !Å PROBLEMÅ ISÅ THATÅ THEÅ kCORRECTlÅ INPUT OUTPUTÅ DATAÅ ISÅ NOT
IMMEDIATELYÅ AVAILABLEÅ INÅ ,&&#Å (OWEVER Å ITÅ CANÅ BEÅ APPROXIMATEDÅ ASÅ THE
TOTALÅ STEERINGÅ SIGNALÅ IE Å FEED FORWARDÅ PLUSÅ FEEDBACK Å OFÅ AÅ TRAINEDÅ ,&&#
(ENCE Å BYÅ ITERATIVELYÅ APPLYINGÅ EMPIRICALÅ MODELLINGÅ TECHNIQUES Å THE
APPROPRIATEÅ,&&#ÅCANÅBEÅDESIGNEDÅ)NÅTHISÅRESEARCH ÅTWOÅEMPIRICALÅMODELLING
TECHNIQUESÅAREÅCONSIDEREDÅFORÅTHISÅPURPOSE

 !3-/$ ÅWHICHÅCANÅBEÅUSEDÅTOÅDETERMINEÅTHEÅFEED FORWARDÅPARTSÅASÅWELL

ASÅTHEÅ" SPLINEÅDISTRIBUTIONS
 &UZZYÅCLUSTERING ÅWHICHÅISÅABLEÅTOÅDETERMINEÅTHEÅ" SPLINEÅDISTRIBUTIONS

"OTHÅ!3-/$ÅANDÅFUZZYÅCLUSTERINGÅAREÅCOMPUTATIONALLYÅINTENSIVE ÅBUTÅCANÅIN
PRINCIPLEÅ BEÅ USEDÅ TOÅ OBTAINÅ AÅ PARSIMONIOUSÅ ,&&#Å 4HEREFORE Å EMPIRICAL
MODELLINGÅTECHNIQUESÅSHOULDÅONLYÅ BEÅ USEDÅ WHENÅ THEÅ MANUALÅ SELECTIONÅ OFÅ THE
PARSIMONIOUSÅ,&&#ÅDOESÅNOTÅGIVEÅTHEÅDESIREDÅRESULT
 -IXEDÅWAYÅ)FÅTHEÅDESIGNERÅHASÅPARTIALÅKNOWLEDGEÅOFÅTHEÅPLANTÅDYNAMICSÅAND
THEÅ DISTURBANCES Å THISÅ KNOWLEDGEÅ CANÅ BEÅ USEDÅ TOÅ CREATEÅ ANÅ INITIAL
PARSIMONIOUSÅ,&&# ÅWHICHÅISÅSUBSEQUENTLYÅIMPROVEDÅBYÅITERATIVELYÅAPPLYING
EMPIRICALÅMODELLINGÅTECHNIQUES

&ORÅ AÅ PARSIMONIOUSÅ ,&&# Å AÅ SERIESÅ OFÅ WELL CHOSENÅ TRAININGÅ MOTIONSÅ SHOULDÅ BE
SELECTEDÅ)NÅEACHÅTRAININGÅMOTION ÅONLYÅONEÅ"3.ÅISÅTRAINED ÅWHILEÅTHEÅWEIGHTSÅOFÅTHE
OTHERÅ"3.SÅAREÅKEPTÅCONSTANTÅ4HEÅTRAININGÅMOTIONSÅSHOULDÅBEÅSELECTEDÅINÅSUCHÅWAY
THATÅ THEYÅ MAKEÅ THEÅ DESIREDÅ FEED FORWARDÅ SIGNALÅ OFÅ ONEÅ OFÅ THEÅ UNTRAINEDÅ "3.S
DOMINANTÅ )NÅ THISÅ WAY Å ONEÅ CANÅ ACHIEVEÅ THATÅ EACHÅ "3.Å INDEEDÅ APPROXIMATESÅ THE
FUNCTIONÅFORÅWHICHÅITÅWASÅINCLUDEDÅINÅTHEÅ,&&#Å.OÅMOREÅ SYSTEMATICÅAPPROACHÅTO
THEÅSELECTIONÅOFÅTHEÅTRAININGÅMOTIONSÅISÅYETÅAVAILABLE
 $ISCUSSION

)TÅ ISÅ IMPORTANTÅ TOÅ VERIFYÅ WHETHERÅ THEÅ ABOVEÅ TRAININGÅ PROCEDUREÅ HASÅ RESULTEDÅ INÅ AN
APPROPRIATEÅ,&&#Å7HENÅONEÅ"3.ÅAPPROXIMATESÅANÅINCORRECTÅFEED FORWARDÅSIGNAL
ALLÅ "3.SÅ THATÅ AREÅ TRAINEDÅ NEXTÅ WILLÅ ALSOÅ APPROXIMATEÅ ANÅ ERRONEOUSÅ FUNCTIONÅ !N
,&&#Å WITHÅ AÅ POORÅ GENERALISINGÅ ABILITYÅ WILLÅ RESULTÅ 3UCHÅ ANÅ ,&&#Å ISÅ ABLEÅ TO
ACCURATELYÅ PERFORMÅ THEÅ TRAININGÅ MOTIONS Å BUTÅ CAUSESÅ LARGEÅ TRACKINGÅ ERRORSÅ FORÅ ALL
OTHERÅREFERENCEÅMOTIONSÅ(ENCE ÅAÅTRAINEDÅPATH INDEXEDÅ,&&#ÅNEEDSÅTOÅBEÅVALIDATED
WITHÅAÅSETÅOFÅTESTÅREFERENCEÅMOTIONS

!NÅ,&&#ÅFORÅAÅWELL CONDITIONEDÅPLANTÅCANÅBEÅDESIGNEDÅASÅFOLLOWS

 $ESIGNÅ AÅ FEEDBACKÅ CONTROLLERÅ 4HEÅ FEEDBACKÅ CONTROLLERÅ COMPENSATESÅ FOR

RANDOMÅ DISTURBANCESÅ ANDÅ GENERATESÅ AÅ LEARNINGÅ SIGNALÅ FORÅ THEÅ FEED FORWARD
PARTÅ 3INCEÅ 4 Å DEPENDSÅ ONÅ THEÅ FEEDBACKÅ CONTROLLER Å THISÅ DESIGNÅ STEP
DETERMINESÅ THEÅ VALUEÅ OFÅ DMINÅ SEEÅ ABOVE Å 7HENÅ THEÅ VALUEÅ DMINÅ ISÅ TOOÅ LARGE
REDESIGNINGÅTHEÅFEEDBACKÅCONTROLLERÅOFFERSÅAÅSOLUTION
 3ELECTÅTHEÅINPUTSÅOFÅTHEÅFEED FORWARDÅPARTÅ)NÅCASEÅOFÅREPETITIVEÅMOTIONS Å THE
PERIODICÅ MOTIONÅ TIMEÅ SHOULDÅ PREFERABLYÅ BEÅ USEDÅ ASÅ THEÅ INPUTÅ OFÅ THEÅ FEED
FORWARDÅPARTÅ&ORÅRANDOMÅMOTIONS ÅTHEÅINPUTSÅSHOULDÅCONSISTÅOFÅTHEÅREFERENCE
POSITIONÅ ANDÅ EVENTUALLYÅ DERIVATIVESINTEGRALSÅ THEREOFÅ 4HEÅ INPUTSÅ CANÅ BE
SELECTEDÅ ONÅ THEÅ BASISÅ OFÅ AÅ STRUCTURALLYÅ CORRECTÅ STATE SPACEÅ DESCRIPTIONÅ OFÅ THE
PLANTÅSEEÅABOVE 
 #HOOSEÅ THEÅ STRUCTUREÅ OFÅ THEÅ FEED FORWARDÅ PARTÅ 4OÅ PREVENTÅ PROBLEMS
ASSOCIATEDÅ WITHÅ THEÅ CURSEÅ OFÅ DIMENSIONALITY Å THEÅ PATH INDEXEDÅ ,&&#Å SHOULD
BEÅ IMPLEMENTEDÅ INÅ AÅ PARSIMONIOUSÅ WAY Å IEÅ BYÅ MEANSÅ OFÅ MULTIPLEÅ LOW
DIMENSIONALÅ "3.SÅ INSTEADÅ OFÅ ONEÅ HIGH DIMENSIONALÅ "3.Å 4HEÅ PARSIMONIOUS
,&&#ÅCANÅBEÅDESIGNEDÅONÅTHEÅBASISÅOFÅPRIORÅKNOWLEDGEÅOFÅTHEÅPLANTÅDYNAMICS
ANDÅTHEÅDISTURBANCES ÅORÅINÅANÅAUTOMATEDÅWAYÅBYÅUSINGÅEMPIRICALÅMODELLING
TECHNIQUESÅSEEÅABOVE 
 $ETERMINEÅ THEÅ " SPLINEÅ DISTRIBUTIONÅ +NOWLEDGEÅ OFÅ THEÅ DESIREDÅ FEED FORWARD
SIGNALS ÅOFÅTHEÅ"3.S ÅINÅTHEÅ,&&# ÅCANÅBEÅUSEDÅTOÅDETERMINEÅTHEÅ" SPLINE
DISTRIBUTION
 3ETÅTHEÅLEARNINGÅRATEÅ 4HEÅLEARNINGÅRATEÅSHOULDÅ BEÅ CHOSENÅ SMALLÅ CLOSEÅ TOÅ 
WHENÅTHEÅPLANTÅISÅSUBJECTÅTOÅCONSIDERABLEÅNOISEÅ/THERWISE ÅAÅLARGERÅLEARNING
RATEÅCANÅBEÅCHOSEN
 3PECIFYÅ TRAININGÅ MOTIONSÅ PARSIMONIOUSÅ ,&&#Å ONLY Å 4HEÅ REFERENCEÅ MOTIONS
SHOULDÅ BEÅ CHOSENÅ SUCHÅ THATÅ THEÅ DESIREDÅ FEED FORWARDÅ SIGNALÅ OFÅ ONEÅ OFÅ THE
UNTRAINEDÅ"3.SÅBECOMESÅDOMINANTÅ/NLYÅTHEÅCORRESPONDINGÅ"3.ÅISÅTRAINED
THEÅWEIGHTSÅOFÅTHEÅOTHERÅ"3.SÅAREÅKEPTÅCONSTANTÅBYÅSETTINGÅTHEÅLEARNINGÅRATE
OFÅTHESEÅNETWORKSÅTOÅZERO

(ENCE ÅTHEÅ,&&#ÅCANÅLARGELYÅBEÅDESIGNEDÅONÅTHEÅBASISÅOFÅQUALITATIVEÅKNOWLEDGEÅOF
THEÅ PLANTÅ ANDÅ THEÅ DISTURBANCESÅ /NLYÅ FORÅ CONVERGENCEÅ GUARANTEES Å AÅ QUANTITATIVE
Å#ONCLUSIONS 

MODELÅOFÅTHEÅLOW FREQUENCYÅDYNAMICSÅOFÅTHEÅCONTROLLEDÅPLANTÅISÅNEEDED ÅWHICHÅMAY

BEÅOBTAINEDÅBYÅMEANSÅOFÅIDENTIFICATION

!NÅOVERALLÅRESULTÅOFÅTHISÅWORKÅISÅTHATÅ,&&#ÅAPPEARSÅTOÅBEÅANÅATTRACTIVEÅAPPROACH
FORÅ CONTROLLINGÅ ELECTROMECHANICALÅ MOTIONÅ SYSTEMSÅ THATÅ AREÅ SUBJECTÅ TOÅ REPRODUCIBLE
STATICÅINPUTÅDISTURBANCES
 $ISCUSSION
! .EURALÅ.ETWORKSÅÅ&UZZYÅ,OGIC

! -ULTIÅ,AYERÅ0ERCEPTRONÅ.EURALÅ.ETWORK

! .EURONS
4HEÅ BASICÅ ELEMENTÅ OFÅ THEÅ -ULTIÅ ,AYERÅ 0ERCEPTRONÅ -,0 Å NEURALÅ NETWORK Å ISÅ THE
ARTIFICIALÅNEURONÅ!NÅARTIFICIALÅNEURON ÅREFERREDÅTOÅASÅNEURON ÅISÅAÅUNITÅTHATÅPERFORMS
AÅ SIMPLEÅ MATHEMATICALÅ OPERATIONÅ ONÅ ITSÅ INPUTSÅ )NÅ FIGUREÅ ! Å THEÅ NEURONÅ IS
GRAPHICALLYÅPRESENTED


X W
W
X W Y
4 F


W.
X.

&IGUREÅ! !RTIFICIALÅNEURON

4HEÅINPUT ÅX ÅOFÅTHEÅNEURONÅCONSISTSÅOFÅTHEÅVARIABLESÅ X   X . ÅANDÅAÅSOÅCALLEDÅBIAS

TERM ÅWHICHÅISÅEQUALÅTOÅ

4
X  ¡ X X   X . ¯° ‰ \. 
!
¢ ±


 .EURALÅ.ETWORKSÅÅ&UZZYÅ,OGIC

%ACHÅOFÅTHEÅINPUTÅVALUESÅISÅMULTIPLIEDÅBYÅAÅWEIGHT Å WI ÅAFTERÅWHICHÅTHEÅRESULTSÅARE
ADDEDÅ /NÅ THEÅ RESULT Å AÅ SIMPLEÅ MATHEMATICALÅ FUNCTION Å F¸ Å ISÅ PERFORMEDÅ 4HE
CALCULATIONSÅTHEÅNEURONÅPERFORMSÅAREÅTHUSÅGIVENÅBYÅ! 

 . ¬­
ž
Y  F žžœ XW
žŸ I  I I
W  ­­­
­®
!

.UMEROUSÅ CHOICESÅ FORÅ THEÅ FUNCTIONSÅ F ¸ Å EXISTÅ &REQUENTLYÅ USEDÅ IMPLEMENTATIONS

AREÅTHEÅ3IGMOIDÅFUNCTIONÅ! ÅFIGUREÅ!A


F U  !
 E U

THEÅHYPERBOLICÅTANGENT ÅFU TANHU ÅFIGUREÅ!B ÅANDÅTHEÅLINEARÅFUNCTION ÅFU U

Y  Y 

 

 
         
U U
A B

&IGUREÅ! A Å3IGMOIDÅFUNCTIONÅ
B Å(YPERBOLICÅTANGENTÅFUNCTION

! -,0Å.ETWORK
4HEÅ -,0Å NEURALÅ NETWORK Å INÅ THEÅ FOLLOWINGÅ REFERREDÅ TOÅ ASÅ -,0 Å CONSISTSÅ OFÅ A
NUMBERÅOFÅNEURONSÅORDEREDÅINÅLAYERSÅ)NÅFIGUREÅ !ÅANÅ-,0ÅISÅSHOWNÅTHATÅCONSISTS
OFÅÅLAYERSÅOFÅNEURONSÅFORÅSAKEÅOFÅSIMPLICITY ÅTHEÅBIASÅTERMSÅANDÅTHEÅWEIGHTSÅAREÅNOT
SHOWN 
!Å-ULTIÅ,AYERÅ0ERCEPTRONÅ.EURALÅ.ETWORK 

LAYERÅ LAYERÅ LAYERÅ

Y 
X Y  Y

X Y  Y  Y




X. Y . Y+
Y-

&IGUREÅ! -ULTIÅ,AYERÅ0ERCEPTRONÅ.ETWORK

.OTEÅ THATÅ AÅ NEURONÅ INÅ LAYERÅ NÅ HASÅ CONNECTIONSÅ TOÅ EACHÅ NEURONÅ INÅ LAYERÅ N Å 4HE
NEURONSÅINÅLAYERÅÅSIMPLYÅPASSÅONÅTHEÅINPUTSÅOFÅTHEÅ-,0ÅTOÅALLÅTHEÅNEURONSÅINÅTHE
SECONDÅLAYER

YN  X N !

4HEÅ NEURONSÅ INÅ THEÅ SECONDÅ LAYER Å THEÅ SOÅ CALLEDÅ HIDDENÅ LAYER Å PERFORMÅ AÅ FUNCTION
F¸ ÅWHICHÅISÅOFÅTHEÅ3IGMOIDÅORÅTHEÅHYPERBOLICÅTANGENTÅTYPE

 . ¬­
ž

YM  F žž œ
žŸ N 

WNM YN W M ­­­
®­
!


7HERE Å WNM Å ISÅ THEÅ WEIGHTÅ OFÅ THEÅ CONNECTIONSÅ BETWEENÅ NEURONÅ NÅ INÅ THEÅ FIRSTÅ LAYER
ANDÅ NEURONÅ MÅ INÅ THEÅ SECONDÅ &INALLY Å THEÅ NEURONSÅ INÅ THEÅ THIRDÅ LAYERÅ PERFORMÅ A
FUNCTION ÅG¸ ÅWHICHÅISÅUSUALLYÅOFÅTHEÅLINEARÅTYPE

- ¬­
ž
YK  G žž œ W  YM
žŸM  MK

W K ­­­
®­
!


7HERE WMK ÅISÅWEIGHTÅOFÅTHEÅCONNECTIONSÅBETWEENÅTHEÅNEURONÅ JÅINÅTHEÅSECONDÅLAYER
ANDÅ NEURONÅ KÅ INÅ THEÅ THIRDÅ 3UBSTITUTINGÅ ! Å ANDÅ ! Å INÅ ! Å YIELDSÅ THE
FOLLOWINGÅOUTPUTÅOFÅTHEÅ-,0ÅFORÅG¸ ÅLINEAR 

-  . ­¬
ž
YK  œ
M 

WMK F žž
ž
œ
Ÿ N 

WNM X N W M ­­­
­®
W K !
 .EURALÅ.ETWORKSÅÅ&UZZYÅ,OGIC

-OREÅHIDDENÅLAYERSÅCANÅBEÅADDEDÅTOÅTHEÅ-,0Å(OWEVER ÅITÅHASÅBEENÅSHOWNÅTHATÅAN
-,0Å WITHÅ ONEÅ HIDDENÅ LAYERÅ CANÅ APPROXIMATEÅ ANYÅ CONTINUOUSÅ FUNCTIONÅ ;(ORNIKÅ ET
AL Å=

! 4RAININGÅTHEÅ-,0Å.EURALÅ.ETWORK
4RAININGÅTHEÅ-,0ÅNETWORKÅISÅPERFORMEDÅBYÅADAPTINGÅTHEÅWEIGHTSÅOFÅTHEÅCONNECTIONS
ACCORDINGÅ TOÅ THEÅ BACKÅ PROPAGATIONÅ MECHANISMÅ ;2UMELHARTÅ ETÅ AL Å Å (AYKIN
=Å4HEÅWEIGHTSÅAREÅADAPTEDÅINÅSUCHÅWAYÅTHATÅAÅCOSTÅFUNCTION Å* ÅISÅMINIMISEDÅ!
COMMONÅCHOICEÅFORÅ*ÅISÅTHEÅSUMÅOFÅTHEÅSQUAREDÅAPPROXIMATIONÅERRORÅOVERÅALLÅDATA

+
 
* 
 œœ Y
J K 
D
K J
 YK J
!

7HEREÅ YKD J ÅISÅTHEÅDESIREDÅOUTPUTÅOFÅNEURONÅK ÅFORÅTHEÅINPUTÅXJ ÅANDÅ YK J ÅISÅTHEÅACTUAL

OUTPUTÅOFÅTHEÅ-,0Å&ORÅSMALLÅADAPTATIONSÅOFÅTHEÅWEIGHTSÅWEÅMAYÅASSUMEÅTHAT

s* %*
x !
sW %W

7HICHÅMEANSÅTHAT

s*
%* x %W !
sW

4HEÅ COSTÅ FUNCTIONÅ WILLÅ DECREASE Å WHENÅ WEÅ CHOOSEÅ THEÅ ADAPTATIONÅ OFÅ THEÅ WEIGHTS
ACCORDINGÅTOÅ!

s*
%W  H
sW
 +
­
¬
ž
s žž
žž 
Ÿ
œœ Y
J K 
D
K J
 YK J ­­­
­®­
 H !
sW
+ sYK J
H œœ Y
J K 
D
K J
 YK J
sW
!Å-ULTIÅ,AYERÅ0ERCEPTRONÅ.EURALÅ.ETWORK 

WHEREÅ H ISÅTHEÅLEARNINGÅRATEÅ4HISÅCANÅBEÅVERIFIEDÅASÅFOLLOWS

s* s* ž s* ­¬  ¬
%* x %W  H ­  H ž s* ­­   !
sW sW žŸ sW ­® Ÿž sW ®­

4HEÅADAPTATIONÅOFÅTHEÅWEIGHTÅOFÅAÅCONNECTIONÅBETWEENÅTHEÅNEURONÅ AÅINÅTHEÅHIDDEN

LAYERÅANDÅOUTPUTÅB Å WAB ÅISÅGIVENÅBY

-  . ¬­ ¬­
ž ž
+
s žž
žžœ
ŸM 

WMK F žž
žŸ N 
œ
WNM X N W M ­­­
­®
W K ­­­
­®

%WAB H œœ
J K 
YKD J  YK J 
sWAB
!
 . ­¬
ž
œ
F žž
žŸ
 
WNA XN W A ­­­
­®
H œJ
YBD J  YB I N 
sWAB

4HEÅADAPTATIONÅOFÅTHEÅWEIGHTSÅOFÅTHEÅCONNECTIONSÅBETWEENÅTHEÅINPUTÅANDÅTHEÅHIDDEN

LAYER ÅISÅMOREÅCOMPLICATEDÅ&ORÅWEIGHTÅ WCD ÅTHEÅADAPTATIONÅISÅGIVENÅBY

-  . ¬­ ¬­
ž ž
+
s žž
žž œ
ŸM 

WMK F žž
ž œ
Ÿ N 

WNM X N W M ­­­
®­
W K ­­­
­®

%WCD H œœ Y
J K 
D
K J
 YK J 
sWCD
 . ­¬
 ž
+
sWDK F žž œ W  X N
žŸ N  ND
W D ­­­
­®
H œœ
J K 
YKD J  YK J 
sWCD
 . ¬­  . ¬­
ž ž
+
sF žž
žŸ œ  
WND XN W D ­­­ s žž
ž œ
®­ Ÿ N 
 
WND XN W D ­­­
®­
H œœ Y D
K J

 YK J WDK N 
 .
ž ­¬

sWCD
J K 
s žž œ W  X N
žŸ N  ND
W D ­­­
­®
+  . ¬­
ž
H œœ Y
J K 
D
K J
 YK J 
WDK F  žžœ
žŸ
N 
 
WND XN W D ­­­ XC
®­
!
 .EURALÅ.ETWORKSÅÅ&UZZYÅ,OGIC

! " SPLINEÅ.ETWORK

! " SPLINES

!Å " 3PLINEÅ .ETWORKÅ "3. Å USESÅ BASISÅ FUNCTIONS Å KNOWNÅ ASÅ " SPLINES Å FOR
APPROXIMATIONÅ !NÅ N THÅ ORDERÅ  DIMENSIONALÅ " SPLINEÅ CONSISTSÅ OFÅ PIECE WISE
POLYNOMIALÅFUNCTIONSÅOFÅORDERÅN ÅFIGUREÅ! Å4HEÅHEIGHTÅOFÅAÅ" SPLINEÅISÅKNOWNÅAS
THEÅMEMBERSHIPÅANDÅISÅDENOTEDÅASÅ N ‰ < > 

         

A B

    

C

&IGUREÅ! A ÅSTÅORDERÅ" SPLINES

B ÅNDÅORDERÅ" SPLINES
C ÅRDÅORDERÅ" SPLINES

4HEÅSHAPEÅANDÅTHEÅPOSITIONÅOFÅTHEÅ" SPLINESÅISÅSUCHÅTHATÅATÅEACHÅPOINTÅINÅTHEÅINPUT
SPACE ÅTHEÅSUMÅOFÅTHEÅMEMBERSHIPÅOFÅTHEÅ" SPLINESÅEQUALSÅÅ4HEÅPOSITIONÅOFÅTHEÅ"
SPLINESÅONÅTHEÅINPUTÅDOMAINÅISÅDETERMINEDÅBYÅAÅSO CALLEDÅKNOTÅVECTOR

M  ¡M M  M. ¯° ‰ \ . K
!
¢ ±K
!Å" SPLINEÅ.ETWORK 

4HEÅMEMBERSHIPÅOFÅTHEÅK THÅ" SPLINEÅOFÅORDERÅNÅISÅGIVENÅBY

 X M ¬  M X ¬­
I N ­ žž
NIN X  žžž ­­ NN  X žž
I ­­ NN  X
­ I !
žŸ MI   MI N ­­® I  Ÿ I MI N
M  ­ ®

£
¦ IF MI  b X  MI
NI X  ¦
¤ !
¦
¦ OTHERWISE
¥

)NÅTHISÅRESEARCH ÅWEÅONLYÅCONSIDERÅ NDÅORDERÅ" SPLINESÅ4HEÅMEMBERSHIPÅOFÅTHEÅ I TH

NDÅORDERÅ" SPLINEÅWILLÅBEÅDENOTEDÅBYÅ NI X Å!Å" SPLINEÅHASÅAÅMEMBERSHIPÅTHATÅIS
LARGERÅTHANÅZEROÅONLYÅONÅAÅCOMPACTÅPARTÅOFÅTHEÅINPUTÅSPACEÅ4HISÅPARTÅOFÅTHEÅINPUT
SPACEÅ ISÅ KNOWNÅ ASÅ THEÅ SUPPORTÅ OFÅ AÅ " SPLINEÅ -ULTI DIMENSIONALÅ " SPLINESÅ ARE
CONSTRUCTEDÅBYÅTHEÅTENSORÅPRODUCTÅOFÅ DIMENSIONALÅ" SPLINESÅFIGUREÅ! 

NI I
X X   NI X  NI X  !
   

x

N
x

&IGUREÅ!Å DIMENSIONALÅ" SPLINE

4HEÅSUPPORTSÅOFÅTHEÅ" SPLINESÅFORMÅAÅGRIDÅFIGUREÅ!A 

x

x
N
x

x
A B

&IGUREÅ! A Å DIMENSIONALÅ" SPLINES

B Å'RIDÅFORMEDÅBYÅTHEÅSUPPORTSÅOFÅTHEÅ" SPLINES
 .EURALÅ.ETWORKSÅÅ&UZZYÅ,OGIC

! " SPLINEÅ.ETWORK

4HEÅOUTPUTÅOFÅAÅ"3.ÅISÅAÅWEIGHTEDÅSUMÅOFÅTHEÅ" SPLINEÅEVALUATIONSÅ)NÅFIGUREÅ !
THISÅISÅSHOWNÅINÅAÅFORMÅSIMILARÅTOÅTHEÅ-,0

4
W W W W .K
 

X
&IGUREÅ! -,0ÅREPRESENTATIONÅOFÅAÅ"3.

)NÅTHEÅ DIMENSIONALÅCASEÅTHEÅOUTPUTÅOFÅTHEÅ"3.ÅISÅGIVENÅBY

.K
Y œ N X
I 
I
¸ WI !

WHERE

X THEÅINPUT Å X ‰ \ 
YÅ THEÅOUTPUTÅOFÅTHEÅNETWORK
. K NUMBERÅOFÅ" SPLINES
NI X  MEMBERSHIPÅOFÅTHEÅI THÅ" SPLINE
WI NETWORKÅWEIGHTÅOFÅTHEÅI THÅ" SPLINE

!NÅEXAMPLEÅOFÅANÅINPUT OUTPUTÅMAPPINGÅISÅGIVENÅINÅFIGUREÅ !Å0LEASEÅOBSERVEÅTHAT

THEÅ"3.ÅCANÅALSOÅBEÅREGARDEDÅASÅANÅADAPTIVEÅFUZZYÅLOGICÅCONTROLLERÅ)TÅISÅEQUALÅTOÅA
-AMDANIÅ TYPEÅ FUZZYÅ LOGICÅ CONTROLLERÅ ;,EE Å =Å WHICHÅ HASÅ FUZZYÅ SINGLETONSÅ AS
CONSEQUENCEÅ SETSÅ !NOTHERÅ WAYÅ TOÅ LOOKÅ ATÅ THEÅ "3. Å ISÅ ASÅ AÅ LOOK UPÅ TABLEÅ WITHÅ AN
INTERPOLATIONÅMECHANISM
!Å" SPLINEÅ.ETWORK 

W W  W  W W W W W

X
&IGUREÅ! NDÅORDERÅ" SPLINEÅNETWORKÅMAPPING

! 4RAININGÅTHEÅ"3.
4HEÅ NETWORKÅ ISÅ TRAINEDÅ BYÅ ADAPTINGÅ WEIGHTS Å NOTÅ THEÅ BASISÅ FUNCTIONSÅ 4HISÅ CAN
EITHERÅBEÅDONEÅAFTERÅEACHÅSAMPLINGÅINTERVAL ÅWHICHÅISÅKNOWNÅASÅON LINEÅLEARNING ÅOR
AFTERÅAÅMOTIONÅHASÅBEENÅCOMPLETED ÅKNOWNÅASÅOFF LINEÅLEARNINGÅ)NÅTHEÅON LINEÅCASE
THEÅCOSTÅFUNCTION Å* ÅTHATÅISÅMINIMISEDÅISÅTHEÅSQUAREDÅAPPROXIMATIONÅERRORÅ! 

 
*  Y Y !
 D

7HEREÅ YDÅ ISÅ THEÅ DESIREDÅ OUTPUTÅ OFÅ THEÅ "3.Å !PPLYINGÅ THEÅ BACKÅ PROPAGATIONÅ RULE
! ÅYIELDS

s* sY
%WI  H  H YD  Y !
sW I sW I

3UBSTITUTINGÅ! ÅINÅ! ÅGIVES

.K
s œ N X
J 
J
¸ WJ
%WI  H YD  Y !
sW I
 H YD  Y NI X

WITH %WI THEÅADAPTATIONÅOFÅTHEÅWEIGHTÅOFÅTHEÅI THÅ" SPLINE

H THEÅLEARNINGÅRATE Å H b
 .EURALÅ.ETWORKSÅÅ&UZZYÅ,OGIC

)NÅTHEÅOFF LINEÅCASEÅTHEÅCOSTÅFUNCTIONÅISÅGIVENÅBY


* 
 œY J
D J
 YJ  !

7HEREÅ YD IÅ ISÅ THEÅ DESIREDÅ OUTPUTÅ FORÅ INPUTÅ XIÅ ANDÅ YIÅ ISÅ THEÅ OUTPUTÅ OFÅ THEÅ "3.
0ERFORMINGÅ THEÅ SAMEÅ CALCULATIONSÅ ASÅ ABOVEÅ GIVESÅ THEÅ FOLLOWINGÅ ADAPTATIONÅ OFÅ THE
WEIGHTS

%WI  H œY J
D J
 Y J NIN X J !

)NÅORDERÅTOÅPREVENTÅLARGEÅWEIGHTÅADAPTATIONS ÅWEÅPROPOSEÅTOÅNORMALISEÅ ! 

œ Y  Y N X
J
D J J
N
I J
%WI H !
œ N X J
N
I J

,EARNINGÅ RULEÅ ! Å IMPLIESÅ THATÅ INÅ ,&&#Å THEÅ WEIGHTSÅ AREÅ UPDATEDÅ AFTERÅ A
REFERENCEÅ MOTIONÅ HASÅ BEENÅ COMPLETEDÅ 3INCEÅ INÅ THEORY Å THEÅ REFERENCEÅ MOTIONÅ MAY
HAVEÅ INFINITEÅ TIMEÅ LENGTH Å IMPLEMENTINGÅ THEÅ OFF LINEÅ LEARNINGÅ RULEÅ ASÅ ! Å IS
UNDESIREDÅ 4HEREFORE Å WEÅ PROPOSEÅ TOÅ IMPLEMENTÅ THEÅ OFF LINEÅ LEARNINGÅ MECHANISMÅ IN
THEÅFOLLOWINGÅWAY

!LGORITHMÅ!Å/FF LINEÅLEARNINGÅMECHANISM
 0RESENTÅ INPUTSÅ XJÅ ANDÅ AÅ LEARNINGÅ SIGNALÅ YD J  Y J TOÅ THEÅ "3.Å J  b 
7HILEÅ THEÅ MEMBERSHIPÅ OFÅ " SPLINEÅ IÅ FORÅ INPUTÅ XJÅ NI X J  Å CALCULATEÅ THE
ADAPTATIONÅOFÅWIÅACCORDINGÅTOÅ! 

 !TÅTHEÅPOINTÅINÅTIMEÅWHEREÅ NI X J   ÅWIÅISÅADAPTED Å WI  WI %W I 

)NÅFIGUREÅ!ÅANÅEXAMPLEÅISÅGIVENÅ&ORÅX ÅTHEÅMEMBERSHIPSÅOFÅ" SPLINEÅÅANDÅÅARE

UNEQUALÅTOÅÅ!TÅX ÅTHEÅMEMBERSHIPÅOFÅ" SPLINEÅÅEQUALSÅ ÅWHICHÅMEANSÅTHATÅITÅNO
LONGERÅ CONTRIBUTESÅ TOÅ THEÅ OUTPUTÅ OFÅ THEÅ "3.Å 4HEREFORE Å WEÅ CHOOSEÅ TOÅ UPDATEÅ THE
WEIGHTÅOFÅ" SPLINEÅ
!Å&UZZYÅ,OGIC 

    

X X X X  X X X X X X X

UPDATEÅW UPDATEÅW
UPDATEÅW

&IGUREÅ! )MPLEMENTATIONÅOFÅTHEÅOFF LINEÅLEARNINGÅMECHANISM

! &UZZYÅ,OGIC

! )NTRODUCTION
)NÅTHEÅCLASSICALÅSETÅTHEORY ÅANÅOBJECTÅISÅEITHERÅAÅMEMBERÅOFÅAÅSETÅORÅAÅNON MEMBER
&ORÅ SOMEÅ TYPESÅ OFÅ OBJECTS Å CLASSIFICATIONÅ PROBLEMSÅ MAYÅ OCCURÅ 4HISÅ CANÅ BEÅ EASILY
SHOWNÅBYÅTHEÅCLASSIFICATIONÅOFÅPEOPLEÅINÅTHEÅSETSÅkBALDlÅANDÅkNOTÅBALDlÅ!ÅPERSON
WITHÅÅHAIRSÅONÅHISÅHEADÅISÅCLASSIFIEDÅINÅTHEÅSETÅkNOTÅBALDlÅ)FÅONEÅHAIRÅISÅTORN
OUT Å THEÅ PERSONÅ WILLÅ STILLÅ BEÅ CLASSIFIEDÅ INÅ THEÅ SETÅ kNOTÅ BALDlÅ !Å PERSONÅ DOESÅ NOT
BECOMEÅkBALDlÅIFÅHEÅLOSESÅJUSTÅONEÅOFÅHISÅHAIRSÅ4HISÅPROCESSÅCANÅBEÅREPEATEDÅUNTIL
THEÅ MANÅ HASÅ JUSTÅ ONEÅ HAIRÅ LEFTÅ )FÅ THEÅ LASTÅ HAIRÅ ISÅ TORNÅ OUTÅ THEÅ MANÅ SUDDENLY
BECOMESÅ kBALDlÅ 4HISÅ WAYÅ OFÅ CLASSIFICATIONÅ DOESÅ NOTÅ CORRESPONDÅ TOÅ THEÅ HUMAN
INTUITIONÅ)NÅNORMALÅLIFEÅAÅMANÅWITHÅÅHAIRSÅONÅHISÅHEADÅISÅCONSIDEREDÅBALD

4HEÅ REASONÅ FORÅ THEÅ SECONDÅ CLASSIFICATIONÅ TOÅ FAIL Å ISÅ THATÅ THEÅ SETSÅ kBALDlÅ ANDÅ kNOT
BALDlÅDOÅNOTÅHAVEÅSHARPÅBOUNDARIESÅ!ÅPERSONÅDOESÅNOTÅBECOMEÅ BALDÅ AFTERÅ HEÅ HAS
LOSTÅ ONEÅ OFÅ HISÅ HAIRS Å BUTÅ GRADUALLYÅ BECOMESÅ BALDÅ AFTERÅ HEÅ LOOSESÅ MOREÅ ANDÅ MORE
HAIRSÅ4OÅBEÅABLEÅTOÅDESCRIBEÅTHISÅKINDÅOFÅPHENOMENONS Å:ADEHÅINVENTEDÅTHEÅFUZZY
SETÅTHEORYÅ;:ADEH ÅÅ,EE Å=Å)NÅTHEÅFUZZYÅSETÅTHEORYÅANÅOBJECTÅCANÅPARTIALLY
BELONGÅ TOÅ AÅ SETÅ !Å MANÅ WITHÅ Å HAIRSÅ ONÅ HISÅ HEADÅ COULD Å FORÅ EXAMPLE Å BEÅ A
MEMBERÅOFÅTHEÅSETÅkBALDlÅFORÅÅANDÅAÅMEMBERÅOFÅTHEÅSETÅkNOTÅBALDlÅFORÅANOTHER


! &UZZYÅ3ETS
4OÅDEALÅWITHÅFUZZINESSÅTHEÅGRADEÅOFÅMEMBERSHIPÅOFÅMEMBERSHIPÅWASÅINTRODUCED
 .EURALÅ.ETWORKSÅÅ&UZZYÅ,OGIC

$EFINITIONÅ !Å 'RADEÅ OFÅ MEMBERSHIP Å 4HEÅ GRADEÅ OFÅ MEMBERSHIPÅ ISÅ THEÅ RELATIVE
DEGREEÅTOÅWHICHÅANÅELEMENTÅXÅISÅAÅMEMBERÅOFÅSETÅ&ÅANDÅISÅDENOTEDÅASÅ N& ‰ ; = 

4HEÅDOMAINÅONÅWHICHÅFUZZYÅSETSÅAREÅDEFINEDÅISÅCALLEDÅTHEÅUNIVERSEÅOFÅDISCOURSE

$EFINITIONÅ!Å5NIVERSEÅOFÅDISCOURSE Å4HEÅUNIVERSEÅOFÅDISCOURSEÅ8 ÅISÅTHEÅCOLLECTION

OFÅALLÅOBJECTSÅX ÅSUITABLEÅFORÅCLASSIFICATION

5SINGÅDEFINITIONÅ!ÅANDÅ!ÅWEÅAREÅNOWÅABLEÅTOÅGIVEÅAÅDEFINITIONÅOFÅAÅFUZZYÅSET

$EFINITIONÅ!Å&UZZYÅSET Å!ÅFUZZYÅSETÅ&ÅONÅ8ÅISÅAÅCOLLECTIONÅOVERÅALLÅX∈8ÅOFÅXÅAND
N& X 

& ¨
8
N& X X ÅÅÅÅÅÅINÅWHICHÅN& X ‰ <  > !

)NÅ ! Å ¨
8
MUSTÅ BEÅ INTERPRETEDÅ ASÅ THEÅ COLLECTIONÅ OVERÅ 8Å ANDÅ N& X X Å ASÅ A

PAIRÅ X N& X Å)NÅFIGUREÅ!ÅANÅEXAMPLEÅOFÅAÅTRAPEZOIDALÅFUZZYÅSETÅISÅPRESENTEDÅ!

SPECIALÅTYPEÅOFÅFUZZYÅSET ÅISÅTHEÅSOÅCALLEDÅFUZZYÅSINGLETON

$EFINITIONÅ!Å&UZZYÅSINGLETON Å!ÅFUZZYÅSINGLETONÅISÅAÅFUZZYÅSETÅTHATÅHASÅONLYÅONE
MEMBERÅWITHÅ N& v  

& ¨ 8
δA  X X !

)NÅWHICHÅ E ÅISÅTHEÅ$IRACÅFUNCTION

& &
&
&

A
8 ÅÅ 8
A ÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅB

&IGUREÅ! A Å4RAPEZOIDALÅFUZZYÅSETÅ&
B Å&UZZYÅSINGLETONÅ&
!Å&UZZYÅ,OGIC 

! /PERATIONSÅONÅ&UZZYÅ3ETS
3EVERALÅ OPERATIONSÅ ONÅ FUZZYÅ SETSÅ HAVEÅ BEENÅ DEFINED Å WHICHÅ CANÅ BEÅ ROUGHLYÅ BE
DIVIDEDÅINÅTHEÅFOLLOWINGÅCLASSESÅ4HEÅCLASSÅOFÅ4 NORMÅOPERATIONSÅ ÅDENOTEDÅBYÅ ÅIS
CHARACTERISEDÅ BYÅ THEÅ FACTÅ THATÅ THEÅ RESULTINGÅ FUZZYÅ SETÅ ISÅ GENERALLYÅ SMALLERÅ THANÅ OR
EQUALÅTOÅEACHÅOFÅTHEÅOPERANDSÅ%XAMPLESÅOFÅTHEÅ4 NORMÅAREÅTHEÅFUZZYÅINTERSECTION
ANDÅTHEÅALGEBRAICÅPRODUCT ÅRESPECTIVELY

N! X N" X  MIN N! X N" X !

N! X N" X  N! X N" X !

4HEÅ4 CONORMÅOPERATIONS ÅDENOTEDÅBYÅ  ÅYIELDÅAÅFUZZYÅSETÅTHATÅISÅGENERALLYÅLARGER

THANÅORÅEQUALÅTOÅEACHÅOFÅTHEÅOPERANDSÅ%XAMPLESÅOFÅTHEÅ4 CONORMÅAREÅFUZZYÅUNION
ANDÅTHEÅBOUNDEDÅSUMÅRESPECTIVELY

N! X  N" X  MAX N! X N" X !

N! X  N" X  MIN  N! X N" X !

&INALLY Å WEÅ WOULDÅ LIKEÅ TOÅ DEFINEÅ THEÅ SUP ∗Å COMPOSITIONÅ 7HENÅ #Å ANDÅ $Å AREÅ FUZZY
SETSÅ INÅ RESPECTIVELYÅ 8Å ANDÅ 8×9 Å THEÅ SUP ∗Å COMPOSITIONÅ OFÅ #Å ANDÅ $ Å DENOTEDÅ AS
# D $ ÅISÅAÅFUZZYÅSETÅINÅ9 ÅWITHÅTHEÅFOLLOWINGÅMEMBERSHIPÅFUNCTION

N# D$ Y  SUP X ‰8 N# X N$ X Y Å !

! -AMDANIÅ&UZZYÅ#ONTROLLER
&UZZYÅ LOGICÅ CONTROLLERSÅ OPERATEÅ INÅ ANÅ ENVIRONMENT Å INÅ WHICHÅ THEÅ VARIABLESÅ HAVEÅ A
REAL ÅNONÅFUZZY ÅVALUEÅ4HISÅMEANSÅTHAT ÅTOÅBEÅABLEÅTOÅAPPLYÅAÅFUZZYÅLOGICÅCONTROLLER
THEÅVALUESÅOFÅTHEÅINPUTSÅNEEDÅTOÅBEÅTRANSFORMEDÅTOÅFUZZYÅSETSÅ4HISÅPROCESSÅISÅKNOWN
ASÅ FUZZIFICATIONÅ &UZZIFICATIONÅ ISÅ OFTENÅ PERFORMEDÅ BYÅ CONSTRUCTINGÅ AÅ FUZZYÅ SINGLETON
GIVENÅBY

!  ¨8 EX  A X !

WHERE
 .EURALÅ.ETWORKSÅÅ&UZZYÅ,OGIC

AÅ THEÅVALUEÅOFÅTHEÅINPUTÅVARIABLE ÅX

!jÅ THEÅFUZZYÅINPUTÅSET ÅREPRESENTINGÅTHEÅVALUEÅOFÅINPUTÅVARIABLE

)NÅ THEÅ -AMDANIÅ FUZZYÅ CONTROLLER Å THEÅ INPUT OUTPUTÅ BEHAVIOURÅ ISÅ SPECIFIEDÅ BYÅ A
NUMBERÅOFÅ)& 4(%.ÅRULES

)&ÅXÅISÅ!IÅ4(%.ÅYÅISÅ"I !

)NÅWHICH

! I THEÅ FUZZYÅ ANTECEDENTÅ SET Å REPRESENTINGÅ INPUTÅ VALUESÅ OFÅ THE

CONTROLLER
"IÅ THEÅFUZZYÅCONSEQUENCEÅSET ÅREPRESENTINGÅTHEÅACTIONSÅTHATÅSHOULD
BEÅTAKENÅWHENÅTHESEÅINPUTSÅOCCUR

4HEÅ REASONINGÅ MECHANISM Å ACCORDINGÅ TOÅ WHICHÅ THEÅ OUTPUTÅ OFÅ THEÅ FUZZYÅ LOGIC
CONTROLLERÅISÅCALCULATED ÅCANÅBEÅDESCRIBEDÅBYÅTHEÅGENERALISEDÅMODUSÅPONENSÅ! 

PREMISE X IS ! 
IMPLICATION )& X IS !I 4(%. Y IS "I !
CONSEQUENCE Y IS " 

)NÅWHICH

YÅÅ THEÅOUTPUTÅVARIABLE
"jÅ FUZZYÅOUTPUTÅSET ÅREPRESENTINGÅTHEÅVALUEÅOFÅTHEÅOUTPUTÅVARIABLE

4HEÅ IMPLICATIONÅ k)&Å XÅ ISÅ !IÅ 4(%.Å YÅ ISÅ "IlÅ CANÅ BEÅ DEFINEDÅ ASÅ AÅ RELATIONÅ BETWEEN
FUZZYÅ SETÅ !IÅ ANDÅ "IÅ 4HISÅ RELATIONÅ ISÅ REFERREDÅ TOÅ ASÅ THEÅ FUZZYÅ IMPLICATIONÅ !Å FUZZY
IMPLICATIONÅISÅAÅSPECIALÅKINDÅOFÅFUZZYÅRELATION

$EFINITIONÅ!ÅFUZZYÅRELATION Å,ETÅ8ÅANDÅ9ÅBEÅTWOÅUNIVERSESÅOFÅDISCOURSEÅ!ÅFUZZY
RELATIONÅ 2Å ISÅ AÅ FUZZYÅ SETÅ INÅ THEÅ PRODUCTÅ SPACEÅ 8×9Å WITHÅ MEMBERSHIPÅ FUNCTION
N2 X Y ÅWHEREÅX‰8ÅANDÅY‰9

$EFINITIONÅ!ÅFUZZYÅIMPLICATION Å,ETÅ!IÅBEÅAÅFUZZYÅSETÅINÅ8ÅANDÅ"IÅBEÅAÅFUZZYÅSETÅIN
9Å 4HEÅ FUZZYÅ IMPLICATION Å DENOTEDÅ ASÅ !I→"I Å ISÅ AÅ FUZZYÅ RELATIONÅ INÅ 8×9Å WITHÅ THE
FOLLOWINGÅMEMBERSHIPÅFUNCTIONS

N! l" X Y  N! X N" Y !

I I I I
!Å&UZZYÅ,OGIC 

)NÅ THEÅ FOLLOWINGÅ WEÅ WILLÅ DENOTEÅ !I→"IÅ ASÅ 2IÅ )NÅ FIGUREÅ !Å ANÅ EXAMPLEÅ OFÅ FUZZY
IMPLICATIONÅ! ÅUSINGÅTHEÅMIN OPERATOR ÅISÅGIVEN

Y Bi Ri

N Ai
X

&IGUREÅ! &UZZYÅIMPLICATION ÅMIN OPERATOR

4HEÅ FUZZYÅ OUTPUTÅ SETÅ "IÅ ISÅ CALCULATEDÅ FROMÅ !Å ANDÅ THEÅ FUZZYÅ IMPLICATIONÅ 2IÅ 4HIS
CALCULATIONÅISÅPERFORMEDÅBYÅTHEÅFUZZYÅINFERENCEÅENGINE

$EFINITIONÅ!ÅFUZZYÅINFERENCE Å,ETÅ!ÅBEÅAÅFUZZYÅINPUTÅSETÅINÅ8ÅANDÅ2IÅBEÅAÅFUZZY
IMPLICATIONÅINÅ8×9Å4HEÅFUZZYÅINFERENCEÅCALCULATESÅFUZZYÅOUTPUTÅSETÅ"IÅONÅTHEÅBASIS
OFÅ!ÅANDÅ2IÅ4HEÅMEMBERSHIPÅFUNCTIONÅOFÅ"IjÅISÅGIVENÅBY

"I   ! D 2I !

WHICHÅIS

"I   ¨9 SUPX ‰8 N!  X N! X
I
N" Y Y
I
!

4HEÅ FUZZYÅ INFERENCEÅ ENGINEÅ ISÅ ILLUSTRATEDÅ INÅ FIGUREÅ !Å  Å ISÅ IMPLEMENTEDÅ ASÅ THE
MIN OPERATOR 

Bi
Y Ri
B i' N Ai
X
A'
&IGUREÅ! &UZZYÅINFERENCEÅENGINE

3OÅ FARÅ FUZZYÅ )& 4(%.Å RULESÅ HADÅ ONEÅ FUZZYÅ INPUTÅ SETÅ )NÅ CASEÅ OFÅ FUZZYÅ )& 4(%.
RULESÅWITHÅMOREÅTHANÅONEÅFUZZYÅANTECEDENTÅSET ÅEG

)& X IS ! I !.$ X  IS ! I 4(%. Y IS "I !

 .EURALÅ.ETWORKSÅÅ&UZZYÅ,OGIC

THEÅ!.$ÅCONNECTIVEÅISÅUSEDÅ!ÅFUZZYÅIMPLICATIONÅWITHÅFUZZYÅANTECEDENTÅSETSÅ ! IÅIN
8ÅANDÅ! IÅINÅ8ÅANDÅFUZZYÅCONSEQUENCEÅSETÅ"IÅINÅ9ÅISÅEXPRESSEDÅAS

2I  ! I Å!.$Å! I l "I !

N2 X X  Y  N! X !
X  N" Y !
I  I  I I

4HEÅCALCULATIONÅOFÅ"IjÅUSINGÅTHEÅ!.$ÅOPERATORÅANDÅFUZZYÅINPUTÅSETSÅ!jÅANDÅ!jÅCAN
BEÅEXPRESSEDÅASÅFOLLOWS

"I   !  Å!.$Å!  D 2I !

WHICHÅGIVES

"I   ¨9 SUPX ‰8
 
X ‰8
 
N!  X N!  X 
 
N! X 
 I
N! X 
 I
N" Y Y
I

!

%ACHÅOFÅTHEÅRULESÅGIVESÅONEÅFUZZYÅOUTPUTÅSETÅ)NÅORDERÅTOÅCALCULATEÅTHEÅOUTPUTÅOFÅTHE
FUZZYÅ CONTROLLER Å ALLÅ SEPARATEÅ OUTPUTÅ SETS Å "Ij Å HAVEÅ TOÅ BEÅ COMBINEDÅ INÅ ONEÅ OUTPUT
SET Å"jÅ4HISÅISÅDONEÅBYÅTHEÅ!,3/ÅOPERATOR ÅWHICHÅISÅIMPLEMENTEDÅASÅAÅ4 CONORM

"   "   "   "N  Å !

7HEREÅNÅISÅTHEÅNUMBERÅOFÅFUZZYÅRELATIONSÅ3INCEÅTHEÅFUZZYÅLOGICÅCONTROLLERÅOPERATES
INÅ AÅ REAL VALUEDÅ ENVIRONMENT Å THEÅ FUZZYÅ OUTPUTÅ SETÅ "jÅ HASÅ TOÅ BEÅ TRANSFORMEDÅ INÅ A
SINGLEÅVALUE ÅBÅ4HISÅPROCESSÅISÅKNOWNÅASÅDEFUZZIFICATIONÅ4HEÅMOSTÅFREQUENTLYÅUSED
METHODÅISÅTHEÅ#ENTREÅ/FÅ!REAÅ#/! ÅDEFUZZIFICATION ÅWHICHÅISÅGIVENÅBY

B
¨9 N"  Y Y ÅDY !
¨9 N"  Y ÅDY
)NÅ FIGUREÅ ! Å ANÅ EXAMPLEÅ ISÅ SHOWNÅ WHEREÅ THEÅ FUZZYÅ OUTPUTÅ SETÅ " Å WHICHÅ ISÅ THE
COMBINATIONÅOFÅTWOÅFUZZYÅOUTPUTÅSETSÅ"ÅANDÅ" ÅISÅCONVERTEDÅINTOÅAÅSINGLEÅVALUE ÅB
!Å&UZZYÅ,OGIC 

"
" "

9
B
&IGUREÅ! &UZZYÅOUTPUTÅSETS

&ORÅSPECIALÅCHOICESÅOFÅTHEÅFUZZYÅPREMISEÅANDÅTHEÅFUZZYÅCONSEQUENCEÅSETS ÅTHEÅFUZZY
CONTROLLERÅISÅEQUIVALENTÅTOÅAÅ NDÅORDERÅ"3.Å4HESEÅCHOICESÅARE

 4HEÅ FUZZYÅ ANTECEDENTÅ SETSÅ AREÅ TRIANGULARÅ 4HEÅ POSITIONSÅ OFÅ THEÅ FUZZY
ANTECEDENTÅ SETSÅ ISÅ SUCHÅ THATÅ FORÅ EACHÅ INPUTÅ VALUE Å THEÅ SUMÅ OFÅ THE
MEMBERSHIPSÅEQUALSÅ
 4HEÅFUZZYÅCONSEQUENCEÅSETSÅAREÅFUZZYÅSINGLETONS
 4HEÅ OPERATORÅISÅIMPLEMENTEDÅASÅAÅPRODUCT

 4HEÅ  OPERATORÅISÅIMPLEMENTEDÅASÅAÅBOUNDEDÅSUM

)NÅFIGUREÅ!ÅANÅEXAMPLEÅOFÅSUCHÅAÅFUZZYÅCONTROLLERÅISÅSHOWN

B2 R2
B3 R3
Y B1 R1
N A2 A3
A1
X

&IGUREÅ! &UZZYÅCONTROLLERÅTHATÅISÅEQUIVALENTÅTOÅAÅ"3.

4HEÅ OUTPUTÅ OFÅ AÅ FUZZYÅ CONTROLLERÅ ISÅ CALCULATEDÅ ASÅ FOLLOWSÅ 4HEÅ FUZZYÅ RELATIONSÅ ARE
GIVENÅBY

2I  ¨8 q9 N! 
X EY  BI X Y !

4HEÅFUZZYÅOUTPUTÅSETSÅAREÅDETERMINEDÅGIVEN

"I   ! D 2I !
 .EURALÅ.ETWORKSÅÅ&UZZYÅ,OGIC

"I   ¨9 SUPX ‰8 EX  A N! X EY  BI Y

I
!

"I   ¨9 N! A EY  BI
I
Y !

#OMBININGÅTHEÅSEPARATEÅOUTPUTÅSETSÅ"IjÅTOÅONEÅOUTPUTÅSET Å"j ÅYIELDS

" ¨9 MIN  N! A EY  B


! N! A EY  BN Y
N
!

3INCEÅTHEÅSUMÅOFÅTHEÅMEMBERSHIPSÅOFÅTHEÅFUZZYÅANTECEDENTÅSETSÅEQUALSÅÅFORÅEACHÅ A
! ÅCANÅBEÅWRITTENÅAS

" ¨9 N! A EY  B

! N! A EY  BN Y
N
!

$EFUZZIFICATIONÅYIELDS

¨ N! A EY  B

! N! A EY  BN Y ÅDY
N

B  dd !

¨ N! A EY  B

! N! A EY  BN ÅDY
N

d

!SÅ BEFORE Å THEÅ FACTÅ THATÅ THEÅ SUMÅ OFÅ THEÅ MEMBERSHIPSÅ OFÅ THEÅ FUZZYÅ ANTECEDENTÅ SETS
EQUALSÅÅFORÅEACHÅA ÅCANÅBEÅUSEDÅTOÅSIMPLIFYÅ! 

¨ N! A EY  B

! N! A EY  BN
N
ÅDY  N! A

! N! A
N
!
d


4HISÅGIVESÅTHEÅFOLLOWINGÅOUTPUTÅOFÅTHEÅFUZZYÅCONTROLLER

d
B ¨ N! A EY  B

! N! A EY  BN Y ÅDY
N
!
d
!Å&UZZYÅ,OGIC 

d
B ¨ N! A B

! N! A BN ÅDY
N
!
d

7HENÅ COMPARINGÅ THEÅ OUTPUTÅ OFÅ THEÅ FUZZYÅ CONTROLLERÅ ! Å TOÅ THEÅ OUTPUTÅ OFÅ THE
"3.Å ! Å ITÅ CANÅ BEÅ SEENÅ THATÅ THESEÅ AREÅ EQUIVALENTÅ 4HEÅ FUZZYÅ CONSEQUENCEÅ SETS
FULFILÅ THEÅ ROLEÅ OFÅ THEÅ WEIGHTSÅ INÅ THEÅ "3.Å 4HEÅ "3.Å CANÅ THUSÅ BEÅ REGARDEDÅ ASÅ AN
ADAPTIVEÅFUZZYÅCONTROLLER ÅOFÅWHICHÅTHEÅFUZZYÅCONSEQUENCEÅSETSÅAREÅADAPTED

! 4AKAGI 3UGENOÅ&UZZYÅ#ONTROLLER

4HEÅ43ÅFUZZYÅMODELÅCONSISTSÅOFÅAÅCOLLECTIONÅOFÅRULESÅTHATÅHAVEÅTHEÅFOLLOWINGÅFORM

)& X  IS ! I !.$ " !.$ X M IS !N I

2ULEÅIÅÅÅ !
4(%. Y  A I X  " AM I X M BI

7HERE ÅXÅbÅXM THEÅINPUTÅVARIABLES ÅXÅbÅXM‰

Y THEÅOUTPUTÅVARIABLE ÅY‰
! Ib!M I FUZZYÅ SETSÅ DEFINEDÅ ONÅ THEÅ INPUTSÅ OFÅ THEÅ MODEL Å ALSOÅ KNOWNÅ AS
FUZZYÅANTECEDENTÅSETS

&IRSTÅ WEÅ EVALUATIONÅ )& X  IS ! I !.$ " !.$ X M IS !M I Å WHICHÅ YIELDSÅ AÅ SUPPORT
VARIABLE Å CI 

CI  SUP X ‰8  X ‰8 N!  X  N!  X M N! X N! X M !

  M M  M  I M I

.EXT ÅTHEÅOUTPUTÅOFÅTHEÅFUZZYÅCONTROLLERÅISÅCALCULATEDÅACCORDINGÅTO

œC
I
I
A I X  " AN I X N BI
Y !
œC
I
I

!NÅ EXAMPLEÅ OFÅ AÅ  DIMENSIONALÅ 43Å FUZZYÅ MODELÅ ISÅ SHOWNÅ INÅ FIGUREÅ !Å )NÅ THE
LOWERÅ PART Å THEÅ FUZZYÅ ANTECEDENTÅ SETSÅ AREÅ SHOWNÅ )NÅ THEÅ UPPERÅ PART Å THEÅ RESULTING
INPUT OUTPUTÅ MAPPINGÅ ISÅ PRESENTEDÅ )TÅ CANÅ BEÅ SEENÅ THATÅ THEÅ MAPPINGÅ CONSISTSÅ OF
LOCALLYÅLINEARÅFUNCTIONSÅWITHÅSMOOTHÅTRANSITIONS
 .EURALÅ.ETWORKSÅÅ&UZZYÅ,OGIC

YAÅX B
Y 
YAÅX
 B
YAÅX
 B
Y
X
N

! ! !

X

&IGUREÅ! 4AKAGI 3UGENOÅFUZZYÅMODEL

2EFERENCES

!LBUS Å*3 Å Å!ÅNEWÅAPPROACHÅTOÅMANIPULATORÅCONTROLÅ4HEÅCEREBELLARÅMODEL

CONTROLLERÅ#-!# Å4RANSACTIONSÅOFÅTHEÅ!3-% Å*OURNALÅOFÅ$YNAMICÅ3YSTEMS
-EASUREMENTÅANDÅ#ONTROL Å Å 
!MANN Å .Å ANDÅ $(Å /WENS Å  Å !NÅ ( INFÅ !PPROACHÅ TOÅ ,INEARÅ )TERATIVE
,EARNINGÅ #ONTROLÅ $ESIGN Å )NTERNATIONALÅ *OURNALÅ OFÅ !DAPTIVEÅ #ONTROLÅ AND
3IGNALÅ0ROCESSING ÅÅ Å 
!MERONGEN Å*ÅVAN Å Å!DAPTIVEÅSTEERINGÅOFÅSHIPSÅAÅMODEL ÅREFERENCEÅAPPROACH
TOÅ IMPROVEDÅ MANOEUVRINGÅ ANDÅ ECONOMICALÅ COURSEÅ KEEPING Å 0H$Å 4HESIS
5NIVERSITYÅOFÅ$ELFT Å$ELFT Å4HEÅ.ETHERLANDS
!NANTHRAMAN Å 3Å ANDÅ $0Å 'RAG Å  Å 4RAININGÅ "ACKPROPAGATIONÅ ANDÅ #-!#
.EURALÅ.ETWORKSÅFORÅ#ONTROLÅOFÅAÅ3#!2!Å2OBOT Å%NGINEERINGÅ!PPLICATIONSÅOF
!RTIFICIALÅ)NTELLIGENCE ÅÅ Å 
!RAGWAL Å - Å  Å !Å 3YSTEMATICÅ #LASSIFICATIONÅ OFÅ .EURAL .ETWORK "ASED
#ONTROL Å)%%%Å#ONTROLÅ3YSTEMSÅ-AGAZINE ÅÅ Å 
!RIF Å - Å 4Å )SHIHARAÅ ANDÅ (Å )NOOKA Å  Å )TERATIVEÅ ,EARNINGÅ #ONTROLÅ 5SING
)NFORMATIONÅ$ATABASE Å*OURNALÅOFÅ)NTELLIGENTÅANDÅ2OBOTICÅ3YSTEMS ÅÅ Å

!RIMOTO Å 3 Å  Å !Å "RIEFÅ (ISTORYÅ OFÅ )TERATIVEÅ ,EARNINGÅ #ONTROL Å )TERATIVE
,EARNINGÅ #ONTROLÅ !NALYSIS Å $ESIGN Å )NTEGRATIONÅ ANDÅ !PPLICATIONS Å +LUWER
!CADEMICÅ0UBLISHERS Å 
!RIMOTO Å3 Å3Å+AWAMURAÅANDÅ&Å-IYAZAKI Å Å"ETTERINGÅOPERATIONÅOFÅROBOTS
BYÅLEARNING Å*OURNALÅOFÅ2OBOTICÅ3YSTEMS Å 
!RMSTRONG (ELOUVRY Å " Å 0Å $UPONTÅ ANDÅ ##Å $EÅ 7IT Å  Å !Å 3URVEYÅ OF
-ODELS Å !NALYSISÅ 4OOLSÅ ANDÅ #OMPENSATIONÅ -ETHODSÅ FORÅ THEÅ #OTNROLÅ OF
-ACHINESÅWITHÅ&RICTION Å!UTOMATICA ÅÅ Å 


 2EFERENCES

‘STR½M Å+*ÅANDÅ"Å7ITTENMARK Å Å!DAPTIVEÅ#ONTROL Å!DDISON 7ESLEY

"ABUÈKA Å 2 Å  B Å &UZZYÅ -ODELLINGÅ ANDÅ )DENTIFICATION Å 0H$Å 4HESIS
5NIVERSITYÅOFÅ$ELFT Å$ELFT Å4HEÅ.ETHERLANDS
"ACKER Å % Å  Å #OMPUTER ASSISTEDÅ 2EASONINGÅ INÅ #LUSTERINGÅ !NALYSIS Å 0RENTICE
(ALL Å.EWÅ9ORK Å53!
"ASAK Å! Å Å0ERMANENT MAGNETÅ$#ÅLINEARÅMOTORS Å#LARENDON Å/XFORD Å5+
"ELLMAN Å2% Å Å!DAPTIVEÅ#ONTROLÅ0ROCESSES Å0RINCETONÅ5NIVERSITYÅ0RESS
"EZDEK Å *#Å ANDÅ 3+Å 0AL Å  Å &UZZYÅ -ODELSÅ FORÅ 0ATTERNÅ 2ECOGNITION Å .EW
9ORK Å53! Å)%%%Å0RESS
"IEN Å :Å ANDÅ *8Å 8U Å  Å )NTERATIVEÅ ,EARNINGÅ #ONTROLÅ !NALYSIS Å $ESIGN
)NTEGRATIONÅ ANDÅ !PPLICATIONS Å +LUWERÅ !CADEMICÅ 0UBLISHERS Å .ORWELL
-ASSACHUSETTS Å53!
"ISHOP Å #- Å  Å )MPROVINGÅ THEÅ 'ENERALISATIONÅ 0ROPERTIESÅ OFÅ 2ADIALÅ "ASIS
&UNCTIONÅ.EURALÅ.ETWORKS Å.EURALÅ#OMPUTATION Å Å 
"OSSLEY Å+- Å Å.EUROFUZZYÅ-ODELLINGÅ!PPROACHESÅINÅ3YSTEMÅ)DENTIFICATION
0H$Å 4HESIS Å &ACULTYÅ OFÅ %NGINEERINGÅ ANDÅ !PPLIEDÅ 3CIENCE Å 5NIVERSITYÅ OF
3OUTHAMPTON Å5+
"OSSLEY Å +- Å -Å &RENCH Å %Å 2OGERS Å #*Å (ARRISÅ ANDÅ -Å "ROWN Å  Å 2ECENT
ADVANCESÅ INÅ NEUROFUZZYÅ CONTROLÅ SYSTEMÅ THEORYÅ ANDÅ DESIGN Å 0ROCÅ 6I#!-
%&!- Å'UIMAR«ES Å0ORTUGAL Å 
"OUWHUIS Å"2 Å Å,EARNINGÅCONTROLÅOFÅAÅFLIGHTÅSIMULATORÅSTICK Å-3CÅ2EPORT
2 Å #ONTROLÅ ,ABORATORY Å 5NIVERSITYÅ OFÅ 4WENTE Å %NSCHEDE Å 4HE
.ETHERLANDS
"ROWN Å -Å ANDÅ #*Å (ARRIS Å  Å .EUROFUZZYÅ ADAPTIVEÅ MODELLINGÅ ANDÅ CONTROL
0RENTICEÅ(ALL Å(EMEL (EMPSTEAD Å5+
"RUSKE Å * Å -Å (ANSEN Å ,Å 2IEHNÅ ANDÅ 'Å 3OMMER Å  Å "IOLOGICALLYÅ INSPIRED
CALIBRATION FREEÅ ADAPTIVEÅ SACCADEÅ CONTROLÅ OFÅ AÅ BINOCULARÅ CAMERA HEAD
"IOLOGICALÅ#YBERNETICS Å Å 
#HEN Å9 Å*8Å8UÅANDÅ4(Å,EE Å Å#URRENTÅITERATIONÅTRACKINGÅERRORÅASSISTED
ITERATIVEÅ LEARNINGÅ CONTROLÅ OFÅ UNCERTAINÅ NONLINEARÅ DISCRETE TIME SYSTEMS Å TH
)%%%Å#ONFERENCEÅONÅ$ECISINÅANDÅ#ONTROL Å+OBE Å*APAN Å 
#HIEN Å #*Å ANDÅ *3Å ,IU Å  Å 0 TYPEÅ ITERATIVEÅ LEARNINGÅ CONTROLLERÅ FORÅ ROBUST
OUTPUTÅ TRACKINGÅ OFÅ NONLINEARÅ TIME VARYINGÅ SYSTEMS Å )NTERNATIONALÅ *OURNALÅ OF
#ONTROL ÅÅ Å 
#OELINGH Å(* Å Å$ESIGNÅ3UPPORTÅFORÅ-OTIONÅ#ONTROLÅ3YSTEMSÅAÅ-ECHATRONIC
!PPROACH Å0H$Å4HESIS Å5NIVERSITYÅOFÅ4WENTE Å%NSCHEDE Å4HEÅ.ETHERLANDS
 

#RAIG Å ** Å  Å )NTRODUCTIONÅ TOÅ 2OBOTICSÅ -ECHANICSÅ ANDÅ #ONTROL Å !DDISON
7ESLEY
$EAN Å0 Å*%7Å-AYHEW Å.Å4HACKERÅANDÅ0-Å,ANGDON Å Å3ACCADEÅCONTROL
INÅ AÅ SIMULATEDÅ ROBOTÅ CAMERA HEADÅ SYSTEMÅ NEURALÅ NETÅ ARCHITECTURESÅ FOR
EFFICIENTÅLEARNINGÅOFÅINVERSEÅKINEMATICS Å"IOLOGICALÅ#YBERNETICS Å Å 
$IBB Å 3 Å ,Å 3IMKIN Å 7-Å 0RIDEÅ ANDÅ /#Å &ERRELL Å  Å (OUGHTONÅ -IFFLIN
#OMPANY Å-ARKETING Å"OSTON Å53!
%R Å -*Å ANDÅ +#Å ,IEW Å  Å #ONTROLÅ OFÅ !DEPTÅ /NEÅ 3#!2!Å 2OBOTÅ 5SING
.EURALÅ.ETWORKS Å)%%%Å4RANSACTIONSÅONÅ)NDUSTRIALÅ%LECTRONICS ÅÅ
&RANCIS Å"!ÅANDÅ7-Å7ONHAM Å Å4HEÅ)NTERNALÅ-ODELÅ0RINCIPLEÅFORÅ,INEAR
-ULTIVARIABLEÅ 2EGULATORS Å !PPLIEDÅ -ATHEMATICSÅ ANDÅ /PTIMIZATIN Å Å  Å 

'IROSI Å & Å -Å *ONESÅ ANDÅ 4Å 0OGGIO Å  Å 2EGULARISATIONÅ 4HEORYÅ FORÅ .EURAL
.ETWORKS Å.EURALÅ#OMPUTATION Å Å 
'OMI Å (Å ANDÅ -Å +AWATO Å  Å .EURALÅ .ETWORKÅ #ONTROLÅ FORÅ AÅ #LOSED ,OOP
3YSTEMÅ5SINGÅ&EEDBACK %RROR ,EARNING Å.EURALÅ.ETWORKS ÅÅ Å 
'ROENHUIS Å (ERMAN Å  Å !Å DESIGNÅ TOOLÅ FORÅ ELECTROMECHANICALÅ SERVOÅ SYSTEMS
0H$Å4HESIS Å5NIVERSITYÅOFÅ4WENTE Å%NSCHEDE Å4HEÅ.ETHERLANDS
'USTAFSON Å $%Å ANDÅ 7#Å +ESSEL Å  Å &UZZYÅ #LUSTERINGÅ WITHÅ AÅ &UZZY
#OVARIANCEÅ -ATRIX Å 0ROCEEDINGSÅ OFÅ THEÅ )%%%Å #$# Å 3ANÅ $IEGO Å 53! Å 

(ARA Å 3 Å 9Å 9AMAMOTO Å 4Å /MATAÅ ANDÅ -Å .AKANO Å  Å 2EPETITIVEÅ CONTROL
SYSTEMÅ !Å NEWÅ TYPEÅ SERVOÅ SYSTEMÅ FORÅ PERIODICÅ EXOGENOUSÅ SIGNALS Å )%%%
4RANSACTIONSÅONÅ!UTOMATICÅ#ONTROL ÅÅ Å 
(ARING Å- Å Å2EGULARISATIONÅAPPLIEDÅTOÅLEARNINGÅFEED FORWARDÅCONTROL Å-3C
2EPORTÅ 2 Å #ONTROLÅ ,ABORATORY Å 5NIVERSITYÅ OFÅ 4WENTE Å %NSCHEDE Å 4HE
.ETHERLANDS
(ARRIS Å #* Å #'Å (OOREÅ ANDÅ -Å "ROWN Å  Å )NTELLIGENTÅ #ONTROLÅ !SPECTSÅ OF
&UZZYÅ ,OGICÅ ANDÅ .EURALÅ .ETS Å 7ORLDÅ 3CIENTIFICÅ 0UBLISHINGÅ #OÅ 0TEÅ ,TD
3INGAPORE
(AYKIN Å 3 Å  Å .EURALÅ .ETWORKSÅ !Å #OMPREHENSIVEÅ &OUNDATION Å -ACMILLAN
#OLLEGEÅ0UBLISHINGÅ#OMPANY Å4ORONTO Å#ANADA
(EINZINGER Å ' Å $Å &ENWICK Å "Å 0ADENÅ ANDÅ &Å -IYAZAKI Å  Å 3TABILITYÅ OF
LEARNINGÅ CONTROLÅ WITHÅ DISTURBANCESÅ ANDÅ UNCERTAINÅ INITIALÅ CONDITIONS Å )%%%
TRANSACTIONSÅONÅ!UTOMATICÅ#ONTROL ÅÅ Å 
(ERTZ Å * Å !Å +ROGHÅ ANDÅ 2'Å 0ALMER Å  Å )NTRODUCTIONÅ TOÅ THEÅ 4HEORYÅ OF
.EURALÅ#OMPUTATION Å!DDISON 7ESLEY
 2EFERENCES

(ORNIK Å + Å -Å 3TINCHCOMBEÅ ANDÅ (Å 7HITE Å  Å -ULTILAYERÅ &EEDFORWARD

.EURWORKSÅ!REÅ5NIVERSALÅ!PPROXIMATORS Å.EURALÅ.ETWORKS Å Å 
(OROWITZ Å 2 Å  Å ,EARNINGÅ #ONTROLÅ OFÅ 2OBOTÅ -ANIPULATORS Å *OURNALÅ OF
$YNAMICÅ3YSTEMS Å-EASUREMENTÅANDÅ#ONTROL ÅÅ Å 
(OROWITZ Å 2 Å 7Å -ESSNERÅ ANDÅ *"Å -OORE Å  Å %XPONENTIALÅ CONVERGENCEÅ OFÅ A
LEARNINGÅCONTROLLERÅFORÅROBOTÅMANIPULATORS Å )%%%Å4RANSACTIONSÅONÅ!UTOMATIC
#ONTROL ÅÅ Å 
(OROWITZ Å2 Å77Å+A Å-Å"OALSÅANDÅ.Å3ADEGH Å Å$IGITALÅIMPLEMENTATION
OFÅ REPETITIVEÅ CONTROLLERSÅ FORÅ ROBOTICÅ MANIPULATORS Å 0ROCEEDINGSÅ OFÅ THEÅ )%%%
#ONFERENCEÅONÅ2OBOTICSÅANDÅ!UTOMATION Å 
(RYCEJ Å 4 Å  Å .EUROCONTROLÅ 4OWARDÅ ANÅ )NDUSTRIALÅ #ONTROLÅ -ETHODOLOGY
*OHNÅ7ILEYÅÅ3ONS Å)NC Å.EWÅ9ORK Å53!
(UNT Å +* Å $Å 3BARBARO Å 2Å :BIKOWSKIÅ ANDÅ 0*Å 'AWTHROP Å  Å .EURAL
.ETWORKSÅFORÅ#ONTROLÅ3YSTEMSÅ Å!Å3URVEY Å!UTOMATICA ÅÅ Å 
)DEMA Å ,* Å  Å $ESIGNÅ OFÅ 0ARSIMONIOUSÅ ,EARNINGÅ &EED &ORWARDÅ #ONTROLLERS
-3CÅ REPORTÅ 2 Å #ONTROLÅ ,ABORATORY Å 5NIVERSITYÅ OFÅ 4WENTE Å %NSCHEDE
4HEÅ.ETHERLANDS
*ACOBS Å2!ÅANDÅ-)Å*ORDAN Å Å,EARNINGÅ0IECEWISEÅ#ONTROLÅ3TRATEGIESÅINÅA
-ODULARÅ.EURALÅ.ETWORKÅ!RCHITECTURE Å)%%%Å4RANSACTIONSÅONÅ3YSTEMS Å-AN
ANDÅ#YBERNETICS ÅÅ Å 
*ANG Å *32Å ANDÅ #4Å 3UN Å  Å .EURO &UZZYÅ -ODELLINGÅ ANDÅ #ONTROL Å 4HE
0ROCEEDINGSÅOFÅ)%%% Å Å 
*ANG Å*32 Å#4Å3UNÅANDÅ%Å-IZUTANI Å Å.EURO &UZZYÅANDÅ3OFTÅ#OMPUTING
!Å COMPUTATIONALÅ APPROACHÅ TOÅ LEARNINGÅ ANDÅ MACHINEÅ INTELLIGENCE Å 0RENTICE
(ALL
+ATIC Å $-Å ANDÅ +Å 6UKOBRATOVIC Å  Å (IGHLYÅ %FFICIENTÅ 2OBOTÅ $YNAMICS
,EARNINGÅBYÅ$ECOMPOSEDÅ#ONNECTIONISTÅ&EEDFORWARDÅ#ONTROLÅ3TRUCTURE Å)%%%
4RANSACTIONSÅONÅ3YSTEMS Å-ANÅANDÅ#YBERNETICS ÅÅ Å 
+AVLI Å4ÅANDÅ%Å7EYER Å Å/NÅASMOD ÅANÅALGORITHMÅFORÅEMPIRICALÅMODELLING
USINGÅSPLINEÅFUNCTIONS   Å.EURALÅNETWORKÅENGINEERINGÅINÅDYNAMICÅCONTROL
SYSTEMS Å3PRINGERÅ6ERLAG Å"ERLIN Å'ERMANY
+AVLI Å4 Å Å&REQUENCYÅ$OMAINÅ3YNTHESISÅOFÅ4RAJECTORYÅ,EARNINGÅ#ONTROLLERS
FORÅ2OBOTÅ-ANIPULATORS Å*OURNALÅOFÅ2OBOTICÅ3YSTEMS ÅÅ Å 
+AVLI Å 4 Å  Å ,EARNINGÅ 0RINCIPLESÅ INÅ $YNAMICÅ #ONTROL Å 0H$Å 4HESIS
5NIVERSITYÅOFÅ/SLO Å/LSO Å.ORWAY
+AVLI Å 4 Å  Å !3-/$Å ANÅ ALGORITHMÅ FORÅ !DAPTIVEÅ 3PLINEÅ -ODELLINGÅ OF
/BSERVATIONÅ$ATA Å)NTERNATIONALÅ*OURNALÅOFÅ#ONTROL ÅÅ Å 
 

+AWAMURA Å3 Å&Å-IYAZAKIÅANDÅ3Å!RIMOTO Å Å2EALIZATIONÅOFÅROBOTÅMOTIONS

BASEDÅ ONÅ LEARNINGÅ METHOD Å )%%%Å 4RANSACTIONSÅ ONÅ 3YSTEMS Å -ANÅ AND
#YBERNETICS ÅÅ Å 
+AWATO Å - Å  Å &EEDBACK %RROR ,EARNINGÅ .EURALÅ .ETWORKÅ FORÅ 3UPERVISED
-OTORÅ ,EARNING   Å !DVANCEDÅ .EURALÅ #OMPUTERS Å !MSTERDAM Å 4HE
.ETHERLANDS Å%LSEVIERÅ3CIENCEÅ0UBLISHERSÅ"6
+AWATO Å- Å+Å&URUKAWAÅANDÅ2Å3UZUKI Å Å!Å(IERARCHICALÅ.EURAL .ETWORK
-ODELÅ FORÅ #ONTROLÅ ANDÅ ,EARNINGÅ OFÅ 6OLUNTARYÅ -OVEMENT Å "IOLOGICAL
#YBERNETICS Å Å 
+IM Å 37Å ANDÅ **Å ,EE Å  Å &ILTERED %RROR ,EARNINGÅ .EURALÅ .ETWORKSÅ FOR
3TABLEÅ 4RAJECTORYÅ 4RACKINGÅ #ONTROLÅ OFÅ 2OBOTÅ -ANIPULATORS Å -ECHATRONICS Å 
 Å 
+RAFT Å ,'Å ANDÅ $0Å #AMPAGNA Å  Å !Å #OMPARISONÅ "ETWEENÅ #-!#Å .EURAL
.ETWORKÅ #ONTROLÅ ANDÅ 4WOÅ 4RADITIONALÅ !DAPTIVEÅ #ONTROLÅ 3YSTEMS Å )%%%
#ONTROLÅ3YSTEMSÅ-AGAZINE Å 
,ANDAU Å )$ Å  Å !DAPTIVEÅ #ONTROLÅ 4HEÅ -ODELÅ 2EFERENCEÅ !PPROACH Å -ARCEL
$EKKER Å.EWÅ9ORK Å53!
,EE Å## Å Å&UZZYÅ,OGICÅINÅ#ONTROLÅ3YSTEMSÅ&UZZYÅ,OGICÅ#ONTROLLERÅ Å0ART
Å Å Å)%%%Å4RANSACTIONSÅONÅ3YSTEMS Å-ANÅANDÅ#YBERNETICS ÅÅ Å 
,EE Å (3Å ANDÅ :Å "IEN Å  Å 3TUDYÅ ONÅ ROBUSTNESSÅ OFÅ ITERATIVEÅ LEARNINGÅ CONTROL
WITHÅNON ZEROÅINITIALÅERROR Å)NTERNATIONALÅ*OURNALÅOFÅ#ONTROL Å Å 
,EE Å (3Å ANDÅ :Å "IEN Å  Å 2OBUSTNESSÅ ANDÅ #ONVERGENCEÅ OFÅ AÅ 0$ 4YPE
)TERATIVEÅ ,EARNINGÅ #ONTROLLER   Å )TERATIVEÅ ,EARNINGÅ #ONTROLÅ !NALYSIS
$ESIGN Å)NTEGRATIONÅANDÅ!PPLICATIONS Å+LUWERÅ!CADEMICÅ0UBLISHERS
,EWIS Å &, Å #4Å !BDALLAHÅ ANDÅ $-Å $AWSON Å  Å #ONTROLÅ OFÅ ROBOT
MANIPULATORS Å.EWÅ9ORK Å53! Å-ACMILLANÅ0UBLISHINGÅ#OMPANY
,ONGMAN Å 27 Å  Å $ESIGNINGÅ )TERATIVEÅ ,EARNINGÅ ANDÅ 2EPETITIVE
#ONTROLLERS   Å)TERATIVEÅ,EARNINGÅ#ONTROLÅ!NALYSIS Å$ESIGN Å)NTEGRATION
ANDÅ!PPLICATIONS Å+LUWERÅ!CADEMICÅ0UBLISHERS
,ONGMAN Å 27 Å  Å 3OMEÅ 0ERSPECTIVESÅ ONÅ )TERATIVEÅ ,EARNINGÅ #ONTROL
)TERATIVEÅ,EARNINGÅ#ONTROLÅ7ORKSHOPÅANDÅ2OUNDTABLE Å)%%%Å#Å$# Å4AMPA
&, Å53! Å 
,UENEN Å 4#Å VAN Å  Å .EURALÅ .ETWORKSÅ FORÅ #ONTROLÅ /NÅ +NOWLEDGE
2EPRESENTATIONÅ ANDÅ ,EARNING Å 0H$Å 4HESIS Å $EPARTMENTÅ OFÅ %LECTRICAL
%NGINEERING Å5NIVERITYÅOFÅ4WENTE Å%NSCHEDE Å4HEÅ.ETHERLANDS
-AREELS Å )Å ANDÅ *7Å 0OLDERMAN Å  Å !DAPTIVEÅ 3YSTEMSÅ ANÅ )NTRODUCTION
"OSTON Å53! Å"IRKHAEUSER
 2EFERENCES

-ESSNER Å 7 Å 2Å (OROWITZ Å 77Å +AOÅ ANDÅ 7Å "OALS Å  Å !Å NEWÅ ADAPTIVE
LEARNINGÅRULE Å)%%%ÅTRANSÅONÅ!UTOMATICÅ#ONTROL ÅÅ Å 
-IYAMOTO Å ( Å -Å +AWATO Å 4Å 3ETOYAMAÅ ANDÅ 2Å 3UZUKI Å  Å &EEDBACK %RROR
,EARNINGÅ .EURALÅ .ETWORKÅ FORÅ 4RAJECTORYÅ #ONTROLÅ OFÅ AÅ 2OBOTICÅ -ANIPULATOR
.EURALÅ.ETWORKS Å Å 
-OORE Å +, Å  A Å )TERATIVEÅ LEARNINGÅ CONTROLÅ FORÅ DETERMINISTICÅ SYSTEMS
3PRINGERÅ6ERLAG Å"ERLIN Å'ERMANY
-OORE Å +, Å  Å )TERATIVEÅ ,EARNINGÅ #ONTROLÅ ANÅ %XPOSITORY
/VERVIEW HTTPWWWENGINEERINGUSUEDUECEFACULTYMOOREKMOOREWEBHT
ML
-OORE Å +, Å -Å $AHLEHÅ ANDÅ 30Å "HATTACHARYYA Å  B Å )TERATIVEÅ ,EARNING
#ONTROLÅ!Å3URVEYÅANDÅ.EWÅ2ESULTS Å*Å2OBOTICÅ3YSTEMS ÅÅ Å 
.ASAR Å 3!Å ANDÅ )Å "OLDEA Å  Å ,INEARÅ ELECTRICÅ MOTORSÅ THEORY Å DESIGNÅ AND
PRACTICALÅAPPLICATION Å0RENTICE (ALL Å%NGLEWOODÅ#LIFFS Å.* Å53!
.G Å '7 Å  Å !PPLICATIONÅ OFÅ .EURALÅ .ETWORKSÅ TOÅ !DAPTIVEÅ #ONTROLÅ OF
.ONLINEARÅ3YSTEMS Å2ESEARCHÅ3TUDIESÅ0RESSÅ,4$ Å3OMERSET Å%NGLAND
/HNO Å ( Å 4Å 3UZUKI Å +Å !OKI Å !Å 4AKASHIÅ ANDÅ 'Å 3UGIMOTO Å  Å .EURAL
.ETWORKÅ#ONTROLÅFORÅ!UTOMATICÅ"RAKINGÅ#ONTROLÅ3YSTEM Å.EURALÅ.ETWORKS Å
 Å 
/TTEN Å ' Å 4*!Å DEÅ 6RIES Å *Å VANÅ !MERONGEN Å !-Å 2ANKERSÅ ANDÅ %7Å 'AAL
 Å,INEARÅ-OTORÅ-OTIONÅ#ONTROLÅ5SINGÅAÅ,EARNINGÅ&EEDFORWARDÅ#ONTROLLER
)%%%!3-%Å4RANSÅ-ECHATRONICS ÅÅ Å 
0OGGIO Å 4Å ANDÅ &Å 'IROSI Å  Å .ETWORKSÅ FORÅ APPROXIMATIONÅ ANDÅ LEARNING
0ROCEEDINGSÅ)%%% Å Å 
0RABHU Å 3-Å ANDÅ $0Å 'RAG Å  Å !RTIFICIALÅ .EURALÅ .ETWORKÅ "ASEDÅ 2OBOT
#ONTROLÅ!NÅ/VERVIEW Å*OURNALÅOFÅ)NTELLIGENTÅ2OBOTICÅ3YSTEMS Å Å 
2OOVER Å$Å DE Å  Å 3YNTHESISÅ OFÅ AÅ 2OBUSTÅ )TERATIVEÅ ,EARNINGÅ #ONTROLLERÅ 5SING
ANÅ( INFÅ!PPROACH Å0ROCEEDINGSÅOFÅTHEÅTHÅ)%%%Å#ONFERENCEÅONÅ$ECISIONÅAND
#ONTROL Å+OBE Å*APAN Å 
2OOVER Å$ÅDE Å Å-OTIONÅ#ONTROLÅOFÅAÅ7AFERÅ3TAGEÅ !Å $ESIGNÅ !PPROACHÅ FOR
3PEEDINGÅ5PÅ)#Å0RODUCTION Å0H$Å4HESIS Å4ECHNICALÅ5NIVESITYÅOFÅ$ELFT Å$ELT
5NIVERSITYÅ0RESS
2UMELHART Å $% Å '%Å (INTONÅ ANDÅ 2*Å 7ILLIAMS Å  Å ,EARNING
2EPRESENTATIONSÅBYÅ"ACK 0ROPAGATINGÅ%RRORS Å.ATURE Å Å 
3CHAAK Å 0 Å  Å 3TABILITYÅ !NALYSISÅ OFÅ AÅ ,EARNINGÅ &EED &ORWARDÅ #ONTROLLER
-3CÅ REPORTÅ 2 Å #ONTROLÅ ,ABORATORY Å 5NIVERSITYÅ OFÅ 4WENTE Å %NSCHEDE
4HEÅ.ETHERLANDS
 

3J½BERG Å* Å Å.ON LINEARÅ3YSTEMÅ)DENTIFICATIONÅWITHÅ.EURALÅ.ETWORKS Å0H$

4HESIS Å,INKOPINGÅ5NIVERSITY Å,INKOPING Å3WEDEN
3PREEUWERS Å , Å  Å ,EARNINGÅ &RICTIONÅ #OMPENSATION Å -3CÅ Å REPORTÅ 2
#ONTROLÅLABORATORY Å5NIVERSITYÅOFÅ4WENTE Å%NSCHEDE Å4HEÅ.ETHERLANDS
3TARRENBURG Å*' Å74#ÅVANÅ,UENEN Å7Å/ELENÅANDÅ*ÅVANÅ!MERONGEN Å
,EARNINGÅFEEDÅFORWARDÅCONTROLLERÅFORÅAÅMOBILEÅROBOT Å#ONTROLÅ%NGÅ0RACTISE Å
 Å 
3TEENKUIJL Å *# Å  Å $ESIGNÅ OFÅ AÅ LEARNINGÅ FEED FORWARDÅ CONTROLLERÅ FORÅ AÅ ROBOT
MANIPULATOR Å -3CÅ 2EPORTÅ 2 Å #ONTROLÅ ,ABORATORY Å 5NIVERSITYÅ OF
4WENTE Å%NSCHEDE Å4HEÅ.ETHERLANDS
3TEINBUCH Å -Å ANDÅ 'Å 3CHOOTSTRA Å  Å 2OBUSTÅ ANDÅ !DAPTIVEÅ 2EPETITIVE
#ONTROL Å*OURNALÅ! ÅÅ Å 
4AKAGI Å 4Å ANDÅ -Å 3UGENO Å  Å &UZZYÅ )DENTIFICATIONÅ OFÅ 3YSTEMSÅ ANDÅ ITS
!PPLICATIONÅ TOÅ-ODELLINGÅ ANDÅ #ONTROL Å )%%%Å 4RANSACTIONSÅ ONÅ 3YSTEMS Å -AN
ANDÅ#YBERNETICS ÅÅ Å 
4OMIZUKA Å - Å 4#Å 4SAOÅ ANDÅ ++Å #HEW Å  Å !NALYSISÅ ANDÅ 3YNTHESISÅ OF
$ISCRETE 4IMEÅ 2EPETITIVEÅ #ONTROLLERS Å *OURNALÅ OFÅ $YNAMICÅ 3YSTEMS
-EASUREMENT ÅANDÅ#ONTROL Å Å 
4ZAFESTAS Å 3' Å ''Å 2IGATOSÅ ANDÅ %*Å +YRIANNAKIS Å  Å 'EOMETRYÅ AND
4HERMALÅ2EGULATIONÅOFÅ'-!Å7ELDINGÅVIAÅ#ONVENTIONALÅANDÅ.EURALÅ!DAPTIVE
#ONTROL Å*OURNALÅOFÅ)NTELLIGENTÅANDÅ2OBOTICÅ3YSTEMS Å Å 
6EELENTURF Å,0* Å Å!NALYSISÅANDÅ!PPLICATIONÅOFÅ!RTIFICIALÅ.EURALÅ.ETWORKS
0RENTICEÅ(ALLÅ)NTERNATIONAL
6ELTHUIS Å 7*2 Å 4*!Å DEÅ 6RIESÅ ANDÅ *Å VANÅ !MERONGEN Å  Å ,EARNINGÅ FEED
FORWARDÅ CONTROLÅ OFÅ AÅ FLEXIBLEÅ BEAM Å 0ROCÅ )%%%Å )NTÅ 3YMPÅ ONÅ )NTELLIGENT
#ONTROL Å$EARBORN Å-) Å53! Å 
6ELTHUIS Å 7*2 Å 0Å 3CHAAK Å 4*!Å DEÅ 6RIESÅ ANDÅ %Å 'AAL Å  Å 3TABILITY
ANALYSISÅOFÅLEARNINGÅFEED FORWARDÅCONTROL ÅTOÅAPPEARÅINÅ!UTOMATICA
6ELTHUIS Å 7*2 Å 4*!Å DEÅ 6RIES Å +(*Å 6RIELINK Å '*Å 7IERDAÅ ANDÅ !
"ORGHUIS Å Å,EARNINGÅCONTROLÅOFÅAÅFLIGHTÅSIMULATORÅSTICK Å*OURNALÅ! ÅÅ
 
6IDYASAGAR Å -Å ANDÅ #!Å $ESOER Å  Å &EEDBACKÅ SYSTEMSÅ INPUT OUTPUT
PROPERTIES Å!CADEMICÅ0RESS Å.EWÅ9ORK Å53!
 2EFERENCES

6RIELINK Å +(* Å  Å ,EARNINGÅ #ONTROLÅ !PPLIEDÅ TOÅ AÅ #ONTROLÅ ,OADINGÅ 3YSTEM
-3CÅ 2EPORTÅ 2 Å #ONTROLÅ ,ABORATORY Å 5NIVERSITYÅ OFÅ 4WENTE Å %NSCHEDE
4HEÅ.ETHERLANDS
6RIES Å 4*!Å DEÅ ANDÅ 7*2Å 6ELTHUIS Å  Å 4OWARDÅ EXPLOITINGÅ THEÅ BENEFITSÅ OF
),#Å INÅ NON REPETITIVE MOTIONÅ APPLICATIONS Å )TERATIVEÅ ,EARNINGÅ ANDÅ #ONTROL
7ORKSHOPÅANDÅ2OUNDTABLE Å)%%%Å#$# Å4AMPA Å&LORIDA Å53! Å 
6RIES Å4*!ÅDE Å,*Å)DEMAÅANDÅ7*2Å6ELTHUIS Å Å0ARSIMONIOUSÅ,EARNING
&EED &ORWARDÅ #ONTROL Å 0ROCÅ THÅ %UROPEANÅ 3YMPOSIUMÅ ONÅ !RTIFICIALÅ .EURAL
.ETWORKSÅ%3!.. Å"RUGES Å"ELGIUM Å 
7ANG Å ,8 Å  Å !DAPTIVEÅ FUZZYÅ SYSTEMSÅ ANDÅ CONTROLÅ DESIGNÅ ANDÅ STABILITY
ANALYSIS Å0RENTICE (ALL Å%NGLEWOODÅ#LIFFS Å.* Å53!
8U Å *8Å ANDÅ 9Å 3ONG Å  Å $IRECTÅ ,EARNINGÅ #ONTROLÅ OFÅ .ON 5NIFORM
4RAJECTORIES   Å)TERATIVEÅ,EARNINGÅ#ONTROLÅ!NALYSIS Å$ESIGN Å)NTEGRATION
ANDÅ!PPLICATIONS Å+LUWERÅ!CADEMICÅ0UBLISHERS
8U Å*8 Å Å$IRECTÅ,EARNINGÅOFÅ#ONTROLÅ%FFORTSÅFORÅ4RAJECTORIESÅWITHÅ$IFFERENT
-AGNITUDEÅ3CALES Å!UTOMATICA ÅÅ Å 
8U Å*8 Å Å$IRECTÅ,EARNINGÅOFÅ#ONTROLÅ%FFORTSÅFORÅ4RAJECTORIESÅWITHÅ$IFFERENT
4IMEÅ3CALES Å)%%%Å4RANSACTIONSÅONÅ!UTOMATICÅ#ONTROL ÅÅ Å 
:ADEH Å ,! Å  Å /UTLINEÅ OFÅ AÅ .EWÅ !PPROACHÅ TOÅ THEÅ !NALYSISÅ OFÅ #OMPLEX
3YSTEMSÅ ANDÅ $ECISIONÅ 0ROCESSES Å )%%%Å 4RANSACTIONSÅ ONÅ 3YSTEMS Å -ANÅ AND
#YBERNETICS ÅÅ Å 
3UMMARY

,EARNINGÅ &EED &ORWARDÅ #ONTROLÅ ,&&# Å ISÅ AÅ FORMÅ OFÅ &EEDBACK %RROR ,EARNING
&%, Å CONTROL Å IEÅ THEÅ CONTROLÅ SYSTEMÅ CONSISTSÅ OFÅ AÅ FEEDBACKÅ CONTROLLER Å WHICH
COMPENSATESÅFORÅRANDOMÅDISTURBANCES ÅANDÅAÅFEED FORWARDÅPARTÅTHATÅISÅIMPLEMENTED
ASÅ AÅ FUNCTIONÅ APPROXIMATOR Å WHICHÅ COMPENSATESÅ THEÅ PLANTÅ DYNAMICSÅ ANDÅ THE
REPRODUCIBLEÅ DISTURBANCESÅ )NÅ ,&&# Å AÅ " 3PLINEÅ .ETWORKÅ "3. Å ISÅ CHOSENÅ FORÅ THE
FEED FORWARDÅPARTÅ$URINGÅCONTROL ÅTHEÅINPUT OUTPUTÅMAPPINGÅOFÅTHEÅ"3.ÅISÅADAPTED
SUCHÅ THATÅ THEÅ TRACKINGÅ ERRORÅ DECREASESÅ )TÅ ISÅ IMPORTANTÅ TOÅ DESIGNÅ THEÅ FEED FORWARD
PARTÅOFÅTHEÅ,&&#ÅINÅSUCHÅWAYÅTHATÅLEARNINGÅCONVERGESÅANDÅTHATÅTHEÅPROBLEMSÅTHAT
AREÅASSOCIATEDÅWITHÅTHEÅCURSEÅOFÅDIMENSIONALITYÅAREÅKEPTÅTOÅAÅMINIMUMÅ4HESEÅTWO
SUBJECTSÅAREÅTHEÅMAINÅCONCERNSÅOFÅTHISÅWORK

7HENÅ THEÅ PLANTÅ HASÅ TOÅ PERFORMÅ REPETITIVEÅ MOTIONS Å TIME INDEXEDÅ ,&&#Å SHOULDÅ BE
CONSIDERED ÅIEÅTHEÅCASEÅTHATÅTHEÅPERIODICÅMOTIONÅTIMEÅISÅTHEÅONLYÅINPUTÅTOÅTHEÅFEED
FORWARDÅPARTÅ)NÅTHISÅCASE Å,&&#ÅISÅSIMILARÅTOÅ)TERATIVEÅ,EARNINGÅ#ONTROLÅ),# ÅAND
2EPETITIVEÅ #ONTROLÅ 2# Å "ASEDÅ ONÅ THEÅ CONVERGENCEÅ RESULTSÅ OFÅ ),#Å ANDÅ 2# Å A
STABILITYÅ ANALYSISÅ OFÅ TIME INDEXEDÅ ,&&#Å HASÅ BEENÅ PERFORMEDÅ 7EÅ HAVEÅ DERIVED
CONSERVATIVEÅ STABILITYÅ CONDITIONSÅ FORÅ THEÅ " SPLINEÅ DISTRIBUTIONÅ ANDÅ FORÅ THEÅ LEARNING
RATEÅ4HEÅSTABILITYÅCRITERIAÅWEREÅVALIDATEDÅBYÅMEANSÅOFÅSIMULATIONSÅANDÅEXPERIMENTS

)NÅCASEÅOFÅRANDOMÅREFERENCEÅMOTIONS ÅPATH INDEXEDÅ,&&#ÅSHOULDÅBEÅAPPLIED ÅIEÅTHE

REFERENCEÅSIGNALÅANDÅDERIVATIVESÅÅINTEGRALSÅTHEREOFÅSHOULDÅBEÅSELECTEDÅASÅINPUTSÅFOR
THEÅFEED FORWARDÅPARTÅ7HICHÅSPECIFICÅINPUTSÅSHOULDÅBEÅSELECTEDÅCANÅBEÅDETERMINED
ONÅ THEÅ BASISÅ OFÅ AÅ STRUCTURALLYÅ CORRECT Å STATE SPACEÅ REPRESENTATIONÅ OFÅ THEÅ PLANT
DYNAMICSÅ 7EÅ SHOWEDÅ THATÅ AÅ PLANTÅ CANÅ ONLYÅ BEÅ CONTROLLEDÅ BYÅ MEANSÅ OFÅ PATH
INDEXEDÅ,&&#ÅWHENÅTHEÅSTATEÅSPACEÅREPRESENTATIONÅMEETSÅAÅNUMBERÅOFÅCONDITIONS

$ESIGNINGÅ AÅ " SPLINEÅ DISTRIBUTIONÅ FORÅ WHICHÅ THEÅ PATH INDEXEDÅ ,&&#Å ISÅ STABLEÅ MAY
LEADÅ TOÅ AÅ LOW FREQUENCYÅ FEED FORWARDÅ SIGNAL Å WHICHÅ ISÅ UNATTRACTIVEÅ 4OÅ ALLOWÅ FOR
MOREÅDENSEÅ" SPLINEÅDISTRIBUTIONS ÅWEÅPROPOSEDÅTOÅADDÅAÅSTABILISINGÅMEASUREÅTOÅTHE


 3UMMARY

,&&# Å KNOWNÅ ASÅ REGULARISATIONÅ 2EGULARISATIONÅ ISÅ PERFORMEDÅ BYÅ FILTERINGÅ THE
LEARNINGÅ SIGNALÅ WITHÅ AÅ TIME INDEXEDÅ "3.Å 3IMULATIONSÅ SHOWEDÅ THATÅ THISÅ FORMÅ OF
REGULARISATIONÅYIELDEDÅACCURATEÅANDÅSTABLEÅLEARNING

7HENÅ THEÅ INPUTSÅ OFÅ THEÅ "3.Å AREÅ CHOSENÅ STRAIGHTFORWARDLYÅ ONÅ BASISÅ OFÅ THEÅ PLANT
MODEL ÅAÅMULTI DIMENSIONALÅ"3.ÅRESULTSÅ4HISÅCONFRONTSÅUSÅWITHÅPROBLEMSÅTHATÅARE
ASSOCIATEDÅ WITHÅ THEÅ CURSEÅ OFÅ DIMENSIONALITYÅ 3PLITTINGÅ THEÅ MULTI DIMENSIONALÅ "3.
INTOÅ SEVERALÅ "3.SÅ THATÅ HAVEÅ AÅ LOWERÅ INPUT DIMENSIONÅ OFFERSÅ AÅ SOLUTIONÅ 4HE
OBTAINEDÅ,&&#ÅISÅKNOWNÅASÅAÅPARSIMONIOUSÅ,&&#Å4RAININGÅAÅPARSIMONIOUSÅ,&&#
ISÅ NOTÅ STRAIGHTFORWARDÅ 7HENÅ ALLÅ "3.SÅ AREÅ TRAINEDÅ SIMULTANEOUSLY Å ITÅ ISÅ NOT
GUARANTEEDÅ THATÅ EACHÅ "3.Å LEARNSÅ THEÅ FEED FORWARDÅ SIGNALÅ ITÅ ISÅ INTENDEDÅ TOÅ LEARN
4HEREFORE Å ITÅ ISÅ PROPOSEDÅ TOÅ TRAINÅ SUCHÅ ANÅ ,&&#Å SUCCESSIVELY Å IE Å BYÅ SELECTINGÅ A
SERIESÅOFÅTRAININGÅMOTIONSÅBYÅWHICHÅTHEÅINDIVIDUALÅ"3.SÅAREÅTRAINEDÅCONSECUTIVELY

!Å DESIGNÅ PROCEDUREÅ FORÅ ,&&#Å HASÅ BEENÅ FORMULATEDÅ 4HEÅ ,&&#Å CANÅ LARGELYÅ BE
DESIGNEDÅ ONÅ THEÅ BASISÅ OFÅ QUALITATIVEÅ KNOWLEDGEÅ OFÅ THEÅ PLANTÅ ANDÅ THEÅ DISTURBANCES
/NLYÅ FORÅ CONVERGENCEÅ GUARANTEES Å AÅ QUANTITATIVEÅ MODELÅ OFÅ THEÅ LOW FREQUENCY
DYNAMICSÅ OFÅ THEÅ CONTROLLEDÅ PLANTÅ ISÅ NEEDED Å WHICHÅ MAYÅ BEÅ OBTAINEDÅ BYÅ MEANSÅ OF
FREQUENCYÅDOMAINÅIDENTIFICATION

!NÅOVERALLÅRESULTÅOFÅTHISÅWORKÅISÅTHATÅ,&&#ÅAPPEARSÅTOÅBEÅANÅATTRACTIVEÅAPPROACH
FORÅ CONTROLLINGÅ ELECTROMECHANICALÅ MOTIONÅ SYSTEMSÅ THATÅ AREÅ SUBJECTÅ TOÅ REPRODUCIBLE
STATICÅINPUTÅDISTURBANCES
3AMENVATTING

,EARNINGÅ&EED &ORWARDÅ#ONTROLÅ,&&# ÅISÅEENÅVORMÅVANÅ&EEDBACK %RROR ,EARNING

&%, Å CONTROLÅ (ETÅ REGELSYSTEEMÅ BESTAATÅ UITÅ EENÅ FEEDBACKÅ REGELAARÅ ENÅ EENÅ FEED
FORWARDÅ REGELAAR Å DIEÅ GE·MPLEMENTEERDÅ ISÅ ALSÅ EENÅ FUNCTIE APPROXIMATORÅ $EÅ FEED
FORWARDÅ REGELAARÅ DIENTÅ NAÅ EENÅ LEERPERIODEÅ DEÅ DYNAMICAÅ VANÅ HETÅ PROCESÅ ENÅ DE
REPRODUCEERBAREÅVERSTORINGENÅTEÅCOMPENSEREN ÅDEÅFEEDBACKÅREGELAARÅCOMPENSEERTÅDE
STOCHASTISCHEÅ VERSTORINGENÅ (ETÅ TYPEÅ FUNCTIE APPROXIMATORÅ DATÅ GEBRUIKTÅ WORDTÅ IN
,&&#ÅISÅHETÅ" 3PLINEÅ.ETWERKÅ"3. Å4IJDENSÅHETÅREGELENÅWORDTÅDEÅINGANG UITGANG
RELATIEÅ VANÅ HETÅ "3.Å AANÅ DEÅ HANDÅ VANÅ DEÅ UITGANGÅ VANÅ DEÅ FEEDBACKÅ REGELAARÅ OP
ZODANIGEÅ WIJZEÅ AANGEPASTÅ DATÅ DEÅ VOLGFOUTÅ AFNEEMTÅ (ETÅ ISÅ BELANGRIJKÅ HETÅ FEED
FORWARDÅGEDEELTEÅVANÅDEÅ,&&#ÅZOÅTEÅONTWERPENÅDATÅHETÅLEERMECHANISMEÅCONVERGEERT
ENÅ DATÅ DEÅ PROBLEMENÅ DIEÅ VEROORZAAKTÅ WORDENÅ DOORÅ DEÅ ZOGENAAMDEÅ CURSEÅ OF
DIMENSIONALITYÅ TOTÅ EENÅ MINIMUMÅ BEPERKTÅ BLIJVENÅ $EZEÅ TWEEÅ ONDERWERPENÅ VORMEN
HETÅHOOFDBESTANDDEELÅVANÅDITÅPROEFSCHRIFT

7ANNEERÅHETÅREÅREGELENÅPROCESÅZICHÅHERHALENDEÅBEWEGINGENÅUITVOERT ÅISÅHETÅVOORDELIG
DEÅ TIJDÅ ALSÅ INGANGÅ VANÅ HETÅ FEED FORWARDÅ GEDEELTEÅ TEÅ KIEZENÅ $EZEÅ VORMÅ VANÅ ,&&#
HEETÅ TIJDGE·NDEXEERDEÅ ,&&#Å ENÅ ISÅ NAUWÅ VERWANTÅ AANÅ )TERATIVEÅ ,EARNINGÅ #ONTROL
),# Å ENÅ 2EPETITIVEÅ #ONTROLÅ 2# Å /PÅ BASISÅ VANÅ CONVERGENTIECRITERIAÅ VANÅ ),#Å EN
2#Å ISÅ EENÅ CONVERGENTIEANALYSEÅ VANÅ TIJDGE·NDEXEERDEÅ ,&&#Å UITGEVOERD
#ONVERGENTIECRITERIAÅVOORÅDEÅBREEDTEÅVANÅDEÅ" SPLINEÅBASISFUNCTIESÅVANÅHETÅ"3.ÅEN
DEÅLEERFACTORÅZIJNÅAFGELEIDÅ$EZEÅCRITERIAÅZIJNÅGEVALIDEERDÅDOORÅMIDDELÅVANÅSIMULATIES
ENÅEXPERIMENTEN

/MÅWILLEKEURIGEÅBEWEGINGENÅTEÅKUNNENÅUITVOEREN ÅDIENTÅDEÅINGANGÅVANÅHETÅ"3.ÅTE
BESTAANÅUITÅHETÅREFERENTIESIGNAALÅENÅEVENTUEELÅAFGELEIDENÅÅGE·NTEGREERDENÅDAARVAN
%RÅ ISÅ SPRAKEÅ VANÅ EENÅ PADGE·NDEXEERDEÅ ,&&#Å %ENÅ STRUCTUREELÅ CORRECTE
TOESTANDSBESCHRIJVINGÅVANÅHETÅPROCESÅGEEFTÅAANÅWELKEÅINGANGENÅMENÅDIENTÅTEÅKIEZEN
!ANGETOONDÅ ISÅ DATÅ EENÅ PROCESÅ ALLEENÅ DOORÅ MIDDELÅ VANÅ ,&&#Å GEREGELDÅ KANÅ WORDEN
WANNEERÅDEÅTOESTANDSBESCHRIJVINGÅAANÅEENÅAANTALÅVOORWAARDENÅVOLDOET


 3AMENVATTING

(ETÅ ONTWERPENÅ VANÅ EENÅ " SPLINEÅ VERDELINGÅ ZODANIGÅ DATÅ DEÅ PADGE·NDEXEERDEÅ ,&&#
STABIELÅ IS Å KANÅ RESULTERENÅ INÅ EENÅ LAAGFREQUENTÅ FEED FORWARDÅ SIGNAAL Å HETGEENÅ NIET
GEWENSTÅ ISÅ /MÅ EENÅ KLEINEREÅ BREEDTEÅ VANÅ DEÅ " SPLINESÅ TOEÅ TEÅ STAAN Å ISÅ VOORGESTELD
EENÅSTABILISERENDÅMECHANISME ÅGENAAMDÅREGULARISATIE ÅAANÅDEÅ,&&#ÅTOEÅTEÅVOEGEN
(ETÅ REGULARISATIEMECHANISMEÅ FILTERTÅ HETÅ LEERSIGNAALÅ METÅ EENÅ TIJDGE·NDEXEERDÅ "3.
DATÅVOLDOETÅAANÅDEÅBOVENGENOEMDEÅCONVERGENTIECRITERIAÅ3IMULATIESÅÅLATENÅZIENÅDAT
HETÅREGULARISATIEMECHANISMEÅNAUWKEURIGÅENÅSTABIELÅLERENÅMOGELIJKÅMAAKT

)NÅHETÅALGEMEENÅZALÅHETÅ"3.ÅINÅDEÅEENÅPADGE·NDEXEERDEÅ,&&#ÅMEERDEREÅINGANGEN
HEBBENÅ $ITÅ KANÅ TOTÅ PROBLEMENÅ LEIDENÅ DIEÅ WORDENÅ VEROORZAAKTÅ DOORÅ DEÅ CURSEÅ OF
DIMENSIONALITYÅ(ETÅSPLITSENÅVANÅHETÅMULTI DIMENSIONALEÅ"3.ÅINÅMEERDEREÅ"3. EN
BEPERKTÅDEZEÅPROBLEMENÅTOTÅEENÅMINIMUMÅ$EZEÅVORMÅVANÅ,&&#ÅHEETÅPARSIMONIOUS
SPAARZAAM Å ,&&#Å (ETÅ TRAINENÅ VANÅ EENÅ PARSIMONIOUSÅ ,&&#Å ISÅ NIETÅ TRIVIAAL
7ANNEERÅ ALLEÅ "3. ENÅ TEGELIJKERTIJDÅ WORDENÅ GETRAIND Å ISÅ HETÅ NIETÅ GEGARANDEERDÅ DAT
ELKÅ "3.Å HETÅ JUISTEÅ FEED FORWARDÅ SIGNAALÅ LEERTÅ $AAROMÅ ISÅ VOORGESTELDÅ DEÅ "3. EN
AFZONDERLIJKÅTEÅTRAINEN

%RÅISÅEENÅONTWERPPROCEDUREÅVOORÅ,&&#ÅGEFORMULEERDÅ(ETÅONTWERPÅVANÅEENÅ,&&#
ISÅGROTENDEELSÅGEBASEERDÅOPÅKWALITATIEVEÅKENNISÅVANÅHETÅPROCESÅENÅDEÅVERSTORINGEN
!LLEENÅ HETÅ CONVERGENTIECRITERIUMÅ VEREISTÅ EENÅ KWANTITATIEFÅ MODELÅ VANÅ DE
LAAGFREQUENTEÅ DYNAMICAÅ VANÅ HETÅ GEREGELDEÅ SYSTEEMÅ $ITÅ MODELÅ KANÅ ZONODIG
VERKREGENÅWORDENÅDOORÅMIDDELÅVANÅIDENTIFICATIE

(ETÅ BELANGRIJKSTEÅ RESULTAATÅ VANÅ DITÅ WERKÅ ISÅ DATÅ ,&&#Å EENÅ AANTREKKELIJKEÅ METHODE
LIJKTÅ VOORÅ HETÅ REGELENÅ VANÅ ELEKTROMECHANISCHEÅ PROCESSENÅ DIEÅ ONDERHEVIGÅ ZIJNÅ AAN
REPRODUCEERBAREÅINGANGVERSTORINGEN