基于学习Koopman算子的系绳空间机器人展开数据驱动最优控制

为避免传统非线性方法用于系绳空间机器人（TSR）展开时的复杂约束，本文提出一种改进的深度学习方法基Koopman算子的数据驱动最优控制框架，可应用于复杂环境。考虑TSR的非线性，在其Koopman框架中仅使用状态依赖的嵌入函数推导其有限维提升表示。采用深度学习方法逼近TSR的全局线性表示。开发深度神经网络（DNN）来参数化Koopman算子及其嵌入函数。开发辅助神经网络来编码有限维提升系统的非线性控制项。此外，在训练DNN过程中还估计了嵌入空间中提升线性系统的状态矩阵A与控制矩阵B。随后设计三个与网络重构及预测能力、提升线性系统能控性相关的损失函数用于训练整个网络。利用DNN生成的全局线性系统，应用线性二次型调节器（LQR）推导TSR展开的最优控制策略。最后，仿真结果验证了所提框架的有效性，并表明其能更快速地展开系绳空间机器人且面内角摆动更小。