IEEE Transactions on Robotics

Industrial Robots Energy Consumption Modeling, Identification and Optimization Through Time-Scaling

作者：Zuoxue Wang, Pei Jiang, Xiaobin Li, Huajun Cao, Xi Vincent Wang, Xiangfei Li, Min Cheng · 机构：College of Mechanical and Vehicle Engineering, Chongqing University, Chongqing, China; Department of Production Engineering, KTH Royal Institute of Technology, Stockholm, Sweden; State Key Laboratory of Intelligent Manufacturing Equipment and Technology, School of Mechanical Science and Engineering, Huazhong University of Science and Technology, Wuhan, China

会议/期刊：IEEE Transactions on Robotics · 发布日期：2025 · 页码：1456-1475

运动规划优化

精读笔记

Problem Setting

论文标题：Industrial Robots Energy Consumption Modeling, Identification and Optimization Through Time-Scaling（IEEE Transactions on Robotics / 2025）。

这篇论文实际处理的是工业机器人能耗优化中的“黑箱机器人”问题：给定一条已经满足空间约束的参考关节轨迹，只允许通过 nonlinear time-scaling 改变执行节奏，在不依赖关节力矩信息、完整动力学参数和电机驱动参数的情况下预测并优化能耗。

真正难点不是构造 time-scaling，也不是跑 DP，而是 transition cost 的获得。能耗优化需要知道每个配置段从 \dot{u}_m 到 \dot{u}_{m+1} 的能量代价；传统 model-based 方法能写出这个代价，但需要厂商通常不提供的惯量、摩擦、电机、电阻、传动、驱动损耗等参数。生产线环境还限制大范围激励轨迹和力矩测量，使标准机器人参数辨识路线不现实。

关键矛盾是：工业场景希望有一个可嵌入规划器的快速、结构化能耗模型；但真实机器人作为商业系统基本是不可观测黑箱。论文的解法不是恢复完整物理模型，而是直接识别“沿这条参考轨迹的局部能耗函数”。

Motivation

已有路线的不足很清楚。ECPM / model-based time-scaling 的问题是参数不可得和计算重；纯数据方法如 LSTM 的问题是需要大量轨迹样本，而且学到的是黑箱映射，缺少能耗机理约束，外推到未覆盖 scaling 时不可靠。

作者的核心观察是：time-scaling 固定了机器人经过的空间配置序列。既然空间路径固定，动力学、电机损耗、负载影响、几何项都可以看成该路径上每个局部段的固定隐变量；真正随优化变化的只是 \dot{u} 和 \ddot{u}。因此，与其辨识通用机器人参数，不如辨识每个配置转移段上关于 scaling 状态的能耗响应系数。

这篇论文缺口定位很准：工业上并不一定需要一个跨所有轨迹泛化的机器人能耗模型；很多大批量生产任务只需要对重复轨迹做低成本节能优化。这个问题设定使 trajectory-specific identification 成为合理选择。

Core Idea

核心思想是把能耗模型从“物理参数显式模型”转成“结构化局部响应面”。作者沿用 time-scaling 下的参数分离：关节速度、加速度可由参考轨迹导数和 \dot{u}, \ddot{u} 表示；进一步，功率可以整理成关于 \dot{u}, \ddot{u} 的多项式形式。传统 ECPM 的系数由动力学、电机参数和轨迹几何积分得到；本文则把这些系数视为待识别的能耗特征参数。

真正新的组织方式是 ECPSM：在每个控制段内再做子段划分，使每个子段的能耗都写成固定的 12 维系数与 scaling 变量组合的线性形式。这样，实验测得的子段能耗就直接给出线性方程组。通过设计若干线性和非线性 scaling 轨迹，使识别矩阵满列秩，就可以在不测力矩、不知道内部参数的情况下获得 ECPM 所需系数。

直觉上它有效，是因为 time-scaling 把高维轨迹优化压缩成一维路径参数速度规划；ECPSM 再把复杂物理压缩成路径局部系数。它引入的 inductive bias 是“能耗对 scaling 变量的函数形式由物理机理决定，未知的只是系数”。这比 LSTM 更样本高效，也比纯物理模型更可部署。

Method

1. 参数分离式能耗表达：解决的是能耗积分计算和参数依赖问题。论文先说明在给定参考轨迹下，scaled torque 可写成 \dot{u}^2, \dot{u}, 1, \ddot{u} 的组合，功率进一步成为 \dot{u}, \ddot{u} 的多项式。核心变化是把轨迹优化的代价函数降维到 scaling 状态空间。

2. ECPSM 子模型：解决的是 ECPM 系数不可计算的问题。它不再试图从机器人动力学和电机模型推出系数，而是把每个子段的能耗写成 12 个未知子系数的线性组合。这里的关键不是子段数本身，而是把不可观测物理参数替换成可实验识别的局部能耗特征。

3. 构造性识别轨迹：解决的是线性系统是否可辨识的问题。五条线性 scaling 轨迹识别与匀速相关的部分；两组各四条非线性 scaling 轨迹覆盖加减速项，并通过特定约束保证矩阵满秩。随后作者实际采用统一最小二乘直接估计所有系数，以减少分步识别的误差积累。

4. BDP 优化：解决的是在已知 transition cost 后如何快速搜索最优 scaling。状态是配置层上的 \dot{u}，代价是 ECPSM/ECPM 给出的段能耗。BDP 的核心变化是把前向和后向 DP 并行，并利用代数代价函数避免在线积分。需要注意，BDP 不是本质上新的最优控制方法，主要是工程上更快的离散搜索实现。

Key Insight / Why It Works

这篇论文最重要的 insight 是：对于重复工业任务，能耗优化不必追求机器人系统级可解释模型；只要沿固定参考轨迹的局部 transition cost 足够准确，time-scaling 优化就可以成立。换言之，它把“难的全局物理辨识”替换成“窄域、轨迹条件化的代价辨识”。

有效性的主要来源有三层。第一是 better inductive bias：能耗关于 \dot{u}, \ddot{u} 的形式不是随便拟合出来的，而是由动力学和电机功率模型推导得到，因此少量实验就能识别。第二是 data coverage 被主动设计：13 条 scaling 轨迹不是随机采样，而是为了让识别矩阵满秩；这比 LSTM 用大量随机轨迹更高效。第三是 test-time compute 被结构化：优化时只需要代数 cost 查询，而不是每次做动力学积分或调用黑箱模型。

最可能的核心贡献是 ECPSM + 可辨识实验设计，而不是 BDP。BDP 的速度提升部分来自并行，部分来自 ECPSM 代价计算便宜；文中对这两者的增益拆分不够充分，增益来源不清。若把 ECPSM cost function 放到普通 DP 中，理论上也会获得大量速度收益。

这不是泛化型模型，更像是 structured calibration。所谓数据驱动并不是学习通用 representation，而是识别一条任务轨迹上的局部 latent cost coefficients。这个判断很重要：它的强处是工业重复任务的部署效率，弱处是换任务后几乎没有继承能力。

Relation To Prior Work

它最接近三条路线：time-scaling 轨迹节能、ECPM 参数分离模型、数据驱动能耗预测。

相对 nonlinear time-scaling / DP 类工作，本文并没有改变问题的优化结构：仍然是在一维路径参数上做速度规划。真正不同是 transition cost 的来源从显式动力学计算变成实验识别的能耗特征模型。

相对 ECPM，本文的实质创新是把 ECPM 系数从“由机器人参数计算”变成“由有限实验辨识”，并证明特定 scaling 轨迹设计下满秩可辨识。ECPM 的代数结构不是本文原创，但 ECPSM 让这个结构在黑箱工业机器人上可用，这是主要新增信息。

相对 LSTM/神经网络能耗预测，本文不是用更大模型拟合更多数据，而是用物理导出的函数形式约束数据。它属于 physics-structured system identification，而不是纯 data-driven learning。看似数据驱动，实质是 parametric grey-box identification。

BDP 部分更像已有 DP 思想的工程重组：双向搜索和并行计算本身不构成深层理论创新，但在这里与代数 cost 结合，确实改善了工业可用性。

Dataset / Evaluation

评估使用真实 KUKA KR60-3 机器人和真实功率计，优点是真机闭环验证，不是仿真 benchmark。任务是 pick-and-place，参考轨迹由示教点和 B-spline 生成，实验确实覆盖了 linear scaling、nonlinear scaling、不同时间约束下的优化轨迹。

实验基本支持论文的核心 claim：在固定机器人、固定任务轨迹、固定负载设置下，ECPSM 用很少识别轨迹即可获得比 LSTM 和参数化 ECPM 更好的能耗预测，并且能作为 DP/BDP 的代价函数完成节能优化。

但 evaluation 的外推性有限。没有跨机器人、跨负载、跨参考轨迹、多工位、多任务类型的验证；因此不能证明该方法具有一般泛化能力。事实上论文结论也承认换参考轨迹或换机器人需要重新识别。实验更像是验证“trajectory-specific calibration 有效”，而不是验证“通用工业机器人能耗建模”。

另一个问题是优化结果的比较混合了模型差异和优化算法差异。BDP 使用 ECPSM，DP 使用 ECPM，AGA 又是另一套策略；因此 BDP 更优不完全能归因于搜索算法本身。文中未充分说明如果统一使用同一能耗模型，各优化器之间的差异会有多大。

Limitation

最核心限制是轨迹特异性。ECPSM 的系数绑定于机器人、负载、参考轨迹、控制器执行方式和测量条件；一旦参考路径或工况变化，就需要重新识别。这是方法主动选择的 trade-off，不是小缺陷。

第二，识别依赖实验数据质量。子段能耗需要从低频功率测量和轨迹分段中获得，而论文功率采样率相对控制采样并不高；子段级能耗分配的误差如何影响系数稳定性，文中未充分说明。若任务周期更短、功率波动更剧烈，识别可能更脆弱。

第三，模型依赖 piecewise approximation。k 越大表达更细，但未知系数更多、数据精度要求更高；k 越小则结构偏差更大。这个 bias-variance trade-off 是方法上限所在。

第四，约束处理存在潜在问题。论文优化中包含速度和力矩约束，但其主张是不需要关节力矩信息；那么 torque constraint 的实际判定仍可能依赖近似模型或厂商限幅信息。这个环节文中不够清楚，可能影响实际安全部署。

第五，BDP 的最优性只在离散网格内成立，且网格越密计算越重。虽然实验中 1 秒级很快，但这依赖任务规模较小、状态维度只有 \dot{u}。若加入多目标、等待时间、协作机器人同步、热约束或再生能量管理，状态维度会迅速膨胀。

Takeaway

  • 1. 对重复工业轨迹，最有价值的不是通用动力学辨识，而是沿任务轨迹的局部能耗响应面；这是一个很实用的建模降维。
  • 2. 物理结构 + 少量主动设计实验，比纯神经网络在这种窄域工业优化问题上更合适。
  • 这里的关键不是模型复杂度，而是把未知量放在正确的低维系数空间里。
  • 3. ECPSM 的思想可以迁移到其他黑箱设备优化：只要有固定路径/流程、少数可控调度变量、可测总能耗，就可以把复杂系统压缩成 transition-cost identification。

一句话总结

这篇论文把工业机器人节能 time-scaling 从依赖完整动力学参数的 model-based 优化，推进到面向固定生产轨迹的结构化实验辨识 + 离散代价搜索，是一种牺牲泛化换取黑箱机器人可部署性的 grey-box 能耗优化方法。