基于 Koopman 算子的数据驱动 NMPC 框架用于不确定性下的移动机器人导航
机器人学
2025-05-01 v1 系统与控制
系统与控制
摘要
移动机器人导航可能面临系统不确定性挑战。例如，地面摩擦力可能突然变化导致打滑，噪声传感器数据可能导致反馈控制不准确。传统的基于模型的方法在考虑此类变化时可能受限，难以应对各种类型的不确定性。一种解决方法是利用 Koopman 算子来实现非线性模型预测控制（NMPC）。本文描述了使用能够准确预测具有随机扰动的仿射输入系统的提升型双线性模型的 NMPC 框架的构建与求解。系统约束在 Koopman 空间中定义，而优化问题在状态空间中求解以降低计算复杂度。用于估计系统 Koopman 算子的训练数据通过随机控制输入提供。所develop方法的输出 enables 在充满障碍物的环境中实现闭环导航控制。该方法的有效性通过使用具有加性随机速度扰动的轮式机器人进行数值仿真、使用真实数字孪生机器人进行 Gazebo 仿真，以及在不了解真实动力学的情况下的物理硬件实验进行测试。
引用
@article{arxiv.2504.21215,
title = {A Koopman Operator-based NMPC Framework for Mobile Robot Navigation under Uncertainty},
author = {Xiaobin Zhang and Mohamed Karim Bouafoura and Lu Shi and Konstantinos Karydis},
journal= {arXiv preprint arXiv:2504.21215},
year = {2025}
}