简单串联机器人的自适应Koopman模型预测控制

将非线性系统近似为线性系统是一种常用方法，以应用针对线性系统设计的控制工具。这促使我们开发了基于Koopman算子框架的数据驱动模型预测控制器（MPC），允许将非线性动力学嵌入更高维度但线性函数空间。该控制器称为自适应Koopman模型预测控制（KMPC），使用在线闭环反馈学习和逐步更新非线性系统动力学的线性表征，无需事先了解系统模型。与大多数其他Koopman-based控制框架不同，自适应KMPC不旨在提前识别高有效率范围的模型，然后在闭环控制期间不再更新模型。为验证该控制器，对1R和2R机器人进行轨迹跟踪实验，受力扰动和模型参数变化。我们将该控制器与经典线性化MPC和不进行模型更新的Koopman-based MPC（称为静态KMPC）进行比较。结果表明，自适应KMPC能够针对 unforeseen 力扰动进行推理，与线性化MPC相比，能够处理变化的动力学参数，同时使用较小的基函数集合来逼近Koopman算子。