用于控制的具有雅可比正则化动态模式分解的数据高效模型学习
机器人学
2023-01-31 v2
摘要
我们提出了一种用于模型预测控制（MPC）模型学习的数据高效算法。我们的方法——雅可比正则化动态模式分解（JDMD）——通过利用来自系统近似先验模型的雅可比信息，相比基于动态模式分解（DMD）的传统Koopman方法具有更高的样本效率，并且相比传统基于模型的MPC具有更好的跟踪性能。我们展示了JDMD在多个仿真现实示例中快速学习双线性Koopman动力学表示的能力，包括使用经验导出的高保真物理模型的固定翼飞机栖息机动。在所有情况下，我们表明与近似先验模型以及标准扩展DMD（EDMD）学习的模型相比，JDMD学习的模型在模型预测控制框架内即使存在显著模型失配时也提供了更优的跟踪与泛化性能。
引用
@article{arxiv.2212.07885,
title = {Data-Efficient Model Learning for Control with Jacobian-Regularized Dynamic-Mode Decomposition}},
author = {Brian E. Jackson and Jeong Hun Lee and Kevin Tracy and Zachary Manchester},
journal= {arXiv preprint arXiv:2212.07885},
year = {2023}
}