迭代学习控制算法（ILC）介绍

迭代学习控制（ILC, Iterative Learning Control） 是一种面向重复性任务的智能控制算法，核心思想很朴素：同一个动作做很多次，每次根据上一次的误差修正下一次的指令，越做越好。

一、ILC 的基本原理

ILC 算法，假设系统在有限时间段内重复执行同一条轨迹，且每次运行的初始状态基本一致，工作方式可以简单表示为：

• 下标 k ：表示第 k 次迭代。
• uk(t)： 是第 k 次运行时，在时刻 t 的控制输入（比如给电机的目标位置或力矩）
• ek(t)：是第 k 次运行时在时刻 t 的误差（比如期望力与实际力的差）。
• L：是学习增益，决定了从误差中学习的强度。
• δ：是一个微小的时间偏移，用于补偿系统延迟，让误差和指令在时间上对齐。

物理意义：上一次运行时，某个位置用了某个指令，结果力偏大了，那么下一次运行到同一个位置时，就在原来的指令上减去一个与误差成比例的量，如此反复，直到误差接近零。

二、ILC 的主要作用

• 提高重复轨迹的跟踪精度：对于位置、速度、或力的重复性轨迹，ILC 可以显著减小稳态和瞬态误差。
• 补偿未知或难以建模的动态：摩擦、传动间隙、重力不平衡、柔性变形等，ILC 通过试错-修正机制间接补偿，不需要建立精确的数学模型。
• 实现高精度力控或位置控制：在需要极高一致性的场景（如晶圆搬运、注塑、抛光、清洁），ILC 可将误差降低一个数量级以上。

三、典型应用场景

ILC 最适合满足以下条件的任务：

1. 任务是重复性的（同样轨迹、同样速度、同样负载）。
2. 系统在有限时间段内运行（有明确的开始和结束）。
3. 每次运行的初始条件大致相同。

典型场景：

• 工业机器人：重复搬运、焊接、喷涂轨迹修正。
• 半导体设备：晶圆传送机械手的精密位置控制。
• 注塑机/压力机：重复开合模的力/位置控制。
• 医疗机器人：重复性康复训练动作的力辅助。
• 清洁机器人：对同一区域，多次执行相同的清洁路径，ILC 可让贴合力越来越均匀，补偿曲面形状误差和力控参数的不足。

四、ILC的有效性

其有效性建立在两个核心前提上：

1. 误差的可重复性：如果同样的指令在每次运行时产生类似的误差（系统动态是确定性的），那么误差中就包含了上次哪里做得不好的可靠信息，ILC 正是利用了这个信息。
2. 学习的因果对齐：ILC 通过非因果的学习结构（使用未来误差信息 ek(t+δ) 来更新当前时刻的指令），避免了实时反馈控制的相位滞后问题，实现了类似提前预判的修正效果。

通俗类比：

• 学打网球，每次发球都略有偏差。教练录下你上次的动作，指出球偏左了5厘米，下次发球时，刻意把手腕往右调一点。这个调整不依赖你当时的实时反应，而是基于上一次完整动作的回放分析。这就是 ILC 的离线学习、在线修正模式。
• 标准 PID 控制是边跑边看路，ILC 是跑完一圈，记下哪里颠簸了，下一圈提前绕过去。

五、机器人中的应用

标准 ILC 的跨次迭代框架直接套在单次内空间迭代上行不通，但它的思想用过去的误差信息构造前馈，完全可以被迁移，如果后续想实现越擦越贴的效果，ILC 可以这样嵌入：

• 清洁内壁一圈（一次迭代），记录整个路径上的力误差。
• 通过 ILC 更新下一圈的参考轨迹（或导纳控制器的期望力），使力曲线逐渐平坦。
• 由于内壁形状固定，重复清洁完全满足 ILC 的条件。

但请注意，ILC 的收敛需要系统动态稳定，且学习增益 L 要调好，否则可能发散。这可以作为下一阶段的高级优化，不是当前必须。

ILC 有两个关键特征：

1. 重复性：要求系统在多次运行中重复同一轨迹，且每次运行时间轴完全对齐。
2. 非因果学习：修正当前次运行的指令时，使用的是上一次运行整个过程的误差记录，包括未来时刻的误差，这是一种离线、跨次的学习。

对于单次运行，空间轴（沿外壁的清洁路径）代替了时间轴，用已经过的位置的误差，去补偿尚未到达的位置的控制。这在时间上是因果的（过去的已知，未来的未知），但在空间轴上是前馈性质：根据前面曲面的特性，预判后面曲面的特性。