腿部机器人线性控制的Koopman动力学的持续学习与提升
机器人学
2025-06-04 v3
摘要
机器人控制，特别是人形和四足机器人，由于其高维非线性动力学，面临着显著的挑战。虽然线性系统可以有效地使用诸如模型预测控制（MPC）等方法进行控制，但非线性系统的控制仍然复杂。一个有前景的解决方案是Koopman算子，它通过线性模型近似非线性动力学，从而使能够使用已证明的线性控制技术。然而，由于近似误差、域迁移和固定线性状态空间表示的局限性，实现通过数据驱动方法获得准确的线性化仍然困难。这些挑战限制了Koopman方法的可扩展性。本文提出了旨在迭代细化高维腿部机器人Koopman动力学的持续学习算法。关键思想是逐步扩大数据集和潜在空间维度，使所学的Koopman动力学能够收敛到对真实系统动力学的准确近似。理论分析表明，我们的方法的线性近似误差单调收敛。实验结果表明，我们的方法在Unitree G1/H1/A1/Go2和ANYmal D等机器人上实现了高水平的控制性能，适用于各种地形。本工作是首次成功地为高维腿部机器人 locomotion 控制应用线性化Koopman动力学，实现了可扩展的基于模型的控制解决方案。
引用
@article{arxiv.2411.14321,
title = {Continual Learning and Lifting of Koopman Dynamics for Linear Control of Legged Robots},
author = {Feihan Li and Abulikemu Abuduweili and Yifan Sun and Rui Chen and Weiye Zhao and Changliu Liu},
journal= {arXiv preprint arXiv:2411.14321},
year = {2025}
}