DEKC：基于 Koopman 算子理论的不确定性下系绳空间机器人部署数据驱动控制
系统与控制
2025-06-11 v1 机器人学
系统与控制
摘要
本工作关注在未知不确定性下系绳空间机器人的部署。提出了一种名为 DEKC 的数据驱动控制框架，包含离线训练部分和在线执行部分，用于在不确定性下部署系绳空间机器人。本工作的主要思想是将未知不确定性建模为动力系统，从而实现对不确定性捕获的高精度与收敛性。所提框架的核心部分是一个不确定性代理模型，该模型源自数据驱动的 Koopman 理论，并与控制器设计分离。在离线阶段，与 Koopman 算子相关的提升函数由深度神经网络参数化。随后通过求解优化问题，从采样数据中学习提升函数。在在线执行阶段，代理模型结合离线阶段获得的已学习提升函数来捕获未知不确定性。然后将代理模型的输出补偿给基线控制器，以减弱甚至消除不确定性的影响。此外，考虑到代理模型性能可能减弱的某些场景，提出了一种滚动时域方案以在线更新代理模型。最后，大量数值仿真验证了所提框架的有效性。所提 DEKC 框架的实现已公开于 https://github.com/NPU-RCIR/DEKC.git。
引用
@article{arxiv.2506.08319,
title = {DEKC: Data-Enable Control for Tethered Space Robot Deployment in the Presence of Uncertainty via Koopman Operator Theory},
author = {Ao Jin and Qinyi Wang and Sijie Wen and Ya Liu and Ganghui Shen and Panfeng Huang and Fan Zhang},
journal= {arXiv preprint arXiv:2506.08319},
year = {2025}
}
备注
12 pages